En cuanto a las herramientas livianas, Python es inmejorable en este campo (a menos que tenga toneladas de efectivo para MATLAB … e incluso entonces discutiría un poco dependiendo de los casos de uso). Específicamente para cálculos numéricos, puede usar SciPy / NumPy para hacer un montón de cosas. Entre algunos de los módulos están: álgebra lineal, matrices enmascaradas, estadísticas, procesamiento de señales / material FFT e incluso algunos elementos básicos de agrupación.
Si necesita rendimiento más adelante, puede usar Cython y escribir código C en línea con Python para acelerar las partes intensivas de rendimiento de su código. Si desea el aprendizaje automático, hay scikits-learn que probablemente tenga la mayor parte de lo que necesita. Python es muy popular porque tiene una gran selección de bibliotecas para elegir, y en su mayoría son muy fáciles de usar. Incluso hay bibliotecas para códigos serios de alto rendimiento, como CUDA (GPU), MPI o simplemente multiprocesamiento simétrico.
Para la visualización, hay matplotlib / PyLab, que es muy parecido al trazado de MATLAB. Se interconecta bastante bien con Scipy y Numpy.
- ¿HIIT es solo otro truco de la industria del fitness con el marketing utilizando investigación profesional y científica?
- ¿Por qué los laboratorios de investigación académica luchan por obtener fondos cuando su investigación proporciona valor?
- ¿Es aceptable hacer ciencia con CPU de código cerrado a largo plazo?
- ¿Por qué los rayos no causan fusión (o sí)?
- ¿Cuáles son actualmente las áreas de investigación más prometedoras en el campo de la física?
Si tiene una tarea específica, puede ser útil saber en caso de que necesite ayuda para encontrar las bibliotecas apropiadas.
