Bilimsel Hesaplamalar

Bilimsel Hesaplama Nedir ?

●
Bilgisayar programları kullanılarak sayısal teknikler ile mühendislik
ve bilimsel problemlerin analizi ve çözümlemesi
 Diller ve Araçlar

MATLAB, GNU Octavia, Scilab, Mathcad, Mathematica, Maple,

SAGE gibi araçlar mevcut
 Python-Neler Yapılabilir

●
Web Geliştime (Django, Pyramid, Flask)
●
Veri Analizi (Seaborn, Mapplotlib)
●
Oyun Geliştirme (Pygame)
●
Robotik Uygulamalar
 Araçlar

●
IDLE, Spyder (Geliştirme Ortamları)
●
Numpy, Matplotlib, Pandas… yüzlerce (Kütüphaneler)
 Numpy

●
Python Kütüphanesidir
●
Arraylarla çalışır
●
(Num)erical (Py)thon → NumPy
 Neden Var?

●
Pythonda diziler var, ama yavaş çalışıyor
●
Yaklaşık 50 kat daha hızlı
●
Yardımcı birçok metot var
●
Veri biliminde genellikle dizilerle çalışılır
 Numpy- arrays

List ile çok benzer fakat;

●
Elemanları aynı tip olabilir. (int, float ve complex)
●
Eleman sayısı belli olmalıdır.
●
“numpy” ile ulaşılabilir.
 arrays

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)
print(type(arr))
●
zeros = np.zeros(5)
●
zeros=np.zeros(5,4)
●
ones = np.ones(5)
●
ones = np.ones((5, 4))
●
random = np.random.rand(2, 3)
●
random = np.random.randint(50, 100, 5)
 Numpy Metotları

index:
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('2nd element on 1st row: ', arr[0, 1])
slice:
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5])
print(arr[-3:-1])
type:
arr = np.array([1, 2, 3, 4], dtype='S') or ‘i4’
 Numpy Index

import numpy as np
arr = np.array([1, 2, 3])
for x in arr:
print(x)
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
for x in arr2:
for y in x:
print(y)
 Numpy nditer

Tüm elemanları tek forla dolaşmak için;

import numpy as np
arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
for x in np.nditer(arr):
print(x)
 Numpy where

Tüm
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 4, 4])

x = np.where(arr == 4)

print(x)
 Numpy where-2

Tüm elemanları tek forla dolaşmak için;

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
x = np.where(arr%2 == 0)
print(x)
 Numpy Sort

import numpy as np
arr = np.array(['banana', 'cherry', 'apple'])
print(np.sort(arr))
 Mapplotlib

●
İki boyutlu çizim kütüphanesi
 Matplotlib -Örnek

import matplotlib.pyplot as plt

import numpy as np

xpoints = np.array([0, 6])

ypoints = np.array([0, 250])

plt.plot(xpoints, ypoints)
plt.show()
 numpy-matplot

import numpy as np
import matplotlib.pyplot as plt

f = lambda x: np.exp(-x**2)*np.sin(x)
x = np.linspace(-3, 3, 101)
plt.plot(x, f(x))
plt.show()
 Örnek-2

import matplotlib.pyplot as plt

import numpy as np

ypoints = np.array([3, 8, 1, 10, 5, 7])

plt.plot(ypoints)
plt.show()
 Örnek-Histogram

import numpy as np
x = np.random.normal(170, 10, 250)
print(x)
 Pie Chart

import matplotlib.pyplot as plt

import numpy as np

y = np.array([35, 25, 25, 15])

plt.pie(y)
plt.show()
 Python

Statik analiz: Yapısal elemanların yer değiştirmelerini, gerilmelerini ve kuvvet

dağılımlarını hesaplama.
Yük analizi: Farklı yük türlerine (merkezi yükler, dağıtılmış yükler, rüzgar yükleri vb.)
dayalı olarak yapı elemanları üzerindeki etkilerin hesaplanması.
Kesit analizi: Betonarme, çelik veya ahşap yapı elemanlarının kesit boyutlarının
hesaplanması.
Hesaplamalı betonarme tasarımı: Betonarme elemanların boyutlarının ve donatı miktarının
hesaplanması.
Hesaplamalı çelik tasarımı: Çelik yapı elemanlarının boyutlarının ve bağlantılarının
hesaplanması.
Plaka analizi: Plakaların yer değiştirmelerini, gerilmelerini ve taşıma kapasitelerini hesaplama.
Kiriş analizi: Kirişlerin yer değiştirmelerini, gerilmelerini ve taşıma kapasitelerini hesaplama.
 Python-Insaat Mühendisliği
Temel analizi: Farklı tipteki temellerin (şerit temel, plak temel, kazık temel vb.) taşıma kapasitelerinin
hesaplanması.
Zemin analizi: Zemin parametrelerinin hesaplanması, zemin davranışının modellenmesi ve temel-zemin
etkileşimi analizi.
Rüzgar etkilerinin hesaplanması: Yapıya etki eden rüzgar yüklerinin hesaplanması ve yapısal tepkilerin analizi.
Deprem etkilerinin hesaplanması: Deprem yüklerinin hesaplanması, yapıların dinamik analizi ve yapısal
tepkilerin değerlendirilmesi.
Hidrolik hesaplamalar: Akışkan mekaniği prensiplerine dayalı olarak suyun akış hızı, basınç kaybı, kanal akışı
vb. hesaplamalar.
Malzeme seçimi: Belirli bir yapısal elemanın boyutları ve yükler göz önünde bulundurularak en uygun malzeme
seçiminin hesaplanması.
Yer değiştirme ve deformasyon analizi: Yapı elemanlarının yer değiştirmeleri ve deformasyonları üzerine
analizlerin yapılması.
Yapısal optimizasyon: Verilen bir kısıtlama altında en iyi yapısal çözümün bulunması.
CheatSheet
Python For Data Science Cheat Sheet Inspecting Your Array Subsetting, Slicing, Indexing Also see Lists
>>> a.shape Array dimensions Subsetting
NumPy Basics >>>
>>>
len(a)
b.ndim
Length of array
Number of array dimensions
>>> a[2]
3
1 2 3 Select the element at the 2nd index
Learn Python for Data Science Interactively at www.DataCamp.com >>> e.size Number of array elements >>> b[1,2] 1.5 2 3 Select the element at row 1 column 2
>>> b.dtype Data type of array elements 6.0 4 5 6 (equivalent to b[1][2])
>>> b.dtype.name Name of data type
>>> b.astype(int) Convert an array to a different type Slicing
NumPy >>> a[0:2]
array([1, 2])
1 2 3 Select items at index 0 and 1
2
The NumPy library is the core library for scientific computing in Asking For Help >>> b[0:2,1] 1.5 2 3 Select items at rows 0 and 1 in column 1
>>> np.info(np.ndarray.dtype) array([ 2., 5.]) 4 5 6
Python. It provides a high-performance multidimensional array
Array Mathematics
1.5 2 3
>>> b[:1] Select all items at row 0
object, and tools for working with these arrays. array([[1.5, 2., 3.]]) 4 5 6 (equivalent to b[0:1, :])
Arithmetic Operations >>> c[1,...] Same as [1,:,:]
Use the following import convention: array([[[ 3., 2., 1.],
>>> import numpy as np [ 4., 5., 6.]]])
>>> g = a - b Subtraction
array([[-0.5, 0. , 0. ], >>> a[ : :-1] Reversed array a
NumPy Arrays [-3. , -3. , -3. ]])
array([3, 2, 1])

>>> np.subtract(a,b) Boolean Indexing

1D array 2D array 3D array Subtraction
>>> a[a<2] Select elements from a less than 2
>>> b + a Addition 1 2 3
array([[ 2.5, 4. , 6. ], array([1])
axis 1 axis 2
1 2 3 axis 1 [ 5. , 7. , 9. ]]) Fancy Indexing
1.5 2 3 >>> np.add(b,a) Addition >>> b[[1, 0, 1, 0],[0, 1, 2, 0]] Select elements (1,0),(0,1),(1,2) and (0,0)
axis 0 axis 0 array([ 4. , 2. , 6. , 1.5])
4 5 6 >>> a / b Division
array([[ 0.66666667, 1. , 1. ], >>> b[[1, 0, 1, 0]][:,[0,1,2,0]] Select a subset of the matrix’s rows
[ 0.25 , 0.4 , 0.5 ]]) array([[ 4. ,5. , 6. , 4. ], and columns
>>> np.divide(a,b) Division [ 1.5, 2. , 3. , 1.5],
Creating Arrays >>> a * b
array([[ 1.5, 4. , 9. ],
Multiplication
[ 4. , 5.
[ 1.5, 2.
,
,
6.
3.
,
,
4. ],
1.5]])

>>> a = np.array([1,2,3]) [ 4. , 10. , 18. ]])

>>> b = np.array([(1.5,2,3), (4,5,6)], dtype = float) >>> np.multiply(a,b) Multiplication Array Manipulation
>>> c = np.array([[(1.5,2,3), (4,5,6)], [(3,2,1), (4,5,6)]], >>> np.exp(b) Exponentiation
dtype = float) >>> np.sqrt(b) Square root Transposing Array
>>> np.sin(a) Print sines of an array >>> i = np.transpose(b) Permute array dimensions
Initial Placeholders >>> np.cos(b) Element-wise cosine >>> i.T Permute array dimensions
>>> np.log(a) Element-wise natural logarithm
>>> np.zeros((3,4)) Create an array of zeros >>> e.dot(f) Dot product
Changing Array Shape
>>> np.ones((2,3,4),dtype=np.int16) Create an array of ones array([[ 7., 7.], >>> b.ravel() Flatten the array
>>> d = np.arange(10,25,5) Create an array of evenly [ 7., 7.]]) >>> g.reshape(3,-2) Reshape, but don’t change data
spaced values (step value)
>>> np.linspace(0,2,9) Create an array of evenly Comparison Adding/Removing Elements
spaced values (number of samples) >>> h.resize((2,6)) Return a new array with shape (2,6)
>>> e = np.full((2,2),7) Create a constant array >>> a == b Element-wise comparison >>> np.append(h,g) Append items to an array
>>> f = np.eye(2) Create a 2X2 identity matrix array([[False, True, True], >>> np.insert(a, 1, 5) Insert items in an array
>>> np.random.random((2,2)) Create an array with random values [False, False, False]], dtype=bool) >>> np.delete(a,[1]) Delete items from an array
>>> np.empty((3,2)) Create an empty array >>> a < 2 Element-wise comparison
array([True, False, False], dtype=bool) Combining Arrays
>>> np.array_equal(a, b) Array-wise comparison >>> np.concatenate((a,d),axis=0) Concatenate arrays
I/O array([ 1, 2,
>>> np.vstack((a,b))
3, 10, 15, 20])
Stack arrays vertically (row-wise)
Aggregate Functions array([[ 1. , 2. , 3. ],
Saving & Loading On Disk [ 1.5, 2. , 3. ],
>>> a.sum() Array-wise sum [ 4. , 5. , 6. ]])
>>> np.save('my_array', a) >>> a.min() Array-wise minimum value >>> np.r_[e,f] Stack arrays vertically (row-wise)
>>> np.savez('array.npz', a, b) >>> b.max(axis=0) Maximum value of an array row >>> np.hstack((e,f)) Stack arrays horizontally (column-wise)
>>> np.load('my_array.npy') >>> b.cumsum(axis=1) Cumulative sum of the elements array([[ 7., 7., 1., 0.],
>>> a.mean() Mean [ 7., 7., 0., 1.]])
Saving & Loading Text Files >>> b.median() Median >>> np.column_stack((a,d)) Create stacked column-wise arrays
>>> np.loadtxt("myfile.txt") >>> a.corrcoef() Correlation coefficient array([[ 1, 10],
>>> np.std(b) Standard deviation [ 2, 15],
>>> np.genfromtxt("my_file.csv", delimiter=',') [ 3, 20]])
>>> np.savetxt("myarray.txt", a, delimiter=" ") >>> np.c_[a,d] Create stacked column-wise arrays
Copying Arrays Splitting Arrays
Data Types >>> h = a.view() Create a view of the array with the same data >>> np.hsplit(a,3) Split the array horizontally at the 3rd
>>> np.copy(a) Create a copy of the array [array([1]),array([2]),array([3])] index
>>> np.int64 Signed 64-bit integer types >>> np.vsplit(c,2) Split the array vertically at the 2nd index
>>> np.float32 Standard double-precision floating point >>> h = a.copy() Create a deep copy of the array [array([[[ 1.5, 2. , 1. ],
>>> np.complex Complex numbers represented by 128 floats [ 4. , 5. , 6. ]]]),
array([[[ 3., 2., 3.],
>>>
>>>
np.bool
np.object
Boolean type storing TRUE and FALSE values
Python object type Sorting Arrays [ 4., 5., 6.]]])]

>>> np.string_ Fixed-length string type >>> a.sort() Sort an array

>>> np.unicode_ Fixed-length unicode type >>> c.sort(axis=0) Sort the elements of an array's axis DataCamp
Learn Python for Data Science Interactively