Le site de la documentation en fournit la liste. C’est de loin la structure de données la plus utilisée pour le calcul scien- tifique sous Python. Elle décrit des tableaux ou matrices multi-indices de di- mension n = 1; 2; 3; : : : ; 40. Tous les éléments sont de même type (booléen, entier, réel, complexe).
Le calcul scientifique consiste en l’utilisation d’un outil de calcul (calculatrice, ordinateur) et le développement de méthodes numériques pour la résolution de problèmes qu’il est difficile de résoudre analytiquement. Deux difficultés apparaissent dans cette définition : utilisation d’un outil de calcul et développement de méthodes numériques.
Le module integrate de Scipy fournit plusieurs fonctions pour faire l'intégration numérique d'une fonction définie : scipy.integrate.quad () : par la méthode de quadrature, donne la valeur de l'intégrale et une estimation de l'erreur ;
Cet interpréteur est particulièrement utile pour comprendre les bases de Python et réaliser nos premiers petits programmes. Le principal inconvénient, c’est que le code que vous saisissez n’est pas sauvegardé.
Pour une fonction définie La fonction scipy.misc.derivative()permet de calculer les dérivées numériques successives d'une fonction, par exemple : Le module scipy.optimize fournit la fonction approx_fprime() mais celle-ci ne fonctionne qu'avec une unique valeur de xà la fois. Pour une liste de valeurs La fonction np.diff() calcule la différence entre les éléments consécutifs d'un vecteur (ou d'une liste ou d'un n-uplet) : np.diff(M) == M[1:] - M[:-1]. Si M est une matrice, il faut indiquer l'axe en paramètre axis= : 0 (premier indice) pour faire une différence entre les lignes, 1 (deuxième indice) pour faire la différence entre les colonnes… L'axe par défaut est -1. La fonction np.ediff1d() fait la différence en remettant « en ligne » (comme avec .flat) la matrice. Par exemple : Si les coo
Pour une fonction définie Le module integratede Scipy fournit plusieurs fonctions pour faire l'intégration numérique d'une fonction définie : 1. scipy.integrate.quad(): par la méthode de quadrature, donne la valeur de l'intégrale et une estimation de l'erreur ; 2. scipy.integrate.fixed_quad() : par une méthode de quadrature de Gauss d'ordre fixe, donne la valeur de l'intégrale et none(valeur fixe) ; 3. scipy.integrate.quadrature(): par une méthode de quadrature de Gauss adaptative, donne la valeur de l'intégrale et la
Équations différentielles ordinaires d'ordre 1 Une équation différentielle ordinaire (ÉDO) d'ordre 1 est une équation de la forme : 1. y ′ ( t ) = f ( y ( t ) ) {displaystyle y'(t)=f(y(t))} que l'on écrit souvent sous la forme : 1. d y d t = f ( y ) {displaystyle {frac {mathrm {d} y}{mathrm {d} t}}=f(y)} Étant données des conditions initiales y(t0) = y0, on cherche la valeur de y pour un paramètre tf. Le module scipy contient un module integrate qui propose la fonction solve_ivp() ; c'est une procédure itérative. La syntaxe est de la
Une ÉDO d'ordre supérieur peut se réduire à une ÉDO d'ordre 1. 1. Pour plus de détails voir : w:fr:Équation différentielle ordinaire#Réduction à 1 de l'ordre d'une équation. Nous pouvons donc utiliser la même fonction grâce à un changement de variables. Considérons par exemple l'ÉDO linéaire à coefficients constants d'ordre 2 suivante : 1. y ’’ + a
Le LLNL (Lawrence Livemore National Laboratory) a développé une bibliothèque pour le calcul différentiel et la résolution de systèmes algébriques, appelé SUNDIALS (Suite of nonlinear and differential/algebraic equation solvers). Cette bibliothèque est actuellement en cours de transposition dans Python. See full list on fr.wikibooks.org