Skip to main content

Numpy, Scipy und Matplotlib

Wir haben gesehen, dass Numpy effiziente Datentypen für die Repräsentation von Vektoren und Matrizen bietet. Diese bilden das Fundament, die fast jede wissenschaftliche Anwendung braucht. Für unsere wissenschaftlichen Anwendungen brauchen wir jedoch mehr als nur Datentypen mit denen wir rechnen können. In vielen Anwendungsgebieten brauchen wir dieselben mathematischen Werkzeuge. So müssen wir zum Beispiel in fast allen gebieten Differentialgleichungen lösen, Daten statistisch Auswerten oder Funktionen optimieren. Eine Bibliothek in der Funktionen für solche allgemein auftretende wissenschaftliche Probleme gesammelt sind ist Scipy. Scipy baut auf Numpy auf und implementiert wichtige Algorithmen mit einem Fokus auf allgemeine Verwendbarkeit und Effizienz.

Einen guten Überblick über die Funktionalität von Scipy finden Sie in den

Zudem möchten wir beim wissenschaftlichen Arbeiten nicht nur Rechnen, sondern das Resultat der Berechnung auch visualisieren. Dafür steht in Python unter anderem Matplotlib zur Verfügung

Wir haben uns die Grundfunktionalität von Matplotlib bereits in Woche 6 angeschaut. Dabei haben wir natürlich nur an der Oberfläche gekratzt. Matplotlib ist sehr umfangreich und bietet alle erdenklichen Möglichkeiten um Daten zu visualisieren. Eine Übersicht von möglichen Grafischen Darstellungen, die Sie mit Matplotlib erzeugen können, zusammen mit dem entsprechenden Beispielcode, finden Sie in der Beispielgallerie." Wie Sie an den Codebeispielen sehen, arbeitet auch Matplotlib hervorragend mit Numpy zusammen.

Zusammen bilden Python, Numpy, Scipy und Matplotlib eine überzeugende Umgebung für wissenschaftliches Arbeiten, die kommerziellen Anwendungen wie Matlab in nichts nachsteht. In der Tat hat sich Python in den letzten Jahren als meistgenutzte Programmiersprache für wissenschaftliche- Data-science- Anwendungen etabliert.

Mini-Übungen​

Wir werden folgende Aufgaben in der kommenden Fallstudie antreffen:

  • Darstellen eines 2d Numpy-Arrays als Bild mit Hilfe von Matplotlib.
  • Einem dargestellten Bild einen Titel geben und die Achsen beschriften.
  • Schauen Sie nach wie man von Scipy die confusion_matrix benützt.