Now a days „the ability to write codes“ has become an essential skill for the students from the technical discipline. Entweder Sie mögen es oder nicht, während Ihres Studiums werden Sie Aufgaben erledigen, Gleichungen lösen oder einen Teil der Probleme Ihres Projekts mit einer Art Codierung lösen. Und wenn Sie daran denken, höhere Studien zu absolvieren und umfangreiche Nachforschungen anzustellen, dann ist „Schreiben von Codes“ ein Muss für Sie.
Welches sollten Sie lernen — MATLAB oder Python? Es gibt keine eindeutigen Antworten. MATLAB ist schon lange für das wissenschaftliche Rechnen da, wo die Entwicklung von wissenschaftlichen Computerpaketen für Python, zB SciPy, NumPy, nicht veraltet ist. So ist MATLAB zu einer Legacy-Sprache oder einem Tool für die wissenschaftliche Gemeinschaft geworden.
Es ist aus mehreren Gründen zu einer Legacy-Sprache geworden. Ingenieure und Wissenschaftler brauchten immer eine Programmiersprache, die Matrix- und Array-Mathematik direkt ausdrückt, und dann entstand MATLAB (Matrix Laboratory). MATLAB ist eine mathematik- und matrixorientierte Sprache mit verschiedenen Arten von spezialisierten Toolboxen (Sie müssen für Toolbox bezahlen) für verschiedene Zwecke, z. B. Modellierung von Wirtschaftsdaten, Bildanalyse oder Fahren eines Roboters. Diese Toolboxen sind professionell entwickelt, rigoros getestet und gut dokumentiert für wissenschaftliche und technische Anwendungen. Und deshalb zahlen Sie den Preis dafür. Auf der anderen Seite müssen Sie sich in Python häufig auf von der Community erstellte Pakete für wissenschaftliche und technische Zwecke verlassen.
MATLAB hat eine solide Anzahl von Funktionen. Eines der besten Produkte ist ‚SimuLink‘, das noch keine Alternative hat. Sie könnten eine andere grafische Programmiersprache namens ‚LabVIEW‘ als Alternative dazu betrachten, aber dann müssen Sie einen hohen Preis dafür zahlen. Und um das als von der Community entwickeltes Paket zu erhalten, müssen wir möglicherweise mindestens ein halbes Jahrzehnt warten.
Es hat eine außergewöhnlich gute Dokumentation, um mit dem Lernen zu beginnen, und eine große wissenschaftliche Gemeinschaft, die entweder die Fragen beantwortet hat, die gestellt werden, oder von jemandem beantwortet wird, wenn Sie sie in MATLAB Central veröffentlichen. Es gibt 365.000 Mitwirkende, 120 Fragen werden beantwortet und 25.000 Beispielskripte oder Codes werden pro Tag heruntergeladen.
Das Beste an MATLAB ist die Verfügbarkeit von GUI apps für die Durchführung gemeinsamer Aufgaben, die das Leben der Anfänger leichter macht. Sie wissen nicht, wie Sie eine Kurve mit dem Befehl ‚fminsearch‘ anpassen sollen. Die parallele Verarbeitung ist in MATLAB viel einfacher, wenn jemand Zugriff auf die Parallel Computing Toolbox hat. Es verfügt über Toolboxen für Computational Biology, Computational Finance, Steuerungssysteme, Data Science, Bildverarbeitung und Computer Vision, maschinelles Lernen, physikalische Modellierung und Simulation, Robotik, Signalverarbeitung und Kommunikation sowie IOT. Nur Nachteile, die ich gefunden habe, müssen Sie dafür bezahlen und in gewissem Maße erfordert es ein wenig zusätzlichen RAM in Ihrem Computergerät.Auf der anderen Seite ist es technisch falsch, Python als Alternative zu MATLAB aufzurufen, sondern es ist eine Allzweck-Programmiersprache, die bedeutet, dass Sie vollwertige Apps oder andere Software-Tools in Python entwickeln können. Es ist möglich, Anwendungen mit einer der wichtigsten GUI-Bibliotheken (z. B. Qt) zu erstellen, OpenGL zu verwenden, Ihren USB-Anschluss zu betreiben usw.
Python und seine Begleitbibliotheken werden von Tag zu Tag ausgefeilter. Für große Probleme ist Python im Vergleich zu MATLAB-Skripten viel ausdrucksvoller und lesbarer. Python-Programme werden durch Einrückung strukturiert, dh Codeblöcke werden durch ihre Einrückung definiert, wodurch das Programm einfacher zu folgen ist.
Als freie, plattformübergreifende, universelle und hochrangige Programmiersprache übernehmen jetzt viele Leute Python. IDES wie pycharm, Ipython Notebook, Jupyter Notebook und Distributionen wie Anaconda haben Python für Forscher weitaus nützlicher gemacht. Als Ergebnis dieser Popularität sind viele wissenschaftliche Python-Pakete mit umfangreicher Dokumentation für Datenvisualisierung, maschinelles Lernen, Verarbeitung natürlicher Sprache, komplexe Datenanalyse und mehr verfügbar geworden. Zum Beispiel enthält scikit-learn modernste Ansätze für maschinelles Lernen mit sehr guter Dokumentation und Tutorials.
Hier haben die Liste einiger beliebter wissenschaftlicher Python-Bibliotheken und -Tools zusammengestellt:
SciPy: Diese Bibliothek wird von Wissenschaftlern, Analysten und Ingenieuren verwendet, die wissenschaftliche und technische Berechnungen durchführen. Es enthält Module für Optimierung, lineare Algebra, Integration, Interpolation, Spezialfunktionen, FFT, Signal- und Bildverarbeitung, ODE-Löser und andere in Wissenschaft und Technik übliche Aufgaben.
NumPy: Es ist das grundlegende Paket für wissenschaftliches Rechnen mit Python und bietet Unterstützung für große, mehrdimensionale Arrays und Matrizen sowie eine große Bibliothek mathematischer Funktionen auf hoher Ebene, um mit diesen Arrays zu arbeiten.
Pandas: Pandas ist eine Bibliothek zur Datenmanipulation und -analyse. Die Bibliothek bietet Datenstrukturen und Operationen zum Bearbeiten numerischer Tabellen und Zeitreihen.
SymPy: SymPy ist eine Bibliothek für symbolische Berechnungen und umfasst Funktionen, die von grundlegender symbolischer Arithmetik über Analysis, Algebra, diskrete Mathematik bis hin zu Quantenphysik reichen. Es bietet Computeralgebra-Funktionen entweder als eigenständige Anwendung, als Bibliothek für andere Anwendungen oder live im Web.
Matplotlib: Matplotlib ist eine Python-2D-Plotbibliothek, die Veröffentlichungsqualitätszahlen in einer Vielzahl von Hardcopy-Formaten und interaktiven Umgebungen plattformübergreifend erstellt. Mit Matplotlib können Sie Diagramme, Histogramme, Leistungsspektren, Balkendiagramme, Fehlerdiagramme, Streudiagramme und mehr generieren.
scikit- : scikit-learn ist eine Bibliothek für maschinelles Lernen. Es verfügt über verschiedene Klassifikations-, Regressions- und Clustering-Algorithmen, einschließlich Support Vector Machines, Random Forests, Gradient Boosting, k-Means und DBSCAN, und wurde entwickelt, um mit den numerischen und wissenschaftlichen Python-Bibliotheken NumPy und SciPy zusammenzuarbeiten.
scikit-image: scikit-image ist eine Bildverarbeitungsbibliothek. Es enthält Algorithmen für Segmentierung, geometrische Transformationen, Farbraummanipulation, Analyse, Filterung, Morphologie, Merkmalserkennung und mehr.
Veusz: Veusz ist ein wissenschaftliches Plotten- und Grafikpaket, das entwickelt wurde, um Diagramme in Publikationsqualität in gängigen Vektorformaten wie PDF, PostScript und SVG zu erstellen.
Astropy: Das Astropy-Projekt ist eine Sammlung von Paketen, die für die Verwendung in der Astronomie entwickelt wurden. Das Core Astropy-Paket enthält Funktionen für professionelle Astronomen und Astrophysiker, kann aber für jeden nützlich sein, der Astronomie-Software entwickelt.
PsychoPy: PsychoPy ist ein Paket zur Generierung von Experimenten für Neurowissenschaften und experimentelle Psychologie. PsychoPy wurde entwickelt, um die Präsentation von Reizen und die Sammlung von Daten für eine Vielzahl von neurowissenschaftlichen, psychologischen und psychophysikalischen Experimenten zu ermöglichen.
Biopython: Biopython ist eine Sammlung von nicht-kommerziellen Python-Tools für Computational Biology und Bioinformatik. Es enthält Klassen zur Darstellung biologischer Sequenzen und Sequenzanmerkungen und kann in eine Vielzahl von Dateiformaten lesen und schreiben.
Es gibt so viele Pakete, und das Beste ist, dass sie kostenlos sind, dh die wissenschaftlichen und numerischen Rechenkosten mit Python sind Null.
Aus Anfängersicht gibt es also keine eindeutige Antwort auf die Frage: „Welche sollte ich für wissenschaftliches Rechnen verwenden?“ Ich möchte diese Frage anders beantworten. Mit Python können Sie einfacher mit Personen zusammenarbeiten, die keinen Zugriff auf MATLAB haben. Oder vielleicht verwenden Sie MATLAB, weil es in Python keine alternativen Pakete gibt, die so gut funktionieren wie in MATLAB.
Bitte liken und folgen Sie uns auf Facebook: https://www.facebook.com/gradbunker