データサイエンティストを目指す人のpython環境構築 2016 - Qiita
pythonの環境構築について "python 環境構築"でググると20万件くらいヒットしますが、割と内容が古いです。 タイトルにはデータサイエンティストと書いてありますが、データサイエンティスト以外にもanacondaはおすすめです。 2.x or 3.x? 3.xは動かないライブラリが多いので2.x推奨 > 3.xで動かないライブラリがある、くらいまで来ました。 easy_installでpipを入れて、setuptoolsも入れて、でもwheelというのもあって... > 古いです。 virtualenv 必須 > そんなこともないです。 winでは64bitは不具合が多いので32bit推奨 > 古いです。 winでは非公式バイナリからダウンロードしてインストール > お世話になりましたが、最近は使っていません。 2016版 OS毎python環境構築法決定版 Windows: an
Writing your own ufunc — NumPy v1.26 Manual
Getting started What is NumPy? Installation NumPy quickstart NumPy: the absolute basics for beginners Fundamentals and usage NumPy fundamentals NumPy for MATLAB users NumPy Tutorials NumPy how-tos Advanced usage and interoperability Building from source Using NumPy C-API How to extend NumPy Using Python as glue Writing your own ufunc Beyond the Basics F2PY user guide and reference manual Under-the
numpy.ndarrayをc++から操作する小技 -イテレータを使いたい- - Qiita
目的 boost.pythonやboost.numpyを利用することで、c++でnumpy.ndarrayを扱えるpythonのモジュールを簡単に作成することができます。 boost.numpyは良くできたライブラリですが、イテレータが使えないなどデータへのアクセスにやや不便な点があります。そのため、データへ簡単にアクセスできるようにします。 背景 numpy.ndarrayとは pythonのパッケージの一つnumpyが提供する多次元配列です。これなしにpythonでの数値計算があり得ないくらい広く使われています。 boost.numpyとは numpyをc++から操作できるようにするライブラリです。以下のような感じでデータにアクセスします。 namespace bp = boost::python; namespace np = boost::numpy; void func(np::
python/numpy - 機械学習の「朱鷺の杜Wiki」
パッケージ† pip や easy_install によるインストールの前に多くの外部ライブラリやfortranコンパイラなどが必要になるので，numpy等の科学技術計算パッケージをインストールするには以下のようなパッケージを一般には利用する： 商用（サポートなしなら無料でも利用できる） Anaconda：無料版でもIntel MKLが使える Enthought Canopy フリー Unofficial Windows Binaries for Python Extension Packages (個人ベースの管理で非公式版) ↑ その他† pyvideo.org：PyCon, SciPy, PyData などの講演ビデオリンク集 100 numpy exercises：練習問題 Pythonidae：Python関連のライブラリのリンク集 SciPy Central：SciPy 関連コ
C++でpythonを拡張する(Boost.NumPy) - Qiita
何故C++のクラス・関数をPythonにバインドするか？ C++11は非常に便利になった。Boost使えばさらに便利だ。 しかし、pythonはもっと使いやすい。 NumPyをベースにしたプロジェクト群(SciPy, matplotlib, pandas, ...) は共通の基盤の上に非常に使い易く整備されている上に、そこそこ高速に動作する。 C++を使うべきか、Pythonにバインドして使うべきか、 また私の中で結論はでていないが、とりあえずバインドするための情報をまとめる。 どうやってバインドするか？ 問題は2つある。 単純にPythonにバインドする方法 NumPyにバインドする方法 Pythonを使う理由の一つにNumPyのベースのライブラリを使用する事があるので、 NumPyのndarray等に変換できる必要がある。 基本となるのはPython C APIとNumPy C API
インテル® MKL を Numpy/Scipy に実装 | iSUS
この記事は、インテル® デベロッパー・ゾーンに公開されている「Numpy/Scipy with Intel® MKL」の日本語参考訳です。 *著者注: この記事は 2014 年 8 月 27 日更新されました。 NumPy/SciPy アプリケーション・ノート ステップ 1 – 概要 このガイドは、現在 Numpy/SciPy を利用しているユーザーが、インテル® マス・カーネル・ライブラリー (インテル® MKL) の利点を活用することを目的としています。 NumPy は、ベクトルや行列演算を可能な限り BLAS と LAPACK 関数に自動マッピングします。インテル® MKL は、業界標準であるそれらのインターフェイスをサポートしているため、NumPy のスクリプトをわずかに変更するだけでインテル® MKL の最適化の恩恵を受けることができます。 NumPy は、Python* による
NumPyが物足りない人へのCython入門
18 Mar. 2012 第３回Tokyo.Scipyにて発表したスライドです。 CythonだけではなくF2Pyにも触れていてかなりカオスな内容です。
数式をnumpyに落としこむコツ
Tokyo.SciPy #2 にて発表した、数式(あるいは数式入りのアルゴリズム)から実装に落とす場合、何に気をつけるのか、どう考えればいいのか、というお話。 対象は、どうやって数式をプログラムすればいいかよくわからない人、ちょっとややこしい数式になると四苦八苦してしまい、コードに落とすのにすごく時間がかかってしまう人、など。 ここでは実行速度についてはひとまずおいといて、簡潔で間違いにくい、ちゃんと動くコードを書くことを目標にしています。
python での線形代数
python での行列・ベクトル数値計算 python で行列ベクトル演算が可能です。でも、実際に行列ベクトル計算をしようとしたとき戸惑わされました。python での行列ベクトル演算について手頃な解説がありませんでした。コード例も殆どなく、試行錯誤で使う必要がありました。回り道をしました。特に Matrix と array の使い分けに戸惑いました。結論は「慣れるまでは Matrix を使わずに array の範囲だけで使っとけ。」です。慣れた後でも Matrix を使うメリットは限られます。array だけで済ましたほうが余分なことを考えずに済みます。 このような遠回りをすることなく python での数値計算を手っ取り早く始められるようにように、この Web page を書きました。C 言語や数値計算についての素養はあるが python は使い始めの方、早急に行列 ベクトル演算を行う
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Using Numpy C-API — NumPy v1.10 Manual
How to extend NumPy — NumPy v1.26 Manual
Python Types and C-Structures — NumPy v1.10 Manual