5 Librerías python que te salvarán de la muerte matemática

imagen / Joey Yee
  
30 de Agosto de 2017   0  

Introducción:

En este artículo te presentaré 5 librerías de python que nos ayudarán a resolver nuestros problemas de matemáticas.

En ocasiones nos encontraremos con problemas matemáticos que se nos harán difíciles de resolver, así que, porqué no crear programas con matemáticas que resuelvan nuestros problemas de matemáticas, algo así como "Fuego contra Fuego", aunque crear esta clase de programas tambien se nos podran dificultar algunas cosas, para eso hay una gran variedad de librerías para python que resuelven un monto de problemas matemáticos, así que para facilitarte las cosas y permitirle a python que haga tu tarea por ti, hoy te presentaré "5 Librerías de python que te salvaran de la muerte matemática".

 

#1 SymPy (http://www.sympy.org/es/index.html):

SymPy es una biblioteca de Python para matemáticas simbólicas. Su objetivo es convertirse en un completo sistema de álgebra computarizada (CAS), manteniendo el código lo más simple posible para ser comprensible y fácilmente extensible. SymPy está escrito enteramente en Python.

Algunas de las características que nos ofrece SymPy son: Resolución de ecuaciones, Polinomios, Cálculo, Estadística, Álgebra geométrica, Matemática Discreta, entre otros. Puedes ver todas sus características con su documentación correspondiente visitando el siguiente link: http://www.sympy.org/es/features.html.

En mi opinión SymPy es una librería muy potente, como ya dije, SymPy es una librería para matemáticas simbólicas, esto significa que nos da la oportunidad de resolver ecuaciones, Polinomios y más, una librería que no te puede faltar.

 

#2 Pandas (http://pandas.pydata.org/):

Pandas es una biblioteca de código abierto que proporciona estructuras de datos de alto rendimiento y fácil de usar y herramientas de análisis de datos para el lenguaje de programación Python. Su objetivo es ser el bloque fundamental de alto nivel para realizar análisis prácticos de datos en el mundo real en Python.

Puedes ver la documentación de Pandas ingresando al siguiente link: http://pandas.pydata.org/pandas-docs/stable/

Puedes ver el repositorio de Pandas para más información: https://github.com/pandas-dev/pandas 

 

#3 NumPy (http://www.numpy.org/):

NumPy es el paquete fundamental para la computación científica con Python. Contiene entre otras cosas:

  • Un potente objeto de matriz N-dimensional
  • Sofisticadas funciones de radiodifusión
  • Herramientas para integrar código C / C ++ y Fortran
  • Álgebra lineal útil, transformada de Fourier y capacidades de números aleatorios

Además de sus usos científicos obvios, NumPy también puede ser utilizado como un eficiente contenedor multidimensional de datos genéricos. Se pueden definir tipos de datos arbitrarios. Esto permite a NumPy integrarse de forma transparente y rápida con una amplia variedad de bases de datos.

Puedes ver y disfrutar de la documentación de NumPy ingresando al siguiente link: https://docs.scipy.org/doc/numpy/

 

#4 Matplotlib (http://matplotlib.org/):

Matplotlib es una biblioteca de trazado de Python 2D que produce cifras de calidad de publicación en una variedad de formatos impresos y entornos interactivos a través de plataformas. Matplotlib se puede utilizar en scripts Python, el shell Python e IPython , el portátil jupyter y servidores de aplicaciones web.

Matplotlib puede generar gráficos, histogramas, espectros de potencia, gráficos de barras, gráficos de errores, diagramas de dispersión, etc., con sólo unas pocas líneas de código. Para una muestra, vea las capturas de pantalla , la galería de miniaturas y el directorio de ejemplos.

Puedes disfrutar de la documentación de la libreria Matplotlib ingresando al siguiente link: http://matplotlib.org/contents.html.

 

#5 Scikit-learn (http://scikit-learn.org/stable/):

Scikit-learn es una biblioteca de aprendizaje automático de software libre para el lenguaje de programación Python. Incluye varios algoritmos de clasificación , regresión y agrupación que incluyen máquinas de vector de soporte, bosques aleatorios, aumento de gradiente, k- means y DBSCAN, y está diseñado para interactuar con las bibliotecas numéricas y científicas Python NumPy y SciPy.

Caracteristicas:

  • Herramientas simples y eficientes para la minería de datos y análisis de datos
  • Accesible a todo el mundo, y reutilizable en diversos contextos
  • Construido en NumPy, SciPy y matplotlib
  • Código abierto, comercialmente utilizable - licencia BSD

Puedes ver el repositorio de scikit-learn ingresando al siguiente link: https://github.com/scikit-learn/scikit-learn.

 

Finalmente:

Gracias por visitar el post, espero que te haya servido esta información para mejorar tus habilidades en matemáticas y que hayas resuelto esa ecuación que no te dejaba dormir :D



Luis Alejandro