mixpap/scientificpythonworshop

Repository of the Scientific Python Worshop at UOA

ScientificPythonWorshop

Repository of the Scientific Python Worshop at UOA

Γενικά για το Workshop

Κάθε Παρασκευή, 12:00 - 14:00 στην αίθουσα Συνεδριάσεων Τομέα ΑΑΜ, πραγματοποιούνται workshops πάνω σε ένα ευρύ φάσμα επιστημονικού προγραμματισμού και ανάλυσης δεδομένων με τη χρήση της γλώσσας προγραμματισμού Python και τις βιβλιοθήκες Numpy, Scipy, Sympy, Pandas, Scikit-Learn και Matplotlib. Το περιβάλλον που θα χρησιμοποιούμε είναι το Jupyter Notebook.

Οι βιβλιοθήκες αυτές είναι εύκολα προσβάσιμες μέσω της πλατφόρμας Anaconda που είναι διαθέσιμη για Linux Windows και Mac. (https://www.continuum.io/downloads).

Πληροφορίες: [email protected]

Συντονιστής: Μιχάλης Παπαχρήστου ([email protected])

Notebooks

0. Εισαγωγικό tutorial, επίδειξη των δυνατοτήτων της Python* https://github.com/Mixpap/ScientificPythonWorshop/blob/master/Tutorial.ipynb

1. Εκτίμηση της περιόδου του ηλιακού κύκλου μέσω μετασχηματισμού fourier https://github.com/Mixpap/ScientificPythonWorshop/blob/master/1st%20Workshop.ipynb

2. Προσομοιώση κίνησης ενός βλήματος με μεθόδους αριθμητικής ολοκλήρωσης https://github.com/Mixpap/ScientificPythonWorshop/blob/master/2nd%20Workshop.ipynb

3. Εισαγωγή στη βιβλιοθήκη συμβολικών πράξεων SYMPY, παράδειγμα με ένα απλό πρόβλημα μηχανικής και του προβλήματος των 3 σωμάτων https://github.com/Mixpap/ScientificPythonWorshop/blob/master/3rd%20Workshop%20(Sympy%20Tutorial).ipynb (Το πρόβλημα των 3 σωμάτων λόγω χρόνου δεν έγινε στο workshop)

• Παρουσίαση στην αποθήκευση και ανάλυση δεδομένων αριθμητικών εξομοιώσεων από τον κώδικα PLUTO (για να αποθηκέυσει κάποιος τα δεδομένα απλά τρέχει το script PLUTOdata.py μέσω της εντολής python PLUTOdata.py εντός ενος φακέλου με dbl δεδομένα από τον PLUTO. Η διαδικασία αυτή δημιουργεί ένα npz αρχείο με το όνομα του φακέλου στο οποίο βρισκόμαστε καθώς και μερικά χαρακτηριστικά στιγμιότυπα σε μορφή png για μια πρώτη γέυση των αποτελεσμάτων. Για την ανάλυση τους μπορούμε να ανατρέξουμε τα δεδομένα μέσω της συνάρτηση np.load('arxeio.npz'))

πχ

Data=np.load('arxeio.npz')
Density=Data['RHO'].T) #.Τ -> Transpose the Matrix
plt.imshow(Density[:,:,-1] #τελευταίο στιγμίοτυπο (Density[y,x,t])

Επόμενο Workshop >> Παρασκευη 21/4 στις 12 στην άιθουσα συνεδριάσεων του τομέα Αστροφυσικής

Καλές Γιορτές