Tutorial sa SciPy: Ano ang Python SciPy at Paano ito magagamit?

Nakikipag-usap ang Matematika sa isang malaking bilang ng mga konsepto na napakahalaga ngunit sa parehong oras, kumplikado at matagal. Gayunpaman, ay nagbibigay ng buong library ng SciPy na lutasin ang isyung ito para sa amin. Sa tutorial na ito ng SciPy, matututunan mo kung paano gamitin ang library na ito kasama ang ilang mga pag-andar at kanilang mga halimbawa.

Bago magpatuloy, tingnan ang lahat ng mga paksang tinalakay sa artikulong ito:

• Ano ang SciPy?
• NumPy kumpara sa SciPy
• Mga Subpackage sa SciPy
• Pangunahing Mga Pag-andar
• Mga Espesyal na Pag-andar
• Mga Pag-andar ng Pagsasama
• Mga Pag-andar ng Pag-optimize
• Fourier Transform Function
• Mga Pag-andar sa Pagpoproseso ng Signal
• Linear Algebra
• Kalat-kalat na Eigenvalues
• Mga Istraktura ng Spatial na Data at Algorithm
• Mga Pag-andar sa Pagpoproseso ng Multidimensional na Imahe
• Mag-file ng IO

Kaya't magsimula tayo. :)

Ano ang SciPy?

Ang SciPy ay isang open-source na silid-aklatan ng Python na ginagamit upang malutas ang mga problemang pang-agham at matematika. Ito ay itinayo sa palawakin at pinapayagan ang gumagamit na manipulahin at mailarawan ang data na may malawak na hanay ng mga mataas na antas na utos. Tulad ng nabanggit kanina, bumubuo ang SciPy sa NumPy at samakatuwid kung mag-import ka ng SciPy, hindi na kailangang i-import ang NumPy.

NumPy kumpara sa SciPy

Parehong NumPy at SciPy ay ginamit para sa ginamit na pagsusuri sa matematika at numerikal. Naglalaman ang NumPy ng data ng array at pangunahing mga pagpapatakbo tulad ng pag-uuri, pag-index, atbp samakatuwid, binubuo ang SciPy ng lahat ng numerong code. Kahit na ang NumPy ay nagbibigay ng isang bilang ng na makakatulong sa paglutas ng linear algebra, Fourier transforms, atbp, ang SciPy ay ang silid-aklatan na talagang naglalaman ng mga ganap na tampok na bersyon ng mga pagpapaandar na ito kasama ang marami pang iba. Gayunpaman, kung gumagawa ka ng siyentipikong pagtatasa gamit ang Python, kakailanganin mong i-install ang parehong NumPy at SciPy dahil ang sciPy ay nabuo sa NumPy.

Mga Subpackage sa SciPy:

Ang sciPy ay may isang bilang ng mga subpackage para sa iba't ibang mga pang-agham na pagkalkula na ipinakita sa sumusunod na talahanayan:

Gayunpaman, para sa isang detalyadong paglalarawan, maaari mong sundin ang opisyal na dokumentasyon .

Ang mga package na ito ay kailangang i-import ng eksklusibo bago gamitin ang mga ito. Halimbawa:

mula sa scipy import cluster

Bago tingnan ang bawat isa sa mga pagpapaandar na ito nang detalyado, tingnan muna natin ang mga pagpapaandar na karaniwan pareho sa NumPy at SciPy.

Pangunahing Mga Pag-andar:

Pakikipag-ugnayan sa NumPy:

Bumubuo ang SciPy sa NumPy at samakatuwid maaari kang gumamit ng mga function na NumPy mismo upang hawakan ang mga array. Upang malaman ang malalim tungkol sa mga pagpapaandar na ito, maaari mo lamang magamit ang tulong (), impormasyon () o mga pagpapaandar na mapagkukunan ().

tulong ():

Upang makakuha ng impormasyon tungkol sa anumang pagpapaandar, maaari mong magamit ang tulong () pagpapaandar Mayroong dalawang paraan kung saan maaaring magamit ang pagpapaandar na ito:

• nang walang anumang mga parameter
• gamit ang mga parameter

Narito ang isang halimbawa na nagpapakita ng pareho ng mga pamamaraan sa itaas:

mula sa scipy import cluster help (cluster) #with parameter help () #without parameter

Kapag naipatupad mo ang code sa itaas, ang unang tulong () ay nagbabalik ng impormasyon tungkol sa kumpol submodule. Ang pangalawang tulong () ay humihiling sa gumagamit na ipasok ang pangalan ng anumang module, keyword, atbp kung saan nais ng gumagamit na humingi ng impormasyon. Upang ihinto ang pagpapatupad ng pagpapaandar na ito, i-type lamang ang 'quit' at pindutin ang enter.

impormasyon ():

Ang pagpapaandar na ito ay nagbabalik ng impormasyon tungkol sa ninanais , mga module, atbp.

scipy.info (kumpol)

pinagmulan ():

Ang source code ay ibinalik lamang para sa mga bagay na nakasulat . Ang pagpapaandar na ito ay hindi nagbabalik ng kapaki-pakinabang na impormasyon sakaling ang mga pamamaraan o bagay ay nakasulat sa anumang ibang wika tulad ng C. Gayunpaman kung nais mong gamitin ang pagpapaandar na ito, magagawa mo ito tulad ng sumusunod:

scipy.source (kumpol)

Mga Espesyal na Pag-andar:

Nagbibigay ang SciPy ng isang bilang ng mga espesyal na pagpapaandar na ginagamit sa pisika ng matematika tulad ng elliptic, mga pagpapaandar sa kaginhawaan, gamma, beta, atbp.Upang hanapin ang lahat ng mga pag-andar, maaari kang gumamit ng tulong () na pagpapaandar tulad ng inilarawan nang mas maaga.

Mga Exponential at Trigonometric Function:

Ang pakete ng Espesyal na Pag-andar ng SciPy ay nagbibigay ng isang bilang ng mga pag-andar kung saan maaari kang makahanap ng mga tagapagtaguyod at malutas ang mga problemang trigonometric.

Isaalang-alang ang sumusunod na halimbawa:

HALIMBAWA:

mula sa scipy import special a = special.exp10 (3) print (a) b = special.exp2 (3) print (b) c = special.sindg (90) print (c) d = special.cosdg (45) print ( d)

OUTPUT:

1000.0
8.0
1.0
0.7071067811865475

Maraming iba pang mga pagpapaandar na naroroon sa mga espesyal na pakete ng pag-andar ng SciPy na maaari mong subukan para sa iyong sarili.

Mga Pag-andar ng Pagsasama:

Nagbibigay ang SciPy ng isang bilang ng mga pag-andar upang malutas ang mga integral. Mula sa ordinaryong kaugalian na integrator hanggang sa paggamit ng mga patakaran ng trapezoidal upang makalkula ang mga integral, ang sciPy ay isang kamalig ng mga pagpapaandar upang malutas ang lahat ng mga uri ng mga problema sa integral.

Pangkalahatang Pagsasama:

Nagbibigay ang SiPy ng isang pagpapaandar na pinangalanan quad upang makalkula ang integral ng isang pagpapaandar na may isang variable. Ang mga limitasyon ay maaaring ± & infin(± inf) upang ipahiwatig ang walang hangganang mga limitasyon. Ang syntax ng quad () na pagpapaandar ay ang mga sumusunod:

SINTAX:

maghintay at abisuhan ang java halimbawa

quad (func, a, b, args = (), full_output = 0, epsabs = 1.49e-08, epsrel = 1.49e-08, limit = 50, puntos = Wala, bigat = Wala, wvar = Wala, wopts = Wala , maxp1 = 50, limlst = 50)

Dito, isasama ang pagpapaandar sa pagitan ng mga limitasyon a at b (maaari ding walang katapusan).

HALIMBAWA:

mula sa scipy import special mula sa scipy import integrate a = lambda x: special.exp10 (x) b = scipy.integrate.quad (a, 0, 1) print (b)

Sa halimbawa sa itaas, ang function na 'a' ay sinusuri sa pagitan ng mga limitasyon 0, 1. Kapag naisagawa ang code na ito, makikita mo ang sumusunod na output.

OUTPUT:

(3.9086503371292665, 4.3394735994897923e-14)

Double Integral Function:

Nagbibigay ang SciPy dblquad na maaaring magamit upang makalkula ang dobleng integral. Ang isang dobleng integral, tulad ng alam ng marami sa atin, ay binubuo ng dalawang tunay na variable. Ang pag-andar ng dblquad () ay kukuha ng pagpapaandar upang maisama bilang parameter nito kasama ang 4 pang iba pang mga variable na tumutukoy sa mga limitasyon at mga pag-andar dy at dx

HALIMBAWA:

mula sa scipy import integrate a = lambda y, x: x * y ** 2 b = lambda x: 1 c = lambda x: -1 integrate.dblquad (a, 0, 2, b, c)

OUTPUT:

-1.3333333333333335, 1.4802973661668755e-14)

Nagbibigay ang SciPy ng iba't ibang mga pag-andar upang suriin ang triple integral, n integrals, Romberg Integrals, atbp na maaari mong tuklasin ang karagdagang detalye. Upang mahanap ang lahat ng mga detalye tungkol sa mga kinakailangang pag-andar, gamitin ang function na tulong.

Mga Pag-andar ng Pag-optimize:

Ang scipy.optimize ay nagbibigay ng isang bilang ng mga karaniwang ginagamit na mga algorithm sa pag-optimize na maaaring makita gamit ang pag-andar ng tulong.

Karaniwan itong binubuo ng mga sumusunod:

• Hindi napigilan at napigilan na pag-minimize ng mga multivariate na pagpapaandar ng scalar ibig sabihin i-minimize (hal. BFGS, Newton Conjugate Gradient, Nelder_mead simplex, atbp)
• Mga gawain sa pag-optimize sa buong mundo (hal. Differential_evolution, dual_annealing, atbp)
• Pinaliit na-parisukat na pagliit at pag-angkop sa curve (hal. Hindi bababa sa_squares, curve_fit, atbp)
• I-univariate ng mga pagpapaandar na pag-andar ang mga minimizer at root finder (hal. I-minimize_scalar at root_scalar)
• Multivariate mga solvers system ng equation na gumagamit ng mga algorithm tulad ng hybrid Powell, Levenberg-Marquardt.

Pag-andar ng Rosenbrook:

Pag-andar ng Rosenbrook ( rosen ) ay isang problema sa pagsubok na ginamit para sa gradient-based na mga algorithm sa pag-optimize. Ito ay tinukoy bilang mga sumusunod sa SciPy:

HALIMBAWA:

i-import ang numpy bilang np mula sa scipy.optimize ang import rosen a = 1.2 * np.arange (5) rosen (a)

OUTPUT: 7371.0399999999945

Nelder-Mead:

AngNelder–Mead method ay isang numerong pamamaraan na madalas na ginagamit upang hanapin ang min / max ng isang pagpapaandar sa isang multidimensional na puwang. Sa sumusunod na halimbawa, ang minimize na pamamaraan ay ginagamit kasama ang Nelder-Mead algorithm.

HALIMBAWA:

mula sa scipy import optimize ang isang = [2.4, 1.7, 3.1, 2.9, 0.2] b = optimize.minimize (optimize.rosen, a, pamamaraan = 'Nelder-Mead') b.x

OUTPUT: array ([0.96570182, 0.93255069, 0.86939478, 0.75497872, 0.56793357])

Mga Pag-andar ng Interpolation:

Sa larangan ng pag-aaral sa bilang, ang interpolation ay tumutukoy sa pagbuo ng mga bagong puntos ng data sa loob ng isang hanay ng mga kilalang puntos ng data. Ang silid aklatan ng sciPy ay binubuo ng isang subpackage na pinangalanang scipy.interpolate na binubuo ngmga pag-andar at klase ng spline, isang-dimensional at multi-dimensional (univariate at multivariate) na mga klase ng interpolasyon, atbp.

Univariate Interpolation:

Ang univariate interpolation ay karaniwang isang lugar ng curve-fitting nanahahanap ang curve na nagbibigay ng isang eksaktong akma sa isang serye ng mga dalawang-dimensional na mga puntos ng data. Nagbibigay ang SciPy interp1d pagpapaandar na maaaring magamit upang makagawa ng univariate interpolation.

HALIMBAWA:

import matplotlib.pyplot bilang plt mula sa scipy import interpolate x = np.arange (5, 20) y = np.exp (x / 3.0) f = interpolate.interp1d (x, y) x1 = np.arange (6, 12) y1 = f (x1) # paggamit ng interpolation function na ibinalik ng `interp1d` plt.plot (x, y, 'o', x1, y1, '-') plt.show ()

OUTPUT:

Multivariate Interpolation:

Multivariate interpolation(spatialinterpolasyon) ay isang uriinterpolasyonsa mga pagpapaandar na binubuo ng higit sa isang mga variable. Ang sumusunod na halimbawa ay nagpapakita ng isang halimbawa ng interp2d pagpapaandar
Ang interpolating sa isang 2-D grid gamit ang interp2d (x, y, z) function na karaniwang gagamit ng x, y, z arrays upang tantyahin ang ilang pagpapaandar f: “z = f (x, y)“ at nagbabalik ng isang pagpapaandar na gumagamit ng paraan ng pagtawag interpolasyon ng spline upang mahanap ang halaga ng mga bagong puntos.
HALIMBAWA:

mula sa scipy import interpolate import matplotlib.pyplot bilang plt x = np.arange (0,10) y = np.arange (10,25) x1, y1 = np.meshgrid (x, y) z = np.tan (xx + yy) f = interpolate.interp2d (x, y, z, kind = 'cubic') x2 = np.arange (2,8) y2 = np.arange (15,20) z2 = f (xnew, ynew) plt. balangkas (x, z [0,:], 'ro-', x2, z2 [0,:], '-') plt.show ()

OUTPUT:

Fourier Transform Function:

Ang Fourier analysis ay isang pamamaraan na tumatalakay sa pagpapahayag ng isang pagpapaandar bilang isang kabuuan ng mga pana-panahong bahagi at pagbawi ng signal mula sa mga sangkap na iyon. Ang fft mga function ay maaaring magamit upang ibalik angdiscrete Fourier transform ng isang tunay o kumplikadong pagkakasunud-sunod.

HALIMBAWA:

mula sa scipy.fftpack import fft, ifft x = np.array ([0,1,2,3]) y = fft (x) print (y)

OUTPUT: [6. + 0.j -2. + 2.j -2. + 0.j -2.-2.j]

Katulad nito, mahahanap mo ang kabaligtaran nito sa pamamagitan ng paggamit ng ifft gumana tulad ng sumusunod:

HALIMBAWA:

rom scipy.fftpack import fft, ifft x = np.array ([0,1,2,3]) y = ifft (x) print (y)

OUTPUT: [1.5 + 0.j -0.5-0.5j -0.5 + 0.j -0.5 + 0.5j]

Mga Pag-andar sa Pagpoproseso ng Signal:

Pakikitungo sa pagproseso ng signalpinag-aaralan, binabago at binubuo ang mga signal tulad ng tunog, mga imahe, atbp. Nagbibigay ang SciPy ng ilang mga pag-andar gamit ang kung saan maaari mong idisenyo, salain at isama ang isang-dimensional at dalawang-dimensional na data.

Pagsala:

Sa pamamagitan ng pag-filter ng isang senyas, karaniwang tinatanggal mo rito ang mga hindi nais na sangkap. Upang maisagawa ang inorder na pag-filter, maaari mong magamit ang order_filter pagpapaandar Karaniwang gumaganap ang pagpapaandar na ito ng order ng pag-filter sa isang array. Ang syntax ng pagpapaandar na ito ay ang mga sumusunod:

SINTAX:
order_filter (a, domain, ranggo)

a = N-dimensional na array ng pag-input

domain = mask array na mayroong parehong bilang ng mga sukat bilang `a`

ranggo = Hindi negatibong numero na pumipili ng mga elemento mula sa listahan pagkatapos na naiayos (ang 0 ang pinakamaliit na sinusundan ng 1…)

HALIMBAWA:

mula sa scipy import signal x = np.arange (35). muling baguhin (7, 5) domain = np.identity (3) print (x, end = 'nn') print (signal.order_filter (x, domain, 1))

OUTPUT:

[[0 1 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]
[25 26 27 28 29]
[30 31 32 33 34]]

mag-doble sa isang int

[[0. 1. 2. 3. 0.]
[5. 6. 7. 8. 3.]
[10. 11. 12. 13. 8.]
[labinlimang. 16. 17. 18. 13.]
[dalawampu 21. 22. 23. 18.]
[25. 26. 27. 28. 23.]
[0. 25. 26. 27. 28.]]

Mga Waveform:

Ang scipy.signal subpackage ay binubuo din ng iba't ibang mga pagpapaandar na maaaring magamit upang makabuo ng mga waveform. Isa sa ganoong pagpapaandar ay huni . Ang pagpapaandar na ito ay isang fkinakailangan ng swept na cosine generator at ang syntax ay ang mga sumusunod:

SINTAX:
huni (t, f0, t1, f1, pamamaraan = 'linear', phi = 0, vertex_zero = True)

saan,

HALIMBAWA:

mula sa scipy.signal import chirp, spectrogram import matplotlib.pyplot bilang plt t = np.linspace (6, 10, 500) w = chirp (t, f0 = 4, f1 = 2, t1 = 5, method = 'linear') plt.plot (t, w) plt.title ('Linear Chirp') plt.xlabel ('time in sec)') plt.show ()

OUTPUT:

Linear Algebra:

Ang Linear algebra ay nakikipag-usap sa mga linear equation at kanilang mga representasyon gamit ang mga vector space at matrice. Ang sciPy ay naitayoATLAS LAPACK at mga aklatan ng BLAS at aynapakabilis sa paglutas ng mga problemang nauugnay sa linear algebra. Bilang karagdagan sa lahat ng mga pag-andar mula sa numpy.linalg, nagbibigay din ang scipy.linalg ng isang bilang ng iba pang mga advanced na function. Gayundin, kung ang numpy.linalg ay hindi ginamit kasamaAng ATLAS LAPACK at suporta ng BLAS, ang scipy.linalg ay mas mabilis kaysa sa numpy.linalg.

Paghahanap ng Kabaligtaran ng isang Matrix:

Sa matematika, ang kabaligtaran ng isang matrix Aay ang matrixBganyanAB = akokung saanAkoay ang pagkakakilanlan matrix na binubuo ng mga pababa sa pangunahing dayagonal na tinukoy bilangB = A^-isa. Sa SciPy, ang kabaligtaran na ito ay maaaring makuha gamit ang linalg.inv paraan

HALIMBAWA:

i-import ang numpy bilang np mula sa scipy import linalg A = np.array ([[1,2], [4,3]]) B = linalg.inv (A) print (B)

OUTPUT:

[[-0.6 0.4]
[0.8 -0.2]]

Paghahanap ng Mga Determinant:

Ang halagang nagmula sa aritmetika mula sa mga coefficients ng matrix ay kilala bilang tumutukoy ng isang square matrix. Sa SciPy, magagawa ito gamit ang isang pagpapaandar ang na may sumusunod na syntax:

SINTAX:
det (a, patungan_a = Mali, check_finite = True)
saan,

a: (M, M) Ay isang square matrix

ano ang anonymous class sa java

patungan_a (bool, opsyonal): Payagan ang pag-o-overtake ng data sa a

check_finite (bool, opsyonal): Upang suriin kung ang input matrix ay binubuo lamang ng may limitasyong mga numero

HALIMBAWA:

i-import ang numpy bilang np mula sa scipy import linalg A = np.array ([[1,2], [4,3]]) B = linalg.det (A) print (B)

OUTPUT: -5.0

Kalat-kalat na Eigenvalues:

Ang mga eigenvalues ​​ay isang tiyak na hanay ng mga scalar na naka-link sa mga linear equation. Nagbibigay ang ARPACK na nagbibigay-daan sa iyo upang makahanap ng mga eigenvalues ​​(eigenvector) nang napakabilis. Ang kumpletong pag-andar ng ARPACK ay naka-pack sa loobdalawang mataas na antas na interface na kung saan ay scipy.sparse.linalg.eigs at scipy.sparse.linalg.eigsh. eigs Pinapayagan ka ng interface ng eigs na mahanap ang mga eigenvalues ​​ng real o kumplikadong nonsymmetric square matrices samantalang ang eigsh interface ay naglalaman ng mga interface para sa real-symmetric o complex-hermitian matrices.

Ang eigh Nalulutas ng pagpapaandar ang isang pangkalahatang problema sa eigenvalue para sa isang komplikadong Hermitian o tunay na simetriko matrix.

HALIMBAWA:

mula sa scipy.linalg import eigh import numpy bilang np A = np.array ([[1, 2, 3, 4], [4, 3, 2, 1], [1, 4, 6, 3], [2, 3, 2, 5]]) a, b = eigh (A) print ('Selected eigenvalues:', a) print ('Complex ndarray:', b)

OUTPUT:

Mga napiling eigenvalues: [-2.53382695 1.66735639 3.69488657 12.17158399]
Komplikadong ndarray: [[0.69205614 0.5829305 0.25682823 -0.33954321]
[-0.68277875 0.46838936 0.03700454 -0.5595134]
[0.23275694 -0.29164622 -0.72710245 -0.57627139]
[0.02637572 -0.59644441 0.63560361 -0.48945525]]

Mga Istraktura ng Spatial na Data at Algorithm:

Ang data ng Spatial ay karaniwang binubuo ng mga bagay na binubuo ng mga linya, puntos, ibabaw, atbp. Ang scipy.spatial na pakete ng SciPy ay maaaring makalkulaMga diagram ng Voronoi, triangulasyon, atbp gamit ang Qhull library. Ito rin ay binubuo ng mga pagpapatupad ng KDTree para sa mga pinakamalapit na query ng kapitbahay.

Mga triangulasyon ng delaunay:

Sa matematikal, ang mga triangulasyon ng Delaunay para sa isang hanay ng mga discrete point sa isang eroplano ay isang triangulasyon tulad na walang point sa ibinigay na hanay ng mga puntos aysa loob ng sirkulo ng anumang tatsulok.

HALIMBAWA:

import matplotlib.pyplot bilang plt mula sa scipy.spatial import Delaunay points = np.array ([[0, 1], [1, 1], [1, 0], [0, 0]]) a = Delaunay (puntos) #Delaunay object print (a) print (a.simplices) plt.triplot (puntos [:, 0], puntos [:, 1], a.simplices) plt.plot (puntos [:, 1], puntos [:, 0], 'o') plt.show ()

OUTPUT:

Mga Pag-andar sa Pagpoproseso ng Multidimensional na Imahe:

Karaniwang nakikipag-usap ang pagproseso ng imahe sa pagsasagawa ng mga pagpapatakbo sa isang imahe upang makuha ang impormasyon o upang makakuha ng isang pinahusay na imahe mula sa orihinal. Ang scipy.ndimage package ay binubuo ng isang bilang ngang mga pagpapaandar sa pagproseso ng imahe at pagtatasa na dinisenyo upang gumana sa mga arrays ng di-makatwirang dimensionalidad.

Conbolusyon at ugnayan:

Nagbibigay ang SciPy ng isang bilang ng mga pag-andar na nagpapahintulot sa ugnayan at pagkakaugnay ng mga imahe.

• Ang pagpapaandar magkaugnay1d maaaring magamit upang makalkula ang isang-dimensional na ugnayan sa isang ibinigay na axis
• Ang pagpapaandar magkaugnay Pinapayagan ang multidimensional na ugnayan ng anumang naibigay na array na may tinukoy na kernel
• Ang pagpapaandar umikot1d ay maaaring magamit upang makalkula ang isang-dimensional na convolution kasama ang isang naibigay na axis
• Ang pagpapaandar umikot Pinapayagan ang multidimensional convolution ng anumang naibigay na array na may tinukoy na kernel

HALIMBAWA:

i-import ang numpy bilang np mula sa scipy.ndimage import correlate1d correlate1d ([3,5,1,7,2,6,9,4], mga timbang = [1,2])

OUTPUT: array ([9, 13, 7, 15, 11, 14, 24, 17])

IO file:

Ang scipy.io package ay nagbibigay ng isang bilang ng mga pag-andar na makakatulong sa iyong pamahalaan ang mga file ng iba't ibang mga format tulad ng mga MATLAB file, IDL file, mga file ng Matrix Market, atbp.

Upang magamit ang package na ito, kakailanganin mong i-import ito tulad ng sumusunod:

i-import ang scipy.io bilang sio

Para sa kumpletong impormasyon sa subpackage, maaari kang mag-refer sa opisyal na dokumento sa Mag-file ng IO .

Dinadala tayo nito sa pagtatapos ng Tutorial sa SciPy na ito. Sana naiintindihan mo nang malinaw ang lahat. Tiyaking nagsasanay ka hangga't maaari .

May tanong ba sa amin? Mangyaring banggitin ito sa seksyon ng mga komento ng 'SciPy Tutorial' na blog na ito at babalikan ka namin sa lalong madaling panahon.

Upang makakuha ng malalim na kaalaman sa Python kasama ang iba't ibang mga application nito, maaari kang magpatala nang live na may 24/7 na suporta at habambuhay na pag-access.