Hệ điều hành cần được cập nhật trước khi cài đặt python (x.y). Chạy lệnh sau để cập nhật hệ thống.
$sudo apt-get cập nhật
Cần phải kiểm tra xem có bất kỳ trình thông dịch python nào đã được cài đặt trước đó trong hệ thống hay không. Chạy lệnh sau để kiểm tra phiên bản python đã cài đặt. Tốt hơn là xóa mọi phiên bản python đã cài đặt trước đó trước khi cài đặt python (x, y).
$ python
Kết quả cho thấy rằng không có gói python nào đã được cài đặt trước đó trong hệ thống. Đối với trường hợp này, trước tiên chúng ta phải cài đặt trình thông dịch python.
Cài đặt Python (x.y)
Bạn có thể cài đặt gói python (x, y) hoặc gói python khoa học theo hai cách. Một cách là tải xuống và cài đặt gói python (x, y) thích hợp dựa trên Ubuntu và một cách khác là cài đặt các gói cần thiết để thực hiện tính toán khoa học bằng Python. Cách thứ hai rất dễ cài đặt được làm theo trong hướng dẫn này.
Các bước:
- Đầu tiên, bạn phải cài đặt trình thông dịch python và trình quản lý gói để bắt đầu quá trình cài đặt. Vì vậy, hãy chạy lệnh sau để cài đặt python3 và python3-pip các gói. Nhấn ' và 'Khi nó sẽ yêu cầu quyền cài đặt.
- Tiếp theo, bạn phải cài đặt các thư viện khoa học cần thiết của python3 để thực hiện các hoạt động khoa học. Chạy lệnh sau để cài đặt các thư viện. Tại đây, năm thư viện sẽ được cài đặt sau khi thực hiện lệnh. đó là numpy, matplotlib, scipy, gấu trúc và giao hưởng . Việc sử dụng các thư viện này được giải thích trong phần tiếp theo của hướng dẫn này.
python3-scipy python3-pandas python3-evaly
- Để loại bỏ các hạn chế của trình thông dịch python và cung cấp giao diện thân thiện với người dùng, ipython gói được sử dụng. Chạy lệnh sau để cài đặt ipython3 Bưu kiện.
- Chạy lệnh sau để cài đặt qt5 các gói liên quan để phát triển GUI.
python3-pyqt5.qtopenglpython3-pyqt5.qtquick
- Spyder là một trình soạn thảo mã hữu ích có thể làm nổi bật cú pháp, đồng thời làm cho việc chỉnh sửa và gỡ lỗi mã trở nên dễ dàng hơn. Chạy lệnh sau để cài đặt người làm gián điệp .
Nếu tất cả các gói được đề cập ở trên được cài đặt đúng cách mà không có bất kỳ lỗi nào thì python (x, y) của bạn đã được cài đặt đúng cách.
Sử dụng Python (x, y):
Một số cách sử dụng cơ bản của python (x, y) được hiển thị trong phần này của hướng dẫn bằng cách sử dụng các ví dụ khác nhau kèm theo giải thích. Bạn sẽ cần chạy người làm gián điệp trình soạn thảo mã để bắt đầu sử dụng python (x, y). Bấm vào Hiển thị ứng dụng biểu tượng và nhập ‘ NS' trong hộp tìm kiếm. Nếu như người làm gián điệp được cài đặt đúng cách sau đó người làm gián điệp biểu tượng sẽ xuất hiện.
Bấm vào Spyder3 biểu tượng để mở ứng dụng. Màn hình sau sẽ xuất hiện sau khi mở ứng dụng.
Bây giờ, bạn có thể bắt đầu viết mã để thực hiện các nhiệm vụ tính toán khoa học. Các cách sử dụng cơ bản của năm thư viện đã cài đặt của python3 cho các hoạt động khoa học được hiển thị trong sáu ví dụ sau.
Ví dụ-1: Sử dụng biến và kiểu
Ví dụ này cho thấy cách sử dụng rất cơ bản của các biến và kiểu dữ liệu python. Trong tập lệnh sau, bốn loại biến được khai báo. Đây là tôi nteger, float, boolean và dây . kiểu() được sử dụng trong python để tìm ra kiểu của bất kỳ biến nào.
#! / usr / bin / env python3# Gán giá trị số nguyên
var1= năm mươi
in (kiểu(var1))
#Assinging giá trị float
var2= 3,89
in (kiểu (var2))
#Assssing
var3= Thật
in (kiểu(var3))
# Gán giá trị chuỗi
vâng4= 'LinuxHint'
in (kiểu(vâng4))
Đầu ra:
Chạy tập lệnh bằng cách nhấn Phat ( ) từ đầu trình chỉnh sửa. Nếu bạn nhấp vào Trình thám hiểm biến từ phía bên phải thì kết quả sau sẽ xuất hiện cho bốn biến.
Ví dụ-2: Sử dụng numpy để tạo mảng một và nhiều chiều
Tất cả các loại tính toán số được thực hiện bởi numpy gói trong python. Mô-đun này có thể xác định và sử dụng cấu trúc dữ liệu đa chiều, dữ liệu vectơ và dữ liệu ma trận. Nó có thể tính toán rất nhanh vì nó được phát triển bởi C và FORTRAN. numpy mô-đun được sử dụng trong tập lệnh sau để khai báo và sử dụng mảng một chiều và hai chiều trong python. Ba loại mảng được khai báo trong tập lệnh. myArray là mảng một chiều chứa 5 phần tử. Cứu giúp thuộc tính được sử dụng để tìm ra thứ nguyên của một biến mảng. len () ở đây hàm được sử dụng để đếm tổng số phần tử của myArray . NS điện thoại() hàm được sử dụng để hiển thị hình dạng hiện tại của mảng. myArray2 là một mảng hai chiều chứa sáu phần tử trong hai hàng và ba cột (2 × 3 = 6). kích thước() hàm được sử dụng để đếm tổng số phần tử của myArray2 . sắp xếp() hàm được sử dụng để tạo một mảng phạm vi có tên myArray3 tạo ra các phần tử bằng cách thêm 2 với mỗi phần tử từ 10.
#! / usr / bin / env python3# Sử dụng numpy
nhập khẩunumpynhưnpy
#Declare một mảng một chiều
myArray=npy.mảng([90,Bốn năm,78,12,66])
# In tất cả các phần tử
in(myArray)
# In kích thước của mảng
in(myArray.Cứu giúp)
# In tổng số phần tử
in(len(myArray))
# In hình dạng của mảng
in(npy.hình dạng(myArray))
#Declare một mảng hai chiều
myArray2=npy.mảng([[101,102,103],['Nila','Bà ấy','Khá']])
## In tổng số phần tử
in(npy.kích thước(myArray2))
# Tạo mảng phạm vi
myArray3=npy.arange(10,hai mươi,2)
# In các phần tử mảng
in(myArray3)
Đầu ra:
Kết quả sau sẽ xuất hiện sau khi chạy tập lệnh.
Ví dụ-3: Sử dụng Matlab để vẽ một đường cong
Matplotlib thư viện được sử dụng để tạo các số liệu khoa học 2D và 3D dựa trên dữ liệu cụ thể. Nó có thể tạo ra đầu ra chất lượng cao ở các định dạng khác nhau như PNG, SVG, EPG, v.v. Đây là một mô-đun rất hữu ích để tạo ra các số liệu cho dữ liệu nghiên cứu, nơi con số có thể được cập nhật bất kỳ lúc nào bằng cách thay đổi dữ liệu. Cách bạn có thể vẽ một đường cong dựa trên các giá trị trục x và trục y bằng cách sử dụng mô-đun này được hiển thị trong ví dụ này. pylab được sử dụng để vẽ đường cong ở đây. linspace () hàm được sử dụng để đặt giá trị trục x trong khoảng thời gian đều đặn. Giá trị trục Y được tính bằng cách bình phương giá trị của trục x. nhân vật() là một hàm init được sử dụng để kích hoạt pylab . Ký tự ‘b’ được sử dụng trong âm mưu() chức năng thiết lập màu của đường cong. Ở đây, ‘b’ biểu thị màu xanh lam. xlabel () hàm được sử dụng để đặt tiêu đề của trục x và ylabel () được sử dụng để đặt tiêu đề của trục y. Tiêu đề của biểu đồ được đặt bởi chức vụ() phương pháp.
#! / usr / bin / env python3# Sử dụng mô-đun pylab
nhập khẩupylabnhưlàm ơn
# Đặt giá trị của trục x
NS=làm ơnlinspace(0, số 8, hai mươi)
# Tính toán giá trị của trục y
và=NS **2
# Khởi tạo để lập âm mưu
làm ơnnhân vật()
# Đặt âm mưu dựa trên giá trị x, y với màu xanh lam
làm ơnâm mưu(NS,và, 'NS')
# Đặt tiêu đề cho trục x
làm ơnxlabel('NS')
# Đặt tiêu đề cho trục y
làm ơnylabel('và')
# Đặt tiêu đề cho biểu đồ
làm ơnchức vụ('Ví dụ về âm mưu')
làm ơnchỉ()
Đầu ra:
Kết quả sau sẽ xuất hiện sau khi chạy tập lệnh. Đường cong được hiển thị ở phía dưới bên phải của hình ảnh.
Ví dụ-4: Sử dụng mô-đun giao hưởng cho các biến Biểu tượng
thư viện giao hưởng được sử dụng trong python cho đại số biểu tượng. Lớp biểu tượng được sử dụng để tạo một biểu tượng mới trong python. Ở đây, hai biến tượng trưng được khai báo. var1 biến được đặt thành Thật và is_imaginary trả lại tài sản Sai cho biến này. var2 biến được đặt thành true cho biết 1. Vì vậy, khi nó được kiểm tra rằng var2 lớn hơn 0 hoặc không thì nó trả về True.
#! / usr / bin / env python3#import mô-đun giao hưởng
từgiao hưởngnhập khẩu*
# Tạo một biến biểu tượng có tên 'var1' với một giá trị
var1=Biểu tượng('var1',thực=Thật)
# Kiểm tra giá trị
in(var1.is_imaginary)
# Tạo một biến biểu tượng có tên 'var2' với một giá trị
var2=Biểu tượng('var2',khả quan=Thật)
# Kiểm tra giá trị có lớn hơn 0 hay không
in(var2>0)
Đầu ra:
Kết quả sau sẽ xuất hiện sau khi chạy tập lệnh.
Ví dụ-5: Tạo DataFrame bằng gấu trúc
thư viện pandas được phát triển để làm sạch, phân tích và chuyển đổi bất kỳ dữ liệu nào trong python. Nó sử dụng nhiều tính năng của numpy thư viện. Vì vậy, điều cần thiết là phải cài đặt numpy thư viện của python trước khi cài đặt và sử dụng gấu trúc . Nó cũng được sử dụng với các thư viện khoa học khác của python như scipy, matplotlib vv Các thành phần cốt lõi của gấu trúc là loạt và DataFram e. Bất kỳ chuỗi nào cũng chỉ ra cột dữ liệu và DataFrame là một bảng đa chiều của một tập hợp các chuỗi. Tập lệnh sau tạo DataFrame dựa trên ba chuỗi dữ liệu. Thư viện gấu trúc được nhập ở đầu tập lệnh. Tiếp theo, một biến có tên điểm được khai báo với ba chuỗi dữ liệu có chứa điểm của ba môn học của ba sinh viên có tên là ‘ Janifer ’,‘ John ’và‘ Paul ’ . Khung dữ liệu() hàm của pandas được sử dụng trong câu lệnh tiếp theo để tạo DataFrame dựa trên biến điểm và lưu trữ nó trong biến, kết quả . Cuối cùng, kết quả biến được in để hiển thị DataFrame.
#! / usr / bin / env python3#import mô-đun
nhập khẩugấu trúcnhưpd
# Đặt điểm cho ba môn học cho ba sinh viên
điểm= {
'Người gác cổng':[89, 67, 92],
'John':[70, 83, 75],
'Paul':[76, 95, 97]
}
# Tạo khung dữ liệu bằng gấu trúc
đối tượng=pd.Khung dữ liệu(điểm)
# Hiển thị khung dữ liệu
in(đối tượng)
Đầu ra:
Kết quả sau sẽ xuất hiện sau khi chạy tập lệnh.
Ví dụ-6: Sử dụng mô-đun scipy để tính toán toán học
SciPy thư viện chứa một số lượng lớn các thuật toán khoa học để thực hiện tính toán khoa học trong python. Một số trong số đó là Tích hợp, Nội suy, Biến đổi Fourier, Đại số tuyến tính, Thống kê, Tệp IO, v.v ... Trình soạn thảo Spyder được sử dụng để viết và thực thi các mã trong các ví dụ trước. Nhưng trình soạn thảo spyder không hỗ trợ các mô-đun scipy. Bạn có thể kiểm tra danh sách các mô-đun được hỗ trợ của trình soạn thảo spyder bằng cách nhấn Sự phụ thuộc… tùy chọn của menu trợ giúp. Mô-đun Scipy không tồn tại trong danh sách. Vì vậy, hai ví dụ sau được hiển thị từ thiết bị đầu cuối. Mở thiết bị đầu cuối bằng cách nhấn Alt_Ctrl + T và gõ con trăn để chạy trình thông dịch python.
Tính căn bậc hai của các số
thư viện scipy chứa một mô-đun có tên cbrt để tính toán gốc khối bất kỳ số nào. Tập lệnh sau sẽ tính toán căn bậc ba của ba số. numpy thư viện được nhập để xác định danh sách các số. Kế tiếp, scipy thư viện và cbrt mô-đun nằm dưới scipy.special được nhập khẩu. Các giá trị gốc của khối lập phương là 8, 27 và 64 được lưu trữ trong biến kết quả được in sau.
>>> nhập khẩunumpy>>> nhập khẩuscipy
>>> từscipy.đặc biệt nhập khẩucbrt
>>>kết quả=cbrt([ số 8, 27, 64])
>>> in(kết quả)
Đầu ra:
Kết quả sau sẽ xuất hiện sau khi chạy các lệnh. Căn bậc hai của 8, 27 và 64 là 2, 3 và 4.
Giải đại số tuyến tính bằng mô-đun scipy
linalg mô-đun của thư viện scipy được sử dụng để giải toán đại số tuyến tính. Ở đây, scipy thư viện được nhập trong lệnh đầu tiên và lệnh tiếp theo linalg mô-đun của scipy thư viện được nhập. numpy thư viện được nhập để khai báo các mảng. Ở đây, eq biến được khai báo để xác định các hệ số và giờ biến được sử dụng để xác định các giá trị tương ứng để tính toán. giải quyết() hàm được sử dụng để tính toán kết quả dựa trên eq và giờ biến.
>>> nhập khẩuscipy>>> từscipynhập khẩulinalg
>>> nhập khẩunumpynhưví dụ
>>>eq=ví dụ.mảng([[9, 0, 5], [10, 3,-2], [7,-2, 0]])
>>>giờ=ví dụ.mảng([3,-6, 9])
>>>kết quả=linalg.giải quyết(eq,giờ)
>>> in(kết quả)
Đầu ra:
Kết quả sau sẽ xuất hiện sau khi chạy các lệnh trên.
Phần kết luận:
Python là một ngôn ngữ lập trình rất hữu ích để giải quyết các dạng bài toán khoa học và toán học khác nhau. Python chứa một số lượng lớn các thư viện để thực hiện loại tác vụ này. Cách sử dụng rất cơ bản của một số thư viện được trình bày trong hướng dẫn này. Nếu bạn muốn trở thành một lập trình viên khoa học và mới làm quen với python (x, y) thì hướng dẫn này sẽ giúp bạn cài đặt và sử dụng python (x, y) trên Ubuntu.
Bản demo có thể được tìm thấy ở đây dưới đây: