Home   Schulung > EDV > Programmierung > Python

Für viele Aufgaben von Wissenschaftlern und Ingenieuren ist die Nutzung einer Programmiersprache nötig. Python findet bei dieser Anwendergruppe immer mehr Nutzer, da die Sprache mit relativ geringem Aufwand viel Nutzen bringt. Auch bei gelegentlicher Anwendung ist Python eine gute Wahl, da Python-Quelltexte auch nach längerer Zeit ohne Nutzung noch gut verständlich sind.

Python für Wissenschaftler und Ingenieure

Ziel
Für viele Aufgaben von Wissenschaftlern und Ingenieuren ist die Nutzung einer Programmiersprache nötig. Python findet bei dieser Anwendergruppe immer mehr Nutzer, da die Sprache mit relativ geringem Aufwand viel Nutzen bringt. Auch bei gelegentlicher Anwendung ist Python eine gute Wahl, da Python-Quelltexte auch nach längerer Zeit ohne Nutzung noch gut verständlich sind.
Schulungsinhalte


· Überblick über wissenschaftlich/technische Bibliotheken für Python
Es gibt eine Vielzahl von Bibliotheken. Es wird ein Überblick gegeben und auf einzelne Beispielbibliotheken kurz eingegangen.

· Numerische Berechnungen mit NumPy
Die Bibliothek NumPy ist der Quasi-Standard für die Arbeit mit Arrays und lineare Algebra.

· Array-Konstruktion und Array-Eigenschaften
Es gibt verschiedene Arten wie Arrays mit NumPy erstellt werden können. An Hand von Beispielen wird dargelegt, welcher Weg für welchen Zweck der geeignetste ist. Die Eigenschaften von Array-Objekten werden behandelt und ihre Bedeutung erläutert.

· Datentypen
Im Gegensatz zu Python-Datentypen, die dynamisch zur Laufzeit ermittelt werden, müssen bei NumPy-Arrays die Typen vor der Konstruktion eines Arrays festgelegt werden. Dies ist eine Voraussetzung für die gegenüber reinem Python mit NumPy erzielbaren Geschwindigkeitszuwächse. Es gibt wesentlich mehr Datentypen als in Python. Die Datentypen und ihre Nutzung werden erläutert.

· Slicing und Broadcasting
Mit Hilfe des so genannten Slicings kann auf beliebige Teilbereiche auch mehrdimensionaler Arrays lesend und schreibend zugegriffen werden. Mit dieser Technik lassen sich oft kurze und elegante Lösungen finden, die ohne Schleifen auskommen. Erfahrungsgemäß sind die ersten Schritte mit Slicing gewöhnungsbedürftig. Deshalb werden im Kurs zahlreiche Übungen durchgeführt, die verschiedenste Möglichkeiten abdecken. Haben Arrays unterschiedliche Formen erfolgt in NumPy das so genannte Boradcasting, bei dem die fehlenden Array-Bestandteile sinnvoll ergänzt werden Ein gutes Verständnis dieses wichtigen Mechanismus ist Grundvoraussetzung für ein effektives Arbeiten mit NumPy.

· Universelle Funktionen
Mit NumPy können verschiedenste Operationen auf ganze Arrays unabhängig von deren Dimensionen ausgeführt werden. Diese als universelle Funktionen bezeichneten Operationen werden an Beispielen erläutert.

· Numerische Algebra
NumPy bietet grundlegende Funktionen für die Lösung von Aufgaben der numerischen Algebra. Diese werden an Beispielen erläutert und angewendet.

· Speichern und Verarbeiten sehr großer Datenmengen
Bei wissenschaftlich/technischen Anwendungen ist es oft nötig mit großen Datenmengen zu arbeiten. Um diese Daten dauerhaft zu speichern gibt es verschiedene Möglichkeiten. Einige davon werden im Kurs vorgestellt.

· Textdateien
Die einfachste Art Daten zu speichern sind Textdateien. Es wird gezeigt wie Textdateien effizient gelesen und geschrieben werden können. Techniken für die Umwandlung spaltenbasierter Daten in Python-Datenstrukturen werden behandelt.

· Excel-Dateien
Viele Daten werden in Excel-Dateien abgelegt. Python bietet mehrere Möglichkeiten Exceldateien zu lesen und zu schreiben. Zugriffe über die Microsoft COM-Schnittstelle unter Windows werden ebenso angewendet wie der direkte binäre Lese- und Schreibzugriff, der ein vom Betriebssystem unabhängiges Arbeiten ermöglicht.

· NetCDF-Dateien
Für die effiziente Speicherung großer arraybasierte Daten bis in den Terabyte-Bereich wird das Datenformat NetCDF eingesetzt. Python bietet eine Schnittstelle für NetCDF. Die Handhabung wird mit Beispielen erarbeitet.

· HDF-Dateien
Das HDF-Format wird für sehr ähnliche Zwecke wie das NetCDF-Format eingesetzt. Es ist geplant beide Formate in zukünftigen Versionen zu vereinigen. HDF steht für hierachical data format und bietet somit ein bessere Möglichkeit Daten zur organisieren. Mit pyTables steht eine ausgereifte und sehr komfortable Schnittstelle zu HDF zur Verfügung. Diese wird im Kurs mit Beispielen erläutert.

· Datenbanken
Oft liegen Daten in Datenbanken vor. Python bietet eine einheitliche API für den Datenbankzugriff auf alle gängigen Datenbanken.Die Arbeitsweise der API wird an Beispielen erläutert.

· Pickling und Shelving
bietet die Möglichkeit mit den eingebauten Modulen pickle und shelve Python-Objekte persistent zu speichern. Damit lassen sich ohne Entwicklung von Dateiformaten schnell auch komplexe Datenstrukturen speichern und zu einem späteren Zeitpunkt wieder laden.Die Anwendung, Vor- und Nachteile dieser Speichermethoden werden mit Beispielen dargestellt.

· Objektorientierte Programmierung für wissenschaftlich/technische Projekte
Das objektorientierte Paradigma ist das zurzeit in der Softwareentwicklung vorherrschende. Viele Wissenschaftler und Ingenieure sind jedoch mit der prozeduralen Programmierung wesentlich besser vertraut. Im Kurs wird mit Beispielen erarbeitet, dass Objektorientierung auch für typische wissenschaftliche oder ingenieurtechnische Problemstellungen Vorteile bietet.

· Grafische Darstellung wissenschaftlicher Daten
Ergebnisse wissenschaftlich/technischer Berechnungen müssen oft grafisch dargestellt werden. Obwohl viele Grafikprogramme existieren, ist die automatisierte Erstellung von Grafiken insbesondere bei vielen Grafiken oder bei sich immer wiederholenden Darstellungen von Vorteil.

· matplotlib
Mit matplotlib lassen sich mit nur wenigen Zeilen Quelltext unterschiedlichste Diagramme erstellen. An Beispielen wird die Nutzung der Bibliothek geübt.

· MayaVi
Für die dreidimensionale Visualisierung und Animation von Daten eignet sich MayaVi hervorragend. Im Kurs wird sowohl die Nutzung als eigenständige Anwendung als auch die Automatisierung mit Pythonprogrammen behandelt. .
Zielgruppe
Wissenschaftler und Ingenieure mit Grundkenntnissen in der Programmierung mit Python. Durch Kombination mit Grundkursen können diese Kenntnisse erlangt werden.
Voraussetzungen
Grundkenntnisse in Python werden vorausgesetzt.
Ausschließlich als Inhouse-Schulung
Dieses Seminar bieten wir ausschließlich als Inhouse-Seminar in Ihren Räumlichkeiten oder bei uns in Münster an.
Seminardaten
Schulung-Nrpythinge
Dauer3 Tage
Inhouse-Schulung
Dieses Seminar bieten wir Ihnen als Inhouse-Seminar oder -coaching vor Ort in Ihren Räumlichkeiten an.

Rufen Sie uns bitte an:

+4925198 110 99 0
QRCode zu dieser Schulung

Aktuelle Termine
Mo, 29.01.2018 - Fr, 02.02.2018, Aachen
Microsoft WPF - Windows Presentation Foundation (Intensivkurs)
Garantierte Durchführung Garantierte Durchführung!