Mastodawn

Ускоряем 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

Ускоряем и оптимизируем numpy, pandas, scipy и sklearn

Хабр

Show thread

Erik-Jan May 22

- 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 Chen May 19

That'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!

PsychoticSheep Apr 13

This 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

Qiita - 人気の記事 Mar 23

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

#qiita #Python #scipy #Unity #線形代数 #数理最適化

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！？) - Qiita

この記事は美少女ゲームにまつわる話題を取り扱っています。性的な表現が含まれないよう注意していますが、苦手な方はブラウザバック推奨です目次背景: デジタルクラフトについてテキストをシーン中に置きたい！正三角形しか置けないなんて、ムリムリ！ TRS変換...

Qiita

Alexandre B A Villares Mar 20

#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

rtn Mar 17

Do you have any suggestions of good books around python and numpy/scipy?

#python #numpy #scipy

Show thread

Alexandre B A Villares 🐍Feb 28

@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")