Introduzione_Python
-
Upload
francesco-donato -
Category
Documents
-
view
214 -
download
0
Transcript of Introduzione_Python
-
7/23/2019 Introduzione_Python
1/25
Calcolo Numerico in Python
Fabio Marcuzzi, Maria Rosaria Russo
Dipartimento di Matematica Pura ed Applicata
Universita di PadovaItalyemail: [email protected], [email protected]
Versione 3.0
6 Giugno 2005
-
7/23/2019 Introduzione_Python
2/25
F.Marcuzzi - M.R.Russo
Contents
1 Introduzione 4
1.1 Sviluppo di programmi in Python . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Documentazione su Python . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Moduli aggiuntivi per il calcolo scientifico . . . . . . . . . . . . . . . . . . 5
2 Modalita di esecuzione dei programmi scritti in Python 6
2.1 Caricamento di Moduli aggiuntivi (import e reload) . . . . . . . . . . . . 6
2.2 Lavorare con la shell interattiva di Python . . . . . . . . . . . . . . . . . . 7
2.2.1 Ripetizione dei comandi . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 Interazione con le directories . . . . . . . . . . . . . . . . . . . . . . 7
2.2.3 Help in linea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3 Presentazione sintetica del Linguaggio 8
3.1 Tipi di dato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Istruzioni composte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.1 La decisioneif-then-else . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.2 Il ciclofor
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.3 Il ciclo while . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Funzioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4 I/O da file e da schermo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4.1 I/O da file . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4.2 I/O da schermo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.5 misura dei tempi di esecuzione . . . . . . . . . . . . . . . . . . . . . . . . . 13
4 Operazioni con Vettori e Matrici 144.1 Basic Linear Algebra Subroutines (BLAS) e progetto ATLAS . . . . . . . . 16
4.1.1 Operazioni di tipo BLAS 1 . . . . . . . . . . . . . . . . . . . . . . . 16
4.1.2 Operazioni di tipo BLAS 2 . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.3 Operazioni di tipo BLAS 3 . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Matrici Sparse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.1 Operazioni implementate in modo dedicato per il formato LL . . . . 18
4.2.2 Operazioni implementate in modo ottimizzato per il formato CSR
ed SSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2
-
7/23/2019 Introduzione_Python
3/25
Calcolo Numerico in Python
5 Creazione di Grafici 19
5.1 Grafici bi-dimensionali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.2 Grafici tri-dimensionali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.3 Immagini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6 Libreria di Algebra Lineare Numerica 22
6.1 Interfaccia di Numeric alla LAPACK . . . . . . . . . . . . . . . . . . . . . 22
6.2 Soluzione di sistemi lineari con matrice sparsa . . . . . . . . . . . . . . . . 22
7 Libreria per la soluzione di Equazioni Nonlineari 22
8 Libreria per lInterpolazione ed Approssimazione di funzioni e di dati 22
8.1 Interpolazione polinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
8.2 Approssimazione ai Minimi Quadrati Discreti . . . . . . . . . . . . . . . . 23
9 Libreria per lIntegrazione Numerica 24
10 Libreria per la soluzione di Problemi ai Valori Iniziali 24
11 Libreria per la soluzione di Problemi ai Limiti 24
12 Libreria per la Geometria Computazionale 24
13 Programmazione ad Oggetti in linguaggio Python 24
13.1 Classi e Oggetti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
13.1.1 Esempio: la classe Matrice . . . . . . . . . . . . . . . . . . . . . . . 25
3
-
7/23/2019 Introduzione_Python
4/25
F.Marcuzzi - M.R.Russo
1 Introduzione
Python e un linguaggio di scripting ad oggetti. Come proprieta fondamentale, consente
la tipizzazione dinamica (dynamic typing), cioe:
1. riconosce automaticamente oggetti quali numeri, stringhe, liste, ..., e quindi non
richiede di dichiararne il tipo e la dimensione prima dellutilizzo;
2. effettua in modo automatico lallocazione e la gestione della memoria.
Questa caratteristica, presente in ambienti come il Matlab, contribuisce in modo
sostanziale a velocizzare la prototipazione di algoritmi di calcolo numerico.
Python e disponibile al sito www.python.it (www.python.org e il sito internazionale).
La versione a cui facciamo qui riferimento e dalla 2.3.4 in poi (in questo momento la piu
recente e la 2.4.1 ).
1.1 Sviluppo di programmi in Python
Lesecuzione di programmi scritti in Python avviene tramite la sua shell interattiva, che
viene semplicemente invocata con il comandopython, sia in Linux che in DOS/Windows.
In generale, e utile dotarsi di unIDE (Integrated Development Environment, ovvero
un ambiente di sviluppo integrato). A questo proposito ci sono varie soluzioni. UnIDEdisponibile per Linux e Windows e Eclipse, per la quale e disponibile un plugin per
Python. Piu semplicemente:
per Linux e conveniente utilizzare IDLE, disponibile al sito
http://www.python.org/idle/ .
per Windows e conveniente utilizzare lIDE Pythonwin, disponibile al sito
http://starship.python.net/crew/mhammond/win32/ dentro alle Python for Win-
dows Extensions.
1.2 Documentazione su Python
Documentazione relativa a Python:
un tutorial per iniziare e disponibile al sito
http://www.python.it/doc/Easytut/easytut-it/index.html .
al sito http://www.python.it/ si trova una notevole quantita di informazioni in
generale sul linguaggio Python.
4
-
7/23/2019 Introduzione_Python
5/25
Calcolo Numerico in Python
1.3 Moduli aggiuntivi per il calcolo scientifico
Lutilizzo di Python per limplementazione di algoritmi numerici e possibile principal-
mente grazie alle sue estensioni, tra cui segnaliamo, in particolare:
Numeric (ci riferiamo alla versione 23.8 disponibile al sito
http://sourceforge.net/project/showfiles.php?group id=1369&package id=1351
): e lestensione che offre gli strumenti per lavorare con vettori e ma-
trici, di importanza fondamentale; documentazione ed informazioni
sono disponibili al sito http://numeric.scipy.org/ , in particolare
http://numeric.scipy.org/numpydoc/numdoc.htm .
SciPy ( ci riferiamo alla versione disponibile al sito http://www.scipy.org/ ): e
unestensione che offre vari strumenti di calcolo scientifico; si appoggia a Numeric.
PySparse ( ci riferiamo alla versione disponibile al sito
http://pysparse.sourceforge.net/ ): e lestensione che offre limplementazione
per Python delle matrici sparse, e di alcuni algoritmi per la risoluzione di sistemi
lineari sparsi; si appoggia a Numeric.
Pygist ( ci riferiamo alla versione disponibile al sito http://bonsai.ims.u-
tokyo.ac.jp/%7Emdehoon/software/python/pygist.html ): e lestensione
che offre gli strumenti per creare grafici 2D (ed anche 3D);
il manuale online e disponibile al sito http://bonsai.ims.u-
tokyo.ac.jp/%7Emdehoon/software/python/pygist html/pygist.html .
Gnuplot-py ( ci riferiamo alla versione disponibile al sito http://gnuplot-
py.sourceforge.net/ ): e unestensione alternativa a Pygist, che interfaccia Python
al popolare Gnuplot.
Gmsh( ci riferiamo alla versione disponibile al sito http://www.geuz.org/gmsh/ ):
e unestensione per la creazione di griglie 1,2,3-dimensionali irregolari (adatte ad es.
alla simulazione mediante il Metodo degli Elementi Finiti).
5
-
7/23/2019 Introduzione_Python
6/25
F.Marcuzzi - M.R.Russo
Parte I Programmazione
2 Modalita di esecuzione dei programmi scritti in Python
Ci sono due modalita principali per avviare un programma, scritto in linguaggio Python,
dal prompt della shell di Linux:
1. impartire il seguente comando (esegue il programma e ritorna alla shell di Linux):
python .py
2. invocare lambiente basilare di sviluppo IDLE e poi lanciare il programma:
idle
(viene aperta la finestra di IDLE)
selezionare File>Opene poi selezionare il file contenente il programma;
(viene aperta la finestra delleditor con il file selezionato)
sulla finestra delleditor con il programma da avviare, selezionare Run
>RunModule
(sulla shell di IDLE appaiono i risultati dellesecuzione e rimangono disponi-
bili).
2.1 Caricamento di Moduli aggiuntivi (import e reload)
In entrambe le modalita di avvio di un programma, precedentemente citate, lambiente di
esecuzione viene inizializzato in modo minimale: tutti i moduli built-in e standard sono
disponibili, ma non sono stati inizializzati, con leccezione disys (vari servizi di sistema),
builtin (funzioni built-in, eccezioni e None) e main .
Di conseguenza, prima di eseguire una funzione e necessario verificare di aver importato
(mediante listruzione import) ilmodulo che la contiene.
Nota bene: la chiamata della funzione varia a seconda di come si e importato il modulo.
Ad esempio, per chiamare la generica funzione ()del generico modulo
, e possibile agire in uno dei seguenti modi:
caricamento di un modulo mantenendone il nome:
import
chiamata: .()
6
-
7/23/2019 Introduzione_Python
7/25
Calcolo Numerico in Python
caricamento di un modulo nascondendone il nome:
from import *
chiamata: ()
caricamento di alcune funzioni di un modulo, nascondendone il nome:
from import [, , ...]
chiamata: ()
Per vedere i comandi disponibili nei moduli standard e possibile accedere al sito ufficiale
http://www.python.org/doc/current/lib/lib.html .
Se un modulo gia importato e stato successivamente modificato, e necessario caricarlonuovamente nellambiente. In questo caso, pero, listruzione importnon farebbe nulla (in
quanto il modulo e gia stato importato), mentre e necessario utilizzare listruzionereload:
reload() .
2.2 Lavorare con la shell interattiva di Python
Dalla shell interattiva di Python e possibile impartire qualunque istruzione eseguibile
dallinterprete Python. Quindi: le istruzioni dei programmi possono essere singolarmente
provate sulla shell (ad es. per verificarne lesecuzione). Un intero programma pero non va
scaricato direttamente sulla shell (es. mediante cut-and-paste), ma salvato su un file di
testo ed eseguito come script.
2.2.1 Ripetizione dei comandi
E utile ricordare che unistruzione precedentemente impartita alla shell di Python, nella
sessione corrente, puo essere facilmente richiamata:
con IDLE (Linux): muovendosi con le combinazioni di tasti e nellelenco storico progressivo memorizzato dallambiente;
con la shell interattiva (Linux) o con pythonWin (Windows): muovendosi con le
combinazioni di tasti e nellelenco storico
progressivo memorizzato dallambiente .
Questa funzione e analoga a quella ottenuta in Matlab cone )
.
2.2.2 Interazione con le directories
E necessario che il modulo os(funzioni del sistema operativo) venga prima importato:
import os
7
-
7/23/2019 Introduzione_Python
8/25
F.Marcuzzi - M.R.Russo
Nome della directory corrente:
os.getcwd()
Cambio della directory corrente:
os.chdir() # passa alla directory figlia specificata
os.chdir(..) # passa alla directory padre
os.chdir() # passa alla directory specificata
Elenco del contenuto di una directory:
os.listdir(.) # mostra la directory corrente
os.listdir(..) # mostra la directory padre
os.listdir() # mostra la directory figlia specificataos.listdir() # mostra la directory specificata
Creazione di una directory:
os.mkdir() # crea la directory figlia specificata
os.mkdir() # crea la directory specificata
2.2.3 Help in linea
Si utilizza il comando help, che fornisce informazioni testuali su:
un modulo intero:
help()
una funzione di un modulo:
help(.)
Nota: la funzione help() richiede che il modulo sia gia stato importato.
3 Presentazione sintetica del Linguaggio
3.1 Tipi di dato
string:s = "Ciao" # creazione di una stringa
print len(s) # lunghezza in caratteri di una stringa
>>> 4
print s[0:2] # estrazione di una sotto-stringa
8
-
7/23/2019 Introduzione_Python
9/25
Calcolo Numerico in Python
>>> Ci # NB: s[da,a] considera gli indici da "da" fino ad "a-1"
# ripetizione di una stringa:
s = "Ciao"
print s * 3>>> CiaoCiaoCiao
# concatenazione di due o piu stringhe:
s1 = "Ciao"
s2 = "Mondo"
print s1 + " " + s2
>>> Ciao Mondo
int: Python supporta i numeri interi a 32 bit, rappresentati mediante la notazione
complemento a 2.
double: Python supporta i numeri in virgola mobile in doppia precisione (la singola
precisione non e prevista).
ATTENZIONE: se si scrive una costante senza il punto (.) viene rappresentata
come numero intero. Ad esempio, 1 e un int, mentre 1. e un double, per cui si
ha:
>>> 1/2
0
>>> 1./2
0.5>>> 1/2.
0.5
# arrotondamenti:
y = ceil(x) # "y" e il double pari al piu piccolo intero >= x
y = floor(x) # "y" e il double pari al piu piccolo intero
-
7/23/2019 Introduzione_Python
10/25
F.Marcuzzi - M.R.Russo
listino[2] = 3 # imposta a 3 lelemento di indice 2
del listino[2] # cancella lelemento di indice 2
len(listino) # restituisce la lunghezza della lista
"vino" in listino # e true se "vino" e un elemento della lista"vino" not in listino # e vero se "vino" non e un elemento della lista
list.sort() # ordina la lista
list.index("acqua") # restituisce lindice dove viene trovata la
# prima occorrenza di "acqua"
list.append("vino") # aggiunge lelemento "vino" alla fine della lista
3.2 Istruzioni composte
3.2.1 La decisione if-then-else
Permette di esprimere unalternativa in base ad una condizione da testare durante
lesecuzione del programma :
if :
else:
#end
Dal punto di vista del calcolo numerico, questo e un costrutto poco favorevole poiche, in
generale:
nella valutazione della condizione non vengono eseguiti propriamente dei conti;
non favorisce la creazione di un flusso omogeneo di calcoli (condizione ideale per
ottenere una buona velocita di esecuzione nelle macchine di calcolo moderne).
Dunque, esso va messo in un algoritmo solo se strettamente necessario e preferibilmente
non allinterno di un ciclo.
3.2.2 Il ciclo for
Permette di ripetere un certo insieme di istruzioni per un numero prefissato di iterazioni
:
for in :
#end
10
-
7/23/2019 Introduzione_Python
11/25
Calcolo Numerico in Python
Il puo essere espresso mediante una listaoppure un array (Nu-
meric.array), eassume al passo i-esimo il valore della sua i-esima componente
. Esempi:
1. for i in range(1,2000,10), che significa i parte da 1, si incrementa con
passo 10 ed il ciclo si arresta quando i >= 2000 (in linguaggio C, sarebbe
for (i=1; i
-
7/23/2019 Introduzione_Python
12/25
F.Marcuzzi - M.R.Russo
Lidentificativodef(abbreviazione di define, definisci) inizializza la definizione di una
funzione. La presenza di parametri nella definizione di una funzione e opzionale, cioe si
puo definire una funzione che non riceve alcun parametro in ingresso.
Le istruzioni dopo il : vengono eseguite ogni volta che la funzione viene chiamata dal
programma e sono indentate rispetto a def. Quando lindentazione torna al livello della
funzione o quando incontra listruzione return (che e quindi opzionale), la funzione ter-
mina.
Le variabili passate come argomenti dal programma chiamante non vengono modificate
dalla funzione (chiamata per valore).
Le funzioni permettono alle variabili locali di esistere solo ed unicamente allinterno della
funzione stessa, e di nascondere alle istruzioni di questa le altre variabili definite allesterno
della funzione.
3.4 I/O da file e da schermo
3.4.1 I/O da file
Scrittura di un file di testo:
out_file = open("prova.txt","w") # apertura del file in scrittura ("w")
out_file.write("Prima riga di testo\nSeconda riga di testo\n...\n")
# scrittura del file: "\n" manda a capo sulla riga successiva
out_file.close() # chiusura del file
Lettura di un file di testo in una sola operazione:
in_file = open("prova.txt","r") # apertura del file in lettura ("r")
testo = in_file.read() # lettura del file e memorizzazione
# nella variabile string testo
in_file.close() # chiusura del file
Lettura di un file di testo riga-per-riga:
in_file = open("prova.txt","r") # apertura del file in lettura ("r")
riga = in_file.read() # lettura del file
while len(riga) > 0: # la funzione readline() ritorna una stringa vuota
# quando viene raggiunta la fine del file.
riga = in_file.read() # leggo la prossima riga del file di testo
#end
in_file.close() # chiusura del file
Nota: lestensione del file puo essere qualunque, e non necessariamente txt.
12
-
7/23/2019 Introduzione_Python
13/25
Calcolo Numerico in Python
3.4.2 I/O da schermo
stampa su schermo:
print "2 + 2 = ", 2+2> > > 2 + 2 = 4
richiesta di un numero da tastiera:
num = input("scrivi un numero:")
richiesta di una stringa da tastiera:
str = raw_input("scrivi una stringa:")
3.5 misura dei tempi di esecuzione
E necessario che il modulo timevenga prima importato:
import time
dopodiche listante attuale, misurato in secondi, viene preferibilmente fornito dalla
funzione:
in Linux:
istante_1 = time.time() # listante attuale viene memorizzato
# nella variabile "istante_1"
in Windows:
istante_1 = time.clock() # listante attuale viene memorizzato
# nella variabile "istante_1"
Quindi, e molto semplice misurare lintervallo di tempo necessario allesecuzione di un
insieme di istruzioni (al limite un intero programma): basta calcolare la differenza tra
finale ed istante iniziale.
Attenzione, pero: il programma scritto in Python non viene compilato in linguaggio
macchina (come avviene per i programmi scritti in linguaggio C/C++ o in Fortran),
bensi compilato in bytecode (analogamente a quanto avviene in Java) e questo poi viene
interpretato ed eseguito. Questo significa che:
13
-
7/23/2019 Introduzione_Python
14/25
F.Marcuzzi - M.R.Russo
1. il tempo di esecuzione, misurato da time.clock(), puo essere in gran parte
dovuto ad operazioni esterne allalgoritmo di calcolo numerico in esecuzione, e
che quindi prendere il tempo di esecuzione come tempo di calcolo pu o risultare
unapprossimazion alquanto grossolana;
2. lo stile di programmazione incide sul tempo di esecuzione molto di piu di quanto
avvenga con i linguaggi compilati (es. C/C++ e Fortran); e necessario dunque fare
la dovuta attenzione. Ad esempio, evitare il piu possibile di fare cicli (for oppure
while) innestati.
4 Operazioni con Vettori e Matrici
Lelaborazione di vettori e matrici non puo essere fatta con gli strumenti base di Python,
ad es.listee ciclifor, in quanto risulterebbe assai lenta se confrontata con implementazioniin linguaggio C o Fortran. Per questo motivo e stata sviluppata lestensioneNumeric, detta
anche NumPy, che consente di eseguire operazioni su vettori e matrici con unefficienza
paragonabile a quella che si ha con i linguaggi compilati (ad es. C e Fortran, appunto).
La documentazione HTML relativa allestensione Numericpuo essere trovata al sito:
Vediamo una sintesi delle operazioni principali:
from Numeric import * # caricamento del modulo Numeric
Creazione di Vettori e Matrici:
v = zeros(n) # crea un vettore "v" di "n" componenti# di tipo int e di valore zero
v = zeros(n, Double) # crea un vettore "v" di "n" componenti
# di tipo complex e di valore 0+j0
v = zeros(n, double) # crea un vettore "v" di "n" componenti
# di tipo double e di valore zero
v = ones(n, double) # crea un vettore "v" di "n" componenti
# di tipo double e di valore zero
M = zeros((m,n), double) # crea una matrice "M" di "m" righe ed "n" colonne,
# di tipo double e di valore uno
M = ones((m,n), double) # crea una matrice "M" di "m" righe ed "n" colonne,
# di tipo double e di valore uno
v = arrayrange(a, b, delta, double) # crea il vettore di double:
# (a, a+delta, ..., max(a+x*delta < b))
v = arange(a, b, delta, double) # arange e sinonimo di arrayrange
Nota: il tipo doublecorrisponde al numero in virgola mobile in doppia precisione
(ildoubledel linguaggio C).
Conversione da/in liste:
pl = [1.1, -0.9, 5, 23]; v = array(pl) # crea il vettore "v" dalla lista "pl"
r1 = [1.1, -0.9, 5]; r2 = [-3.1, 5, 2.1]; M = array([r1, r2]) # crea "M"
14
-
7/23/2019 Introduzione_Python
15/25
Calcolo Numerico in Python
Interazione con la dimensionalita di Vettori e Matrici:
v = array([2, 0, 3.1, 0.1, 6, 13])
v.shape # restituisce una tupla con la lunghezza di ogni dimensione di "v"
v.shape = (2,3) # trasforma "v" in una matrice 2x3v = transpose(v) # assegna a v (che adesso e una matrice) la sua trasposta
size(v) # restituisce il numero totale di elementi di "v"
v.shape = (size(v),) # trasforma "v" nuovamente in un vettore di 6 elementi
len(v) # restituisce la lunghezza della prima dimensione di "v"
Indicizzazione di Vettori e Matrici:
v = arange(-1, 0.25, 3.1) #
v[-1] = v[0] # setta lultimo elemento al valore del primo
v[2:5] = 0.28 # setta v[2], v[3] e v[4] al valore 0.28
M = array([[-1, 0.25, 3.1],[0.1, 0.3, -0.55]]) #print M[0,1] # stampa il valore dellelemento di indici 0,1
M[r,c] = 9.77 # assegna lelemento di indici r,c al valore 9.77
print M[:,1] # stampa la seconda colonna di M
M[:,:] = 1.1 # assegna tutti gli elementi di M al valore 1.1
b = M[:,2] # NB:crea un riferimento alla terza colonna di M,
# non una copia !
# Quindi, modificando b si modifica anche M e viceversa
b = M[:,2].copy() # NB: crea una copia della terza colonna di M
Calcoli con Vettori e Matrici:NB: fare cicli (for o while) sugli elementi di un vettore o di una matrice dovrebbe
essere evitato, per non rallentare troppo lesecuzione. E consigliabile utilizzare il
piu possibile le molte operazioni vettoriali e matriciali implementate in Numeric,
presentate qui nel seguito.
b = v*5.5 - 1.0 # crea il vettore b in cui ogni componente e pari alla
# corrispondente nel vettore v, moltiplicata per 5.5
# e a cui viene sottratto il valore 1.0
# operatori aritmetici vettoriali "sul posto" (analogo per le matrici):
v *= 1.155 # moltiplica per 1.155 ogni componente di v
v -= 0.1 # sottrae 0.1 ad ogni componente di vv /= 1.44 # divide per 1.44 ogni componente di v
v += 3.1 # somma 3.1 ad ogni componente di v
v **= 2 # eleva alla potenza 2 ogni componente di v
# le funzioni trigonometriche,... sono applicabili a vettori e matrici:
v = cos(v) # ogni componente di v viene sostituita dal suo coseno
b = sin(v) # crea il vettore b in cui ogni componente e pari al
# seno della componente corrispondente del vettore v
b = log(v) # (idem)... logaritmo naturale
b = exp(v) # (idem)... esponenziale
b = sqrt(v) # (idem)... radice quadrata
15
-
7/23/2019 Introduzione_Python
16/25
F.Marcuzzi - M.R.Russo
Nota: lestensione Numeric dispone anche di un modulo, MLab.py, che implementa
una serie di funzioni con una sintassi compatibile con Matlab (cfr. la documen-
tazione di Numeric) :
from MLab import *v = rand(n) # creazione di un vettore random di lunghezza "n"
M = rand(m,n) # creazione di una matrice random di lunghezza "mxn"
L = tril(M) # crea la matrice "L" con la parte triangolare inferiore di "M"
U = triu(M) # crea la matrice "U" con la parte triangolare superiore di "M"
Verifica e modifica del tipo di dato:
v = array([1.2, 3.3, 2])
isinstance(v, ArrayType) # dice se v e un oggetto di tipo array
print v.typecode() # restituisce:
# d per double
# D per complex
# i per int
# conversione di formato:
v = v.astype(int) # converte v in formato int per troncamento
v.astype(int) # restituisce una copia di v convertita in int
4.1 Basic Linear Algebra Subroutines (BLAS) e progetto ATLAS
4.1.1 Operazioni di tipo BLAS 1
prodotto interno (o prodotto scalare) tra due vettori v (riga) e w (colonna) di
lunghezza n:
c = innerproduct(v, w)
dove c risulta essere uno scalare, pari a:
c = v[0]*w[0] + ... + v[n-1]*w[n-1]
somma dei vettori v e w, di lunghezza n, scalati di alpha e beta:b = alpha*v + beta*w
dove brisulta essere un vettore, di lunghezza n, il cui i-esimo componente e pari a:
b[i] = alpha*v[i] + beta*w[i]
prodotto per componentidei vettori v e w, di lunghezza n:
b = v * w
dove brisulta essere un vettore, di lunghezza n, il cui i-esimo componente e pari a:
b[i] = v[i] * w[i]
16
-
7/23/2019 Introduzione_Python
17/25
Calcolo Numerico in Python
4.1.2 Operazioni di tipo BLAS 2
prodotto esterno tra due vettori v(colonna) e w(riga), di lunghezza n:
C = outerproduct(v, w)
dove C risulta essere una matrice, di dimensione n n, la cui componente di
posizione (i, j) e pari a:
C[i,j] = v[i]*w[j]
prodotto matrice-vettore (matrice A di dimensione n n e vettore colonna v di
lunghezza no matrice di dimensione n 1 ):
b = matrixmultiply(A, v)
dove brisulta essere un vettore, di lunghezza n, il cui i-esimo componente e pari a:
b[i] = A[i,0]*v[0] + A[i,1]*v[1] + ... + A[i,n-1]*v[n-1]
prodotto di matrici (di dimensione n n) per componenti:
C = A * B
dove C risulta essere una matrice, di dimensione n n, la cui componente di
posizione (i, j) e pari a:
C[i,j] = A[i,j]*B[i,j]
4.1.3 Operazioni di tipo BLAS 3
prodotto di matrici (di dimensione n n):
C = matrixmultiply(A, B)
dove C risulta essere una matrice, di dimensione n n, la cui componente di
posizione (i, j) e pari al prodotto interno della riga i-esima di A per la colonna
j-esima di B :
C[i,j] = A[i,0]*B[0,j] + A[i,1]*B[1,j] + ... + A[i,n-1]*B[n-1,j]
4.2 Matrici Sparse
La matrice sparsa non e ovviamente un tipo di dato standard del linguaggio Python. La
troviamo nellestensionePySparse, in tre formati differenti. Il primo,LL, e piu versatile nel
creare e manipolare la matrice sparsa, mentre gli altri due,Compressed Sparse Row(CSR)
e Sparse Symmetric Skyline (SSS), sono piu efficienti nelleseguire con essa operazioni di
tipo BLAS2 o BLAS3. E preferibile dunque convertire la matrice in un formato efficiente
prima di eseguire tali operazioni. A questo scopo sono disponibili le funzioni opportune.
NB: ricordiamo che in una matrice sparsa ci sono in genere molte componenti non im-
plementate, e trattate comezeri, e relativamente poche componenti implementate, dette
nonzeri. Le prime sono zeri strutturali, le seconde sono valori in generale diversi da zero
ma che possono anche essere uguali a zero (zeri accidentali). La disposizione deinonzerisi
17
-
7/23/2019 Introduzione_Python
18/25
F.Marcuzzi - M.R.Russo
dice anchestruttura di sparsitadella matrice. Il rapporto tra numero di nonzerie numero
totale di componenti e detto indice di densita, ed e compreso nellintervallo [0, 1]. Una
matrice con indice di densita pari a 1 si dice densa.
Vediamo una sintesi delle operazioni principali:
from spmatrix import * # caricamento del modulo spmatrix
# dellestensione PySparse
from spmatrix_util import * # caricamento del modulo spmatrix_util
# dellestensione PySparse
Creazione di Matrici Sparse (in formato LL):
M = ll_mat(nrighe, ncol) # ogni componente e di tipo double
M = ll_mat(nrighe, ncol, nnz) # cosi viene inizialmente allocato spazio# per nnz componenti (di default sono 1000)
M.shape # restituisce una tupla con la lunghezza di ogni dimensione di "v"
M.nnz # questo attributo contiene il numero di nonzeri:
0 # appena creata, una matrice sparsa non ha nonzeri
float(M.nnz)/(M.shape[0]*M.shape[1]) # indice di densita di M
M = ll_mat_rand(nrighe, ncol, ids) # genera una matrice sparsa e la inizializza
# con valori random e posizione casuale dei
# nonzeri scelta in modo che lindice di
# densita risultante sia minore o uguale
# a ids. I valori stanno in [0.0, 1.0)B = M.copy() # crea una copia di M
Conversione di formato:
M.to_csr() # conversione di M al formato CSR
M.to_sss() # conversione di M al formato SSS
Indicizzazione di Vettori e Matrici:
laccesso e la modifica di singole componenti della matrice sono disponibili in tutti
e tre i formati, ed hanno modalita analoghe a quelle viste per gli array di Numeric(PySparse e costruita sopra Numeric):
print M[0,1] # stampa il valore dellelemento di indici 0,1
M[r,c] = 9.77 # assegna lelemento di indici r,c al valore 9.77
4.2.1 Operazioni implementate in modo dedicato per il formato LL
prodotto matrice-vettore (matrice A di dimensione n n e vettore colonna v di
lunghezza n):
b = matvec(A, v) # equivale a "b = A * v"
b = matvec_transp(A, v) # equivale a "b = transpose(A) * v"
18
-
7/23/2019 Introduzione_Python
19/25
Calcolo Numerico in Python
dove brisulta essere un vettore, di lunghezza n, il cui i-esimo componente e pari a:
b[i] = A[i,0]*v[0] + A[i,1]*v[1] + ... + A[i,n-1]*v[n-1]
copia:
W = M.copy() # crea una copia di "M" e "W" ne e il riferimento
calcolo della norma:
M.norm(p) # "p" \e una stringa; valori possibili: 1,2,...,inf,fro
4.2.2 Operazioni implementate in modo ottimizzato per il formato CSR ed SSS
prodotto matrice-vettore (matrice A di dimensione n n e vettore colonna v dilunghezza n):
b = matvec(A, v) # equivale a "b = A * v"
b = matvec_transp(A, v) # equivale a "b = transpose(A) * v"
dove brisulta essere un vettore, di lunghezza n, il cui i-esimo componente e pari a:
b[i] = A[i,0]*v[0] + A[i,1]*v[1] + ... + A[i,n-1]*v[n-1]
5 Creazione di Grafici
Utilizziamo il modulo gplt facente parte dellestensione SciPy. Esso si appoggia a Gnu-
plot.
import scipy # caricamento del modulo scipy
from scipy import gplt # caricamento del modulo gplt
from Numeric import * # caricamento del modulo Numeric
5.1 Grafici bi-dimensionali
# caso generale: gplt.plot(x1,y1,format_string1, x2,y2,format_string2, ...)
# in cui tutti gli argomenti tranne y1 sono opzionali# e dove:
# xi e un array o una lista di ascisse (i=1,2,...)
# yi e un array o una lista di ordinate (i=1,2,...)
# format_string1,...2,... sono stringhe di formattazione
# che seguono lo stile di Gnuplot:
# title \\ with , dove
# puo essere un mnemonico che per il vettore,
# ad esempio dati misurati, oppure notitle;
# puo essere lines (linea continua), points
# (punti singoli), linespoints, impulses,
19
-
7/23/2019 Introduzione_Python
20/25
F.Marcuzzi - M.R.Russo
# dots, steps, fsteps, histeps, ...
# es. notitle with lines
# esempi:
gplt.plot((1,2,3)) # grafica una lista di valori in funzione dellindice,# interpolandoli linearmente
gplt.plot([1,5,3]) # come sopra, con una lista
gplt.plot(array([1,2,3,5])) # come sopra, con un array
# caso completo:
x = arange(0.0, 1.0, 0.05) # scelgo un insieme di valori per le ascisse
y = x**3 # scelgo un insieme di valori per le ordinate
gplt.plot(x,y) # stampa per punti linearmente interpolati il grafico
# di y in funzione di x
gplt.title(grafico di funzione cubica)
gplt.xtitle(ascisse) # stampa letichetta ascisse sullasse delle ascisse
gplt.ytitle(ordinate) # stampa letichetta ordinate sullasse delle ordinate
gplt.autoscale() # fa lo scalamento automatico del grafico
gplt.text((x,y),string) # stampa la stringa string alle coordinate x,y
gplt.legend() # crea la legenda del grafico
gplt.hold(on) # i prossimi comandi plot vengono sovrapposti al
# grafico attuale
gplt.hold(off) # il prossimo comando plot sovrascrive il
# grafico attuale
Nota: quando si usa gplt.hold(on) ricordarsi poi di mettere gplt.hold(off) alla
fine, altrimenti ad ogni esecuzione successiva si accumulano i grafici delle precedenti
esecuzioni, inutilmente.
gplt.xaxis((min,max)) # visualizza lintervallo dellasse x tra min e max
gplt.yaxis((min,max)) # visualizza lintervallo dellasse y tra min e max
gplt.grid(on) # visualizza una griglia cartesiana
gplt.grid(off) # nasconde la griglia
gplt.logx(on) # imposta la scala logaritmica sullasse x
gplt.logx(off) # toglie la scala logaritmica sullasse x
# (ripristina la scala naturale)
gplt.logy(on) # imposta la scala logaritmica sullasse ygplt.logy(off) # toglie la scala logaritmica sullasse y
# (ripristina la scala naturale)
gplt.close() # chiude il grafico corrente e distrugge la finestra corrispondente
5.2 Grafici tri-dimensionali
Per fare il grafico di una superficie, in 3D, definita per punti interpolati linearmente, si
usa la funzione
# Per fare il grafico di una superficie in 3D definita da un insieme di
20
-
7/23/2019 Introduzione_Python
21/25
Calcolo Numerico in Python
# punti interpolati linearmente:
gplt.surf(x,y,z)
# in cui tutti gli argomenti tranne z sono opzionali
# e dove:# x e un array o una lista di ascisse (i=1,2,...)
# y e un array o una lista di ordinate (i=1,2,...)
# z e una matrice di valori il cui elemento generico
# z[i,j] e relativo alle coordinate x[i] e y[j]
gplt.zaxis((min,max)) # visualizza lintervallo dellasse z tra min e max
gplt.hidden(remove)
gplt.view(x_rotation, z_rotation, scale, z_scale) # uso:
# gli angoli sono espressi in gradi .
gplt.view("default") # "default" corrisponde a:
# x_rotation=60, z_rotation=30, scale=1, z_scale=1
gplt.text(x,y,z,string) # stampa la stringa string alle coordinate x,y,z
# esempio:
x=(arange(50.)-25)/2.
y=(arange(50.)-25)/2.
r = sqrt(x[:,NewAxis]**2+y**2)
z = scipy.special.j0(r)
gplt.surf(x,y,z)
#
# per fare il grafico di un insieme di punti in 3-D:
#
from RandomArray import normal
points = normal(0,1.,(500,3))
gplt.plot3d(points,notitle with points)
points = normal(2,1.,(500,3))
gplt.hold(on)
gplt.plot3d(points,notitle with points)
gplt.ticlevel(0)
5.3 Immagini
21
-
7/23/2019 Introduzione_Python
22/25
F.Marcuzzi - M.R.Russo
Parte II Librerie
6 Libreria di Algebra Lineare Numerica
6.1 Interfaccia di Numeric alla LAPACK
from Numeric import * # caricamento del modulo principale dellestensione Nu
from LinearAlgebra import * # caricamento del modulo LinearAlgebra di Numeri
soluzione di un sistema di equazioni lineari rappresentato mediante una matrice A
di dimensionen ne vettore colonna v di lunghezza n:x = solve_linear_equations(A, b) # "x" e un vettore colonna di lunghezza "n"
soluzione di un sistema di equazioni lineari con un membro destro multiplo, ovvero
di p sistemi di equazioni lineari aventi la stessa matrice di coefficienti e differenti
vettori di coefficienti a membro destro, rappresentati mediante una matrice A di
dimensioni n ned una matrice B di dimensioni n p:
X = solve_linear_equations(A, B) # "X" e una una matrice di dimensioni "n x p"
6.2 Soluzione di sistemi lineari con matrice sparsa
Lestensione PySparse (vedi documentazione) contiene moduli che implementano metodi
diretti e metodi iterativi:
superlu contiene funzioni per il pre-ordinamento di matrici sparse, per la fattoriz-
zazione LU e per la conseguente soluzione del sistema lineare;
itsolvers contiene funzioni per la soluzione di sistemi lineari mediante metodi
iterativi, ad es. lalgoritmo del Gradiente Coniugato Precondizionato.
7 Libreria per la soluzione di Equazioni Nonlineari
8 Libreria per lInterpolazione ed Approssimazione di funzioni
e di dati
import scipy # caricamento del modulo scipy
from Numeric import * # caricamento del modulo Numeric
22
-
7/23/2019 Introduzione_Python
23/25
Calcolo Numerico in Python
8.1 Interpolazione polinomiale
Utilizziamo il modulo interpolate facente parte dellestensione SciPy.
from scipy import interpolate # carica il modulo interpolate
# definizione di un polinomio:
p = poly1d([1,3,4]) # definisce il polinomio: x^2 + 3*x + 4
# derivata di un polinomio:
d = p.deriv() # "d" e il polinomio uguale alla derivata di "p"
# valutazione di un polinomio:
x = [1.2,3.55,7.0,14.9] # insieme di valori
y = p(x) # "y" e il vettore di valori che assume "p" nei punti "x"
# interpolazione lineare a tratti di una funzione uni-variata:
x = [1,2,3,4,5]
y = [2.1,3.0,6.1,2.5,6.99]
f = interpolate.interp1d(x,y)
xnew=[1,1.5,2,2.5]
gplt.plot(xnew,f(xnew))
# interpolazione di una funzione uni-variata mediante splines cubiche:
x = [1,2,3,4,5]
y = [2.1,3.0,6.1,2.5,6.99]
s1 = interpolate.splrep(x,y,s=0.0)
xnew=[1,1.5,2,2.5]
ys1 = interpolate.splev(xnew,s1,der=0)
gplt.plot(xnew,ys1)
8.2 Approssimazione ai Minimi Quadrati Discreti
Utilizziamo il modulo optimize facente parte dellestensione SciPy.
from scipy import optimize # carica il modulo optimize
Lapprossimazione ai minimi quadrati, cioe la soluzione la soluzione x al problema
min f(x)22, si ottiene chiamando la funzione leastsq(...) (vedere istruzioni con
help(optimize.leastsq)).
La funzione f(x) puo anche essere lineare, ad esempio f(x) =Axb, con matrice Adi
dimensione m ne vettori colonna xdi lunghezza n e bdi lunghezza m.
23
-
7/23/2019 Introduzione_Python
24/25
F.Marcuzzi - M.R.Russo
9 Libreria per lIntegrazione Numerica
10 Libreria per la soluzione di Problemi ai Valori Iniziali
11 Libreria per la soluzione di Problemi ai Limiti
12 Libreria per la Geometria Computazionale
13 Programmazione ad Oggetti in linguaggio Python
13.1 Classi e Oggetti
Implementazione della classe:
definizione di una classe: class < nome classe >:. Nelle righe successive, vengono
dichiarate le variabili ed i metodi della classe, indentandole.
definizione di una classe derivata: class < nome classe > ( < classe padre > ):. Nel caso in cui un metodo non sia presente, viene cercato ricorsivamente nella
gerarchia delle classi padre; questo avviene anche per il costruttore.
definizione del costruttore: def init (self , < argomenti >) :
definizione del distruttore: def del (self , < argomenti > ) : . Lo si usa cos:
del< nomeistanza > .
definizione di un metodo: def< nome metodo >(self , < argomenti > ) :
definizione di una variabile: self.< nome variabile > = < valore >
Nota: self e il riferimento allistanza (oggetto) che sta chiamando il metodo della classe.
Nota: i metodi di una classe si comportano come una normale funzione Python; e possibile
assegnare valori di default nel seguente modo: < argomento >=< valore di default >.
Utilizzo della classe:
creazione di unistanza della classe: < variabile >= < nome classe >()
accesso ai suoi metodi : < nome istanza >.< nome metodo >( < argomenti > )
oppure < nome classe >.< nome metodo >( < nome istanza > , < argomenti >
)
accesso alle sue variabili : < nome istanza >.< nome variabile >
Ispezione di classi e oggetti:
la funzione (built-in) type(< nome >) ci dice se nomeeclass oppure instance.
24
-
7/23/2019 Introduzione_Python
25/25
Calcolo Numerico in Python
la funzione (built-in) dir( < nome > ) ritorna una lista dei nomi delle proprieta e
dei metodi, se nome e una classe, ed una lista dei nomi delle variabili, se nome e
unistanza.
la proprieta bases di una classe, contiene la lista dei nomi delle classi da cui
questa e derivata.
la proprieta dict di unistanza, contiene la lista delle coppie < nome >: relative alle sue variabili interne.
la proprieta class di unistanza, contiene il nome della classe che lha generata.
13.1.1 Esempio: la classe Matrice