1. Iniciandose en computación científica con Python

Esta parte de Scipy lecture notes es una introducción que todo lo que necesita para usar Python en computación científica; como ser sintaxis del lenguaje, cálculo numérico o gráficas.

---

• 1.1. Herramientas y flujo de trabajo para computación científica
  • 1.1.1. Por qué Python?
    • 1.1.1.1. Cuáles son las necesidades de los científicos?
    • 1.1.1.2. Especificaciones
    • 1.1.1.3. Soluciones existentes
  • 1.1.2. Bloques de construcción para Python científico
  • 1.1.3. Flujo de trabajo interactivo: IPython y un editor de textos
    • 1.1.3.1. Interacción con la línea de comandos
    • 1.1.3.2. Elaboración de algoritmos en un editor de textos
    • 1.1.3.3. Consejos y trucos de IPython
• 1.2. El lenguaje Python
  • 1.2.1. Primeros pasos
  • 1.2.2. Tipos básicos
    • 1.2.2.1. Tipos numéricos
    • 1.2.2.2. Contenedores
      • 1.2.2.2.1. Listas
      • 1.2.2.2.2. Cadenas
      • 1.2.2.2.3. Diccionarios
      • 1.2.2.2.4. Más contenedores de tipos
    • 1.2.2.3. Operador de asignación
  • 1.2.3. Control de flujo
    • 1.2.3.1. if/elif/else
    • 1.2.3.2. for/range
    • 1.2.3.3. while/break/continue
    • 1.2.3.4. Expresiones condicionales
    • 1.2.3.5. Iteración avanzada
      • 1.2.3.5.1. Iterando sobre una secuencia
      • 1.2.3.5.2. Seguimiento de una enumeración
      • 1.2.3.5.3. Bucle sobre un diccionario
    • 1.2.3.6. Listas por comprensión
  • 1.2.4. Definiendo funciones
    • 1.2.4.1. Definiendo una función
    • 1.2.4.2. Sentencia return
    • 1.2.4.3. Parámetros
    • 1.2.4.4. Paso por valor
    • 1.2.4.5. Variables globales
    • 1.2.4.6. Número variable de parámetros
    • 1.2.4.7. Docstrings
    • 1.2.4.8. Las funciones son objectos
    • 1.2.4.9. Métodos
    • 1.2.4.10. Ejercicios
  • 1.2.5. Reusando código: scripts y módulos
    • 1.2.5.1. Scripts
    • 1.2.5.2. Importando objectos desde módulos
    • 1.2.5.3. Creando módulos
    • 1.2.5.4. ‘__main__’ y cargando módulos
    • 1.2.5.5. Scripts o módulos? Cómo organizar su código
      • 1.2.5.5.1. Cómo encontrar módulos e importarlos
    • 1.2.5.6. Paquetes
    • 1.2.5.7. Buenas practicas
  • 1.2.6. Entrada y Salida
    • 1.2.6.1. Iterando sobre un archivo
      • 1.2.6.1.1. Modos de archivo
  • 1.2.7. Biblioteca estándar
    • 1.2.7.1. os módulo: funciones del sistema operativo
      • 1.2.7.1.1. Manipulación de directorios y archivos
      • 1.2.7.1.2. os.path: manipulanado el path
      • 1.2.7.1.3. Ejecutando un comando externo
      • 1.2.7.1.4. Recorrer una carpeta
      • 1.2.7.1.5. Variables de entorno:
    • 1.2.7.2. shutil: Operaciones de alto nivel con archivos
    • 1.2.7.3. glob: Coincidencia de patrones en archivos
    • 1.2.7.4. sys: Información específica del sistema
    • 1.2.7.5. pickle: fácil persistencia
  • 1.2.8. Manejo de excepciones en Python
    • 1.2.8.1. Excepciones
    • 1.2.8.2. Atrapando excepciones
      • 1.2.8.2.1. try/except
      • 1.2.8.2.2. try/finally
      • 1.2.8.2.3. Es más fácil pedir perdón que permiso
    • 1.2.8.3. Agregando excepciones
  • 1.2.9. Programación Orientada a Objetos (POO)
• 1.3. NumPy: creación y manipulación de datos numéricos
  • 1.3.1. El objeto array numpy
    • 1.3.1.1. Que es Numpy y los array numpy
    • 1.3.1.2. Documentación de referencia
    • 1.3.1.3. Convención para importar
    • 1.3.1.4. Creando arreglos
    • 1.3.1.5. Funciones para crear arreglos
    • 1.3.1.6. Tipos de datos básicos
    • 1.3.1.7. Visualización básica
    • 1.3.1.8. Indexado y segmentado
    • 1.3.1.9. Copias y vistas
    • 1.3.1.10. Indexado fancy
      • 1.3.1.10.1. Usando enmascarado booleano
      • 1.3.1.10.2. Indexado con una arreglo de enteros
  • 1.3.2. Operaciones numéricas con arreglos
    • 1.3.2.1. Operaciones elemento a elemento
    • 1.3.2.2. Reducciones básicas
    • 1.3.2.3. Broadcasting
    • 1.3.2.4. Manipulando las dimensiones de un arreglo
      • 1.3.2.4.1. Aplanado
      • 1.3.2.4.2. Reshaping
      • 1.3.2.4.3. Agregando una dimensión
      • 1.3.2.4.4. Cambiando dimensiones
      • 1.3.2.4.5. Resizing
      • 1.3.2.4.6. Algunos ejemplos del mundo real
    • 1.3.2.5. Ordenando datos
    • 1.3.2.6. Resumen
  • 1.3.3. Arreglos más elaborados
    • 1.3.3.1. Más tipos de datos
      • 1.3.3.1.1. Conversión de tipos
      • 1.3.3.1.2. Tamaños de tipos de datos
    • 1.3.3.2. Tipos de datos estructurados
    • 1.3.3.3. maskedarray: tratando con datos que faltan
  • 1.3.4. Operaciones avanzadas
    • 1.3.4.1. Polinomios
      • 1.3.4.1.1. Más polinomios (con más bases)
    • 1.3.4.2. Cargando archivos de datos
      • 1.3.4.2.1. Archivos de texto
      • 1.3.4.2.2. Imágenes
      • 1.3.4.2.3. Formato propio de Numpy
      • 1.3.4.2.4. Formatos bien conocidos (y más obscuros) de archivo
  • 1.3.5. Some exercises
    • 1.3.5.1. Array manipulations
    • 1.3.5.2. Picture manipulation: Framing Lena
    • 1.3.5.3. Data statistics
    • 1.3.5.4. Crude integral approximations
    • 1.3.5.5. Mandelbrot set
    • 1.3.5.6. Markov chain
• 1.4. Matplotlib: Gráficas usando pylab
  • 1.4.1. Introducción
    • 1.4.1.1. IPython y el modo pylab
    • 1.4.1.2. pylab
  • 1.4.2. Gráfica simple
    • 1.4.2.1. Valores por defecto
    • 1.4.2.2. Instancias por defecto
    • 1.4.2.3. Cambiar colores y grosor de línea
    • 1.4.2.4. Establecer límites
    • 1.4.2.5. Configurando graduación de ejes
    • 1.4.2.6. Configurando etiquetas graduadas
    • 1.4.2.7. Moviendo spines
    • 1.4.2.8. Agregando una leyenda
    • 1.4.2.9. Anotaciones en puntos
    • 1.4.2.10. Devil is in the details
  • 1.4.3. Figuras, Subplots, Axes y Ticks
    • 1.4.3.1. Figuras
    • 1.4.3.2. Subplots
    • 1.4.3.3. Ejes (axes)
    • 1.4.3.4. Graduaciones (ticks)
      • 1.4.3.4.1. Localizadoras de graduación (tick locators)
  • 1.4.4. Otros tipos de gráficos: ejemplos y ejercicios
    • 1.4.4.1. Gráficos regulares
    • 1.4.4.2. Gráficos de dispersión (scatter)
    • 1.4.4.3. Gráfico de barras (bar)
    • 1.4.4.4. Gráficos de contorno
    • 1.4.4.5. Imshow
    • 1.4.4.6. Pie Charts
    • 1.4.4.7. Quiver Plots
    • 1.4.4.8. Cuadrículas (grids)
    • 1.4.4.9. Gráficos múltiples
    • 1.4.4.10. Ejes polares
    • 1.4.4.11. Gráficos 3D
    • 1.4.4.12. Texto
  • 1.4.5. Más allá de este tutorial
    • 1.4.5.1. Tutoriales
    • 1.4.5.2. Documentación Matplotlib
    • 1.4.5.3. Código de documentación
    • 1.4.5.4. Galerías
    • 1.4.5.5. Lista de correos
  • 1.4.6. Referencias rápidas
    • 1.4.6.1. Propiedades de Línea
    • 1.4.6.2. Estilos de línea
    • 1.4.6.3. Marcadores
    • 1.4.6.4. Colormaps
• 1.5. Scipy: computación científica de alto nivel
  • 1.5.1. Entrada/salida de archivos: scipy.io
  • 1.5.2. Funciones especiales: scipy.special
  • 1.5.3. Operaciones de álgebra lineal: scipy.linalg
  • 1.5.4. Transformada rápida de Fourier: scipy.fftpack
  • 1.5.5. Optimización y ajuste: scipy.optimize
  • 1.5.6. Estadística y números aleatorios: scipy.stats
    • 1.5.6.1. Histograma y la función de densidad de probabilidad
    • 1.5.6.2. Percentiles
    • 1.5.6.3. Pruebas estadísticas
  • 1.5.7. Interpolación: scipy.interpolate
  • 1.5.8. Integración numérica: scipy.integrate
  • 1.5.9. Procesamiento de señales: scipy.signal
  • 1.5.10. Procesamiento de imágenes: scipy.ndimage
    • 1.5.10.1. Transformaciones geométricas en imágenes
    • 1.5.10.2. Filtrado de imágenes
    • 1.5.10.3. Morfología matemática
    • 1.5.10.4. Mediciones en imágenes
  • 1.5.11. Sumario de ejercicios para computación científica
    • 1.5.11.25. Maximum wind speed prediction at the Sprogø station
      • 1.5.11.25.1. Statistical approach
      • 1.5.11.25.2. Computing the cumulative probabilities
      • 1.5.11.25.3. Prediction with UnivariateSpline
      • 1.5.11.25.4. Exercise with the Gumbell distribution
    • 1.5.11.26. Non linear least squares curve fitting: application to point extraction in topographical lidar data
      • 1.5.11.26.1. Introduction
      • 1.5.11.26.2. Loading and visualization
      • 1.5.11.26.3. Fitting a waveform with a simple Gaussian model
        • 1.5.11.26.3.1. Model
        • 1.5.11.26.3.2. Initial solution
        • 1.5.11.26.3.3. Fit
      • 1.5.11.26.4. Going further
    • 1.5.11.27. Image processing application: counting bubbles and unmolten grains
      • 1.5.11.27.1. Statement of the problem
      • 1.5.11.27.2. Proposed solution
    • 1.5.11.31. Example of solution for the image processing exercise: unmolten grains in glass
    • 1.5.11.28. Tránsito de avenidas en embalses
    • 1.5.11.29. Tránsito de avenidas en cauces naturales
    • 1.5.11.32. Solución tránsito de avenidas en cauces naturales
      • 1.5.11.32.1. Método de Muskingum
    • 1.5.11.30. Ajuste de curva de caudales
    • 1.5.11.25. Maximum wind speed prediction at the Sprogø station
      • 1.5.11.25.1. Statistical approach
      • 1.5.11.25.2. Computing the cumulative probabilities
      • 1.5.11.25.3. Prediction with UnivariateSpline
      • 1.5.11.25.4. Exercise with the Gumbell distribution
    • 1.5.11.26. Non linear least squares curve fitting: application to point extraction in topographical lidar data
      • 1.5.11.26.1. Introduction
      • 1.5.11.26.2. Loading and visualization
      • 1.5.11.26.3. Fitting a waveform with a simple Gaussian model
        • 1.5.11.26.3.1. Model
        • 1.5.11.26.3.2. Initial solution
        • 1.5.11.26.3.3. Fit
      • 1.5.11.26.4. Going further
    • 1.5.11.27. Image processing application: counting bubbles and unmolten grains
      • 1.5.11.27.1. Statement of the problem
      • 1.5.11.27.2. Proposed solution
    • 1.5.11.28. Tránsito de avenidas en embalses
    • 1.5.11.29. Tránsito de avenidas en cauces naturales
    • 1.5.11.30. Ajuste de curva de caudales
    • 1.5.11.31. Example of solution for the image processing exercise: unmolten grains in glass
    • 1.5.11.32. Solución tránsito de avenidas en cauces naturales
      • 1.5.11.32.1. Método de Muskingum
    • 1.5.11.25. Maximum wind speed prediction at the Sprogø station
      • 1.5.11.25.1. Statistical approach
      • 1.5.11.25.2. Computing the cumulative probabilities
      • 1.5.11.25.3. Prediction with UnivariateSpline
      • 1.5.11.25.4. Exercise with the Gumbell distribution
    • 1.5.11.26. Non linear least squares curve fitting: application to point extraction in topographical lidar data
      • 1.5.11.26.1. Introduction
      • 1.5.11.26.2. Loading and visualization
      • 1.5.11.26.3. Fitting a waveform with a simple Gaussian model
        • 1.5.11.26.3.1. Model
        • 1.5.11.26.3.2. Initial solution
        • 1.5.11.26.3.3. Fit
      • 1.5.11.26.4. Going further
    • 1.5.11.27. Image processing application: counting bubbles and unmolten grains
      • 1.5.11.27.1. Statement of the problem
      • 1.5.11.27.2. Proposed solution
    • 1.5.11.28. Tránsito de avenidas en embalses
    • 1.5.11.29. Tránsito de avenidas en cauces naturales
    • 1.5.11.30. Ajuste de curva de caudales
    • 1.5.11.31. Example of solution for the image processing exercise: unmolten grains in glass
    • 1.5.11.32. Solución tránsito de avenidas en cauces naturales
      • 1.5.11.32.1. Método de Muskingum
• 1.6. Obteniendo ayuda y buscando en la documentación