Júlia WPDual-Tree Complex Wavelet Transform:
https://eeweb.engineering.nyu.edu/iselesni/DoubleSoftware/index.html
#Wavelets #SignalProcessing #DataScience #Matlab #SciPy #Octave
Sharlatan#SciPy is refreshed without issues in #Guix
https://codeberg.org/guix/guix/commit/b56779458b0aa304079f9ab052110da5cdcc5fec
gnu: python-scipy: Update to 1.17.1. · b56779458b
* gnu/packages/python-science.scm (python-scipy): Update to 1.17.1. [arguments] <test-flags>: Rework skipped tests, run more. [inputs]: Remove boost-1.88 and pybind11-2; add boost and pybind11. [native-inputs]: Remove python-click, python-doit, python-numpydoc, python-pycodestyle, python-pydevto...
HabrУскоряем и оптимизируем numpy, pandas, scipy и sklearn
С момента публикации статьи на Хабре « Импортозамещаем numpy, pandas, scipy и sklearn » прошло почти три года. В течение этого времени я приостановил работу над проектом из-за нехватки времени, ресурсов и сил. К тому же, меня расстроило, что не смог выполнить просьбу пользователя @N-Cube , который активно интересовался моей библиотекой и хотел ускорить работу своего Jupyter Notebook. В самый критический момент на помощь пришел волшебный AI, который, хоть и иногда проявлял недостаток гибкости, с готовностью исполнял все пожелания своего хозяина. Благодаря этому проект начал продвигаться вперед. За это время в библиотеки были добавлены поддержка CUDA, множество ручных SIMD-оптимизаций с динамическим выбором SIMD, несколько реализаций линейной регрессии и многое другое. Давайте рассмотрим, что на сегодняшний день позволяет сделать моя библиотека. Я представлю несколько тестовых примеров в двух вариантах: с использованием AVX-2 на процессоре Intel® Core™ i7-4790K и AVX-512 на Intel® Xeon. Также покажу результаты замеров для каждого из них. Все тесты проводились без использования GPU, исключительно на процессоре. Это позволяет сравнивать производительность Python и моей библиотеки на равных условиях. Операционная система – Ubuntu 24.04, компилятор – GNU 13.3.0.
https://habr.com/ru/articles/1039866/
#C++ #numpy #pandas #scipy #sklearn #opensource #datascience #data_analysis
Erik-Jan- statistical distributions in #scipy are great too. I even used a scaled-shifted beta-prime distribution a few weeks ago! (???) (Still #julialang 
Distributions.jl is my fave)
- #cmdstanpy works exactly as expected (which is great) but the post-processing of mcmc draws is a bit more cumbersome in Python than in R in my opinion (arviz in Python vs posterior in R) although this might again be matplotlib vs ggplot (did I mention I am not a matplotlib fan?)
4/n
Daniel ChenThat's a wrap, #PyConUS! I loved all the conversational talks, documentation writing, and PRS this week. Looking forward to following up with many of you and more collaborations in the future!
If you missed the #python dashboarding tutorial using Shiny, I have all my materials here: https://chendaniely.github.io/pycon-2026-shiny/
If you missed it, hopefully I'll catch you at #SciPy in July!
PsychoticSheepThis abstract piece visualizes the Aizawa attractor, a chaotic differential equation system from theoretical physics. Unlike the famous Lorenz attractor (butterfly), Aizawa generates fractal, flower-like structures under specific parameters.
Technical: 80,000 time steps, 3D phase space projection, custom colormapping along trajectories. Generative Art meets Chaos Theory, no AI, just ODEs and Python.
#generativeart #chaostheory #differentialequations #abstractart #aizawa #mathart #creativecoding #pythonart #fractalbloom #nonlineardynamics #scipy #matplotlib
Technical: 80,000 time steps, 3D phase space projection, custom colormapping along trajectories. Generative Art meets Chaos Theory, no AI, just ODEs and Python.
#generativeart #chaostheory #differentialequations #abstractart #aizawa #mathart #creativecoding #pythonart #fractalbloom #nonlineardynamics #scipy #matplotlib
Qiita - 人気の記事正三角形オブジェクトだけでフォントをレンダリングできるわけないじゃん、ムリムリ！(※ムリじゃなかった！？)
https://qiita.com/tropical-362827/items/6be88a910efa81f45791?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items
Alexandre B A Villares#scipy minimal spanning tree
The sketch-a-day archives and tip jar are at: https://abav.lugaralgum.com/sketch-a-day Code for this: https://github.com/villares/sketch-a-day/tree/main/2026/sketch_2026_03_20 #Processing #Python #py5 #CreativeCoding
The sketch-a-day archives and tip jar are at: https://abav.lugaralgum.com/sketch-a-day Code for this: https://github.com/villares/sketch-a-day/tree/main/2026/sketch_2026_03_20 #Processing #Python #py5 #CreativeCoding
rtn
Alexandre B A Villares 🐍@rzeta0 my friend, what do you think about the code using np.roll() (in the linked sketch)?
I'm afraid it would be a bit hard to explain on a short class. So I'll use the simpler inefficient function...
The next big step in efficiency would be using #scipy I think:
def count_live_neighbors(status):
"""Counts the number of neighboring live cells"""
kernel = np.array([
[1, 1, 1],
[1, 0, 1],
[1, 1, 1]
])
return scipy.signal.convolve2d(status, kernel, mode='same', boundary="wrap")