نقد و بررسی کتاب: “ابزار پایتون برای دانشمندان”

پایتون ابزارهای محاسباتی علمی فراوانی دارد، پس چگونه تصمیم می گیرید کدام یک برای شما مناسب است؟ این کتاب سر و صدا را کاهش می دهد تا به شما در ارائه نتایج کمک کند.

Python برای کار سریع و راحت با داده‌ها، انجام تجزیه و تحلیل داده‌ها و انجام کارها نامی را به‌عنوان زبانی به‌دست آورده است. اما از آنجایی که اکوسیستم پایتون بسیار وسیع و قدرتمند است، بسیاری از افرادی که تازه با این زبان شروع کرده‌اند، برای مرتب کردن همه آن مشکل دارند. آنها می پرسند: “آیا من از NumPy یا Pandas برای این کار استفاده می کنم؟”، یا “تفاوت بین Plotly و Bokeh چیست؟” آشنا به نظر می رسد؟

ابزارهای پایتون برای دانشمندان، توسط لی وان (بدون چاپ نشاسته، سانفرانسیسکو)، که در ژانویه ۲۰۲۳ منتشر خواهد شد، راهنمایی برای Pythonically سردرگم است. همانطور که در مقدمه توضیح داده شد، این کتاب قرار است به عنوان “یک چاقو برای هک کردن در جنگل متراکم توزیع ها، ابزارها و کتابخانه های پایتون” استفاده شود. مطابق با این هدف، کتاب به یک توزیع محبوب پایتون برای کارهای علمی –Anaconda – و ابزارهای محاسباتی علمی و کتابخانه‌های رایجی که با آن بسته‌بندی شده‌اند محدود می‌شود: Spyder IDE، Jupyter Notebook، و Jupyterlab و کتابخانه‌های NumPy، Matplotlib، Pandas، Seaborn و Scikit-learn.

یک نکته هشدار دهنده

یک فرض ناگفته این کتاب این است که شما از فقط Anaconda به عنوان نصب اولیه پایتون خود استفاده می‌کنید. اگر در محیط توسعه خود توزیعات پایتون دیگری دارید (به غیر از آنچه همراه با سیستم عامل است)، پیشنهاد می کنم برای جلوگیری از بروز مشکل، آنها را حذف کنید.

تنظیم فضای کاری پایتون

بخش اول کتاب به راه اندازی یک فضای کاری می پردازد، در این مورد با نصب Anaconda و آشنایی با ابزارهایی مانند Jupyter و Spyder. همچنین جزئیات ایجاد محیط‌های مجازی و مدیریت بسته‌های درون آن‌ها را با دستورالعمل‌های خط فرمان دقیق و اسکرین‌شات‌ها پوشش می‌دهد.

آشنایی با زبان پایتون

برای کسانی که اصلا پایتون را نمی دانند، قسمت دوم کتاب یک آغازگر فشرده برای زبان است. جدای از پوشش اصولی – نحو پایتون، داده ها و انواع کانتینر، کنترل جریان، توابع/ماژول ها – همچنین جزئیاتی در مورد کلاس ها و برنامه نویسی شی گرا، نوشتن کدهای خود مستندسازی، و کار با فایل ها (متن، داده های ترشی، و JSON). اگر به معرفی عمیق تری نیاز دارید، پیشگفتار شما را به سمت منابع یادگیری قوی تر راهنمایی می کند. با این حال، این بخش به خودی خود به اندازه برخی از راهنماهای مستقل «شروع با پایتون» مفصل است.

در یک نگاه

عنوان: ابزارهای پایتون برای دانشمندان
نویسنده: لی وان
ناشر: No Starch Press
چاپ: $۴۹.۹۹; کتاب الکترونیکی: ۳۹.۹۹ دلار

باز کردن بسته بندی آناکوندا

قسمت سوم، بسیاری از کتابخانه‌های بسته‌بندی شده با Anaconda را برای محاسبات علمی عمومی (SciPy)، یادگیری عمیق، بینایی رایانه، پردازش زبان طبیعی، داشبورد و تجسم، داده‌های مکانی و تجسم جغرافیایی و بسیاری موارد دیگر بازدید می‌کند. هدف این بخش نشان دادن عمیق کتابخانه ها نیست، بلکه نشان دادن تفاوت های آنها و امکان انتخاب آگاهانه بین آنها است. یک مثال توصیه برای نحوه انتخاب کتابخانه یادگیری عمیق است:

تظاهرات

قسمت چهارم با چندین کتابخانه کلیدی عمیق می شود: NumPy، Matplotlib، Pandas، Seaborn (برای تجسم داده ها)، و Scikit-learn. هر کتابخانه با مثال های عملی نشان داده شده است. در مورد Pandas، Seaborn و Scikit-learn، یک پروژه سرگرم کننده شامل مجموعه داده (پروژه پنگوئن های پالمر) که می توانید در حین خواندن با آنها تعامل داشته باشید.

این کتاب برخی از جنبه‌های محاسبات علمی با پایتون را پوشش نمی‌دهد. به عنوان مثال، Cython و Numba مورد بحث قرار نگرفته اند، و هیچ اشاره ای به ادغام متقابل با سایر زبان های علمی محاسباتی مانند R یا FORTRAN وجود ندارد. در عوض، این کتاب بر مأموریت اصلی خود متمرکز می‌شود: راهنمایی شما در میان انبوهی از پیشنهادات علمی پایتون موجود با استفاده از Anaconda.