python

مقدمه ای بر پایتون برای مهندسان شیمی

آیا پایتون برای مهندسان شیمی مفید است؟


امروزه پایتون دارای ویژگی ها و قابلیت هایی مشابه matlab و GNU Octave است. بنابراین یادگیری پایتون برای مهندسان شیمی بسیار مفید است.

برای چندین دهه، فرترن به دلیل سرعت آن زبان منتخب برای محاسبات علمی بوده است. در دهه 1980، زمانی که زمان یک برنامه نویس از زمان محاسبات ارزشمندتر می شد، نیاز به زبان هایی وجود داشت که یادگیری و استفاده آسان تر باشد. برای هدف تحقیق، گردش کار کد-کامپایل-اجرا جای خود را به گردش کار تعامل-کاوش-تجسم داد. در این زمینه MATLAB، IDL، Mathematica و Maple متولد شدند.

محاسبات علمی مدرن فقط در مورد محاسبات عددی نیست. باید همه کاره باشد: با مجموعه داده‌های بزرگ سروکار داشته باشید، ساختارهای داده‌ای غنی‌تر از آرایه‌های عددی ارائه دهید، برقراری تماس‌های شبکه، رابط با پایگاه‌های داده، تعامل با برنامه‌های وب، مدیریت داده‌ها در قالب‌های مختلف، فعال کردن همکاری تیمی، فعال کردن اسناد آسان و غیره.

MATLAB در مقابل Python


MATLAB در مقابل MATLAB .Python گران است و توسعه آن سخت است. پایتون منبع باز، مبتنی بر جامعه، قابل حمل، قدرتمند و قابل توسعه است. پایتون با رشته ها، فضاهای نام، کلاس ها و از لحاظ رابط کاربری گرافیکی نیز بهتر است. در حالی که MATLAB (همراه با Simulink) دارای کتابخانه های وسیع و سنگین است، پایتون در حال پیشرفت است، زیرا بسیاری از پروژه های علمی از آن استفاده می کنند. گفته می شود که متلب در مقیاس پذیری، ساختارهای پیچیده داده، مدیریت حافظه، وظایف سیستم و برنامه نویسی پایگاه داده ضعیف است.

پایتون برای مهندسان شیمی
MATLAB VS Python

با این حال، انتقاداتی نیز به پایتون وجود دارد. نحو آن سازگار نیست زیرا بسته های مختلف توسط افراد مختلف با نیازهای متفاوت نوشته می شود. برای مثال، دو حل کننده معادله دیفرانسیل معمولی (ODE) در SciPy (SciPy یک کتابخانه رایگان و منبع باز پایتون است که برای محاسبات علمی و محاسبات فنی استفاده می شود. این مجموعه ای از الگوریتم های ریاضی و توابع راحتی است که بر اساس پسوند NumPy پایتون ساخته شده است.)وجود دارد که از نحوهای ناسازگار استفاده می کنند. عملکردهای تکراری در بین بسته ها نیز ممکن است منجر به سردرگمی شود. MATLAB با رگرسیون داده ها، مسائل مقدار مرزی و معادلات دیفرانسیل جزئی (PDE) بهتر عمل می کند.

در سال 2014، کنراد هینسن اظهار داشت که ممکن است پایتون برای پروژه‌های مقیاس کوچک که کد یک بار نوشته می‌شود و پس از آن به ندرت حفظ می‌شود، مناسب نباشد. زمانی که کتابخانه‌های علمی پایتون با حذف کلاس‌ها، توابع و متدهای قدیمی‌تر به‌روز می‌شوند، این مشکل به وجود می‌آید.

اما بله، پایتون، حداقل در سناریوهای خاص، مناسب است.

پایتون برای محاسبات علمی مناسب است؟

پایتون فقط برای دستکاری اعداد مناسب نیست. این یک اکوسیستم محاسباتی ارائه می دهد که می تواند نیازهای یک دانشمند مدرن را برآورده کند.

پایتون با یکپارچه سازی سیستم به خوبی عمل می کند. تایپ اردکی یکی از جنبه هایی است که به کار علمی با مواردی مانند انواع داده، نمای حافظه، PyCapsule و آرایه NumPy کمک می کند.

یادگیری و استفاده از پایتون آسان است. یک نحو طبیعی را ارائه می دهد. این به محققان امکان می‌دهد به جای مبارزه با نحو زبان سطح پایین، ایده‌های خود را مستقیم‌تر بیان و بررسی کنند.

با پایتون، گلوگاه های عملکرد را می توان در سطح پایین بدون به خطر انداختن قابلیت استفاده در سطح بالا بهینه کرد. یک محقق باید ایده ها را به صورت تدریجی کشف و تجسم کند. پایتون این امکان را از طریق نوت بوک های IPython/Jupyter و matplotlib می دهد. انواع ابزار پایتون می توانند با هم کار کنند و داده ها را در یک محیط زمان اجرا بدون نیاز به تبادل داده ها تنها از طریق سیستم فایل به اشتراک بگذارند.

دینامیک سیالات محاسباتی با استفاده از پایتون: مدلسازی جریان آرام

پایتون برای مهندسان شیمی

برای مطالعه مقاله چند زبانه کردن وردپرس بر روی لینک کلیک کنید

طاها رنجبر

طاها رنجبر هستم متولد اردیبهشت 1378 شهر تبریز کارشناس ارشد مهندسی شیمی (درحال تحصیل) علاقه مند به زبان های برنامه نویسی

نوشته های مشابه

دیدگاهتان را بنویسید

دکمه بازگشت به بالا