Hvad bruges Python til? 10+ kodningsanvendelser til Python-programmeringssprog.

Velkommen

Hej! Brug et øjeblik til at tænke over dette spørgsmål:

Hvordan anvendes Python i virkelige scenarier?

Hvis du lærer Python, og du vil vide svaret, er denne artikel noget for dig.

At have en klar idé om applikationerne og det store potentiale i dette programmeringssprog vil give dig den motivation, du har brug for under din rejse.

Lad os begynde! ✨

? Python i virkelige scenarier

Python bruges i stort set alle brancher og videnskabelige områder, som du kan forestille dig, herunder:

  • Datalogi.
  • Maskinelæring.
  • Web-udvikling.
  • Computer Science Uddannelse.
  • Computersyn og billedbehandling.
  • Spiludvikling.
  • Medicin og farmakologi.
  • Biologi og bioinformatik.
  • Neurovidenskab og psykologi.
  • Astronomi.
  • Andre områder såsom robotteknologi, autonome køretøjer, forretning, meteorologi og grafisk brugergrænseflade (GUI) udvikling.

Denne artikel dækker en bred vifte af anvendelser af dette programmeringssprog i disse industrier med eksempler, use cases og Python-biblioteker. Lad os starte med applikationerne af Python inden for datavidenskab.

? Datavidenskab: analyse og visualisering

Måske er en af ​​de mest populære applikationer af Python datalogi. Kraften fra Python-bibliotekerne udviklet til dataanalyse og visualisering er forbløffende. Lad os se hvorfor.

Data Science applikationer

Med et Python-datavisualiseringsbibliotek kan du oprette en lang række plots og visuelle repræsentationer, såsom:

  • Linjer, barer og markører.
  • Billeder, konturer og felter.
  • Delplotter, akser og figurer.
  • Statistik (boksdiagrammer, søjlediagrammer og histogrammer).
  • Tærte- og polkort.
  • 3D-plot.
  • og mere!

Du kan tilføje tekst, etiketter, annoteringer, farve, figurer, samlinger, animationer og interaktivitet til dine plot afhængigt af den pakke eller det bibliotek, du vælger at arbejde med.

Tip: Du kan se nogle eksempler på datavisualiseringer genereret med Python i billedet ovenfor.

Biblioteker og pakker

Lad os se nogle af de mest populære pakker og biblioteker til at arbejde med Python inden for datavidenskab:

Python til dataanalyse

  • NumPy: denne pakke er beskrevet som "den grundlæggende pakke til videnskabelig computing med Python". Ifølge den officielle hjemmeside for denne pakke "trækker næsten enhver videnskabsmand, der arbejder i Python, på kraften i NumPy."
  • Pandas: er "et hurtigt, kraftfuldt, fleksibelt og let at bruge open source dataanalyse- og manipulationsværktøj."

Python til datavisualisering

  • Matplotlib: er "et omfattende bibliotek til oprettelse af statiske, animerede og interaktive visualiseringer i Python." Hvis du er nysgerrig efter, hvad du kan gøre med dette bibliotek, skal du tjekke eksemplet galleri.
  • Seaborn: er "et Python-datavisualiseringsbibliotek baseret på matplotlib." Hvis du er nysgerrig efter, hvad du kan gøre med dette bibliotek, skal du tjekke eksemplets galleri.
  • ggplot2: er "et system til erklærende oprettelse af grafik, baseret på grafikken". Ifølge dets officielle hjemmeside: "du leverer dataene, fortæl ggplot2, hvordan du kortlægger variabler til æstetik, hvilke grafiske primitiver du skal bruge, og det tager sig af detaljerne."
  • Bokeh: er "et interaktivt visualiseringsbibliotek til moderne webbrowsere".
  • Pandaer:dette bibliotek har mange værktøjer til datavisualisering.

Læringsressourcer

Hvis du vil lære dataanalyse og visualisering ved hjælp af Python, Jupyter Notebooks, Numpy, Pandas, CSV-filer, datarammer og mere, kan du starte din rejse med freeCodeCamps gratis dataanalyse med Python-certificering :

Under certificeringen arbejder du på og gennemfører disse projekter:

  • Middel-varians-standardafvigelsesberegner.
  • Demografisk dataanalysator.
  • Visualiseringsmedicin.
  • Sidevisning Tidsserie Visualizer.
  • Prædiktor for havniveau.

freeCodeCamps YouTube-kanal har også disse fantastiske gratis tutorials til at komme i gang:

  • Dataanalyse med Python - Fuld kursus for begyndere (Numpy, Pandas, Matplotlib, Seaborn) af Santiago Basulto.
  • Python for datalogi - Lær pandaer, Matplotlib, Numpy og mere af DataPublishing
  • Matplotlib Crash Course af Keith Galli
  • Python NumPy Tutorial for Beginners af Keith Galli

Derudover er disse nyttige ressourcer, hvis du vil lære at arbejde med disse biblioteker:

  • Matplolib Tutorials: gratis introduktions-, mellem- og avancerede tutorials, der lærer dig, hvordan du opretter fantastiske visualiseringer.
  • Pandas "Kom godt i gang" sektion: gratis introduktionsvejledninger.
  • NumPy Lær sektion: en kurateret samling af eksterne ressourcer, der hjælper dig med at komme i gang.

? Maskinindlæring

Python er et vigtigt værktøj for enhver udvikler, der ønsker at komme ind i det fascinerende område Machine Learning. Lad os se en kort introduktion til maskinlæring.

Hvad er maskinlæring?

Machine Learning er et område inden for datalogi, der skaber systemer, der er i stand til at lære alene.

Denne type system bruger algoritmer, der løbende forbedres baseret på inputdata, der hjælper systemet med at "lære". Det lærer, hvordan man reagerer autonomt på nye scenarier ved at generere en passende output i nye scenarier baseret på tidligere viden.

En af de mest fantastiske ting ved disse systemer er, at de konstant raffineres.

De ligner ikke de programmer, som vi typisk skriver i et Python-script, hvor vi specificerer enhver mulig handling, som programmet kan tage. I maskinindlæring trænes systemet i at "tænke" og træffe beslutninger baseret på tidligere viden.

Derfor siger vi, at maskiner "lærer" af dataene.

? Tip: Dette er en interessant samtale fra Google: Machine Learning Zero to Hero (Google I / O'19).

Neurale netværk: Byggestenene til maskinindlæring

Neurale netværk er behandlingsenhederne i systemet. De forsøger at simulere et ægte netværk af hjernens neuroner. De virtuelle "neuroner" modtager input, lærer at behandle dette input og genererer et output baseret på deres tidligere viden.

Dette svarer meget til, hvad hjernen gør hvert eneste øjeblik hver eneste dag.

Takket være neurale netværk kan en Machine Learning-algoritme lære at forudsige det forventede output fra et givet input baseret på tidligere viden.

For eksempel, når du ser anbefalede videoer på YouTube, blev disse anbefalinger genereret af neurale netværk, der forudsiger, hvilke videoer du måske vil se baseret på dine tidligere mønstre. Fantastisk, ikke?

? Tip: Dette er en interessant artikel fra Google, hvis du gerne vil læse mere om dette YouTube-eksempel.

Python og maskinindlæring

Jeg er sikker på at du må spørge: hvad er Pythons rolle i dette område? Det er et af de mest populære og kraftfulde værktøjer, der bruges til at programmere denne type system.

Et af de mest populære biblioteker, der bruges af udviklere over hele verden til at arbejde med Python, der anvendes til Machine Learning, er TensorFlow . Det er et gratis open source-bibliotek udviklet af Google Brain Team. Dette bibliotek bruges til forskning og produktion hos Google.

Ifølge Jeff Dean, lederen af ​​Googles afdeling for kunstig intelligens:

I dag bruges det stærkt i vores talegenkendelsessystemer i et nyt Google Fotos-produkt, Gmail og Google Søgning. (kilde)

Den bedste del er, at udviklere over hele verden kan bruge dette bibliotek til at tackle virkelige problemer.

? Tip: Dette er en fantastisk video om TensorFlow lavet af Google.

Dette er to andre populære Python-biblioteker, der bruges til maskinindlæring:

  • Keras - et open source neuralt netværksbibliotek skrevet i Python.
  • PyTorch - et open source-maskinlæringsbibliotek, der bruges til at udvikle og træne neurale netværk.

Machine Learning-projekter i Python

Maskinlæringens potentiale er virkelig uendeligt. Det kan anvendes på stort set ethvert område og kontekst, du kan tænke på. Hvis opgaven kræver læring fra mønstre og forudsigelse af output, kan en Machine Learning-model helt sikkert hjælpe.

For eksempel for at give dig en idé om, hvilken type projekter du kan oprette, inkluderer freeCodeCamps læseplan en gratis Machine Learning med Python-certificering :

Under certificeringen arbejder du på og gennemfører disse projekter:

  • Sten saks papir.
  • Cat and Dog Image Classifier.
  • Boganbefalingsmotor ved hjælp af K-nærmeste naboer.
  • Lineær regression sundhedsomkostningsberegner.
  • Neural Network SMS klassificering.

Flere eksempler på virkelige applikationer

Du kan finde flere eksempler på applikationer af Machine Learning i Kaggle, et "online community af dataforskere og machine learning-praktikere", der ejes af Google.

I denne platform kan du øve dine Python og Machine Learning færdigheder ved at arbejde på projekter og deltage i konkurrencer.

For at give dig en idé om, hvilken type projekter du kan tackle med Machine Learning, inkluderer tidligere konkurrencer i Kaggle:

  • Forudsigelse af lungefunktionsnedgang.
  • Forudsiger overlevelse på Titanic.
  • Bygge værktøjer til overvågning af fuglepopulationer.
  • Mærkning af berømte vartegn.
  • Prognose COVID-19 spredning.
  • Estimering af enhedssalget af Walmart-detailvarer.
  • Identificere videoer med ansigts- eller lydmanipulationer.
  • Forudsiger ventetider ved større bykryds.
  • Opdage svindel fra kundetransaktioner.
  • Forudsiger en film verdensomspændende billetindtægter.
  • Forudsigelse af adoption af kæledyr.
  • Identificering af risiko, når piloter er distraheret, søvnige eller i andre farlige kognitive tilstande.

Som du kan se, lige i denne korte liste over projekter, spænder applikationerne fra medicin til forretning, fra biologi til risikodetektion og fra svindeldetektering til billedbehandling. Mulighederne er virkelig uendelige, når du tackler virkelige problemer ved hjælp af Machine Learning.

Læringsressourcer

freeCodeCamps YouTube-kanal har disse nyttige tutorials til at komme i gang med Machine Learning i Python:

  • TensorFlow 2.0 Komplet kursus - Python Neural Networks for Beginners Tutorial
  • Udvikl en AI til at spille Connect Four - Python Tutorial
  • Scikit-Learn-kursus - Machine Learning i Python-vejledning
  • PyTorch for Deep Learning - Fuldt kursus / selvstudium

? Webudvikling

Python bruges inden for webudvikling til at opbygge back-end af webapplikationer. Lad os starte dette afsnit med at tale lidt om, hvad back-end er, og hvordan det hjælper os med at oprette webapplikationer.

Python til back-end webudvikling

I en webapplikation kaldes al den kode, der bruges til at interagere med brugeren og oprette, hvad brugeren ser, front-end-delen af ​​applikationen.

Python bruges til at kode programmets funktionalitet bag kulisserne, den del, der styrer al applikationens funktionalitet, men som du ikke ser direkte på skærmen.

Det håndterer serversiden af ​​applikationen og interagerer med alle de nødvendige databaser, når brugeren anmoder om data. Det returnerer de ønskede data til brugeren for at få applikationen til at køre som forventet.

Tip: Full-Stack Webudvikling involverer både front-end og back-end af en webapplikation for at gøre den præsentabel for brugeren, mens han arbejder med databaser.

Webrammer

Disse er nogle populære Python-webrammer:

  • Django: en "højt niveau Python Web-ramme, der tilskynder til hurtig udvikling og rent, pragmatisk design."
  • Kolbe: et meget populært mikroframework, der bruges til at udvikle webapplikationer i Python.
  • Pyramide: en "lille, hurtig, jordnær Python-webramme."
  • Web2Py: en "gratis open source full-stack-ramme til hurtig udvikling af hurtige, skalerbare, sikre og bærbare databasedrevne webbaserede applikationer."
  • Flaske: en "hurtig, enkel og let WSGI-mikro-webramme til Python."

Læringsressourcer

freeCodeCamps YouTube-kanal har fantastiske gratis tutorials til at lære webudvikling i Python:

  • Python Django Web Framework - Komplet kursus for begyndere
  • Lær kolbe til Python - Komplet vejledning
  • Webprogrammering med kolbe - Introduktion til datalogi - Harvards CS50 (2018)
  • Fuld stak Python Flask tutorial - Byg et socialt netværk

Dette er også gode gratis ressourcer til at lære at arbejde med disse rammer:

  • Django "Første trin" sektion
  • Pyramid Tutorials
  • Hurtig tutorial til Pyramid

? Datalogiuddannelse

Python spiller i øjeblikket en nøglerolle inden for datalogiuddannelse over hele verden. Lad os se hvorfor.

Hvorfor Python?

Python bruges så meget som et undervisningsværktøj, fordi:

  • Det er let at lære: dens syntaks er enkelt, og det kan læres hurtigt. Studerende begynder at dykke ned i mere avancerede aspekter af datalogi meget hurtigere end med andre programmeringssprog.
  • Det er kraftfuldt: det bruges i virkelige applikationer, så studerende begynder straks at erhverve værdifulde færdigheder til deres karriere.
  • Det er alsidigt: det understøtter forskellige programmeringsparadigmer, herunder bydende programmering, funktionel programmering, procedureprogrammering og objektorienteret programmering.

Skaberen af ​​Python-sproget, Guido van Rossum, sagde, at:

Nu er det min overbevisning, at Python er meget nemmere end at undervise studerende i programmering og lære dem C eller C ++ eller Java på samme tid, fordi alle detaljerne i sprogene er så meget sværere.

Pythons syntaks er enkel og ligetil, så studerende kan begynde at lære beregningstænkning og problemløsning færdigheder meget hurtigere, hvilket normalt er hovedmålet med indledende datalogikurser.

Python i klasselokalet og online læring

Mange universiteter og skoler rundt om i verden har besluttet at undervise i introduktionsprogrammering og datalogikurser ved hjælp af Python.

For eksempel underviser MIT, et af verdens førende universiteter inden for teknologi, indledende datalogi og programmering ved hjælp af Python (både i on-campus og online versioner af kurset om edX).

Ifølge en artikel fra MIT News, der blev offentliggjort, da onlineversionen af ​​kurset nåede 1,2 millioner tilmeldinger, er kurset "blevet den mest populære MOOC i MIT-historien".

Dette viser tydeligt, at Pythons popularitet fortsætter med at stige. I artiklen kan du finde vidnesbyrd fra studerende, der lærte Python, og hvordan denne nye viden forbedrede deres liv.

I artiklen siger professor Ana Bell, lektor i EECS-afdelingen ved MIT, at:

"Kernen i 6.00-serien lærer beregningstænkning ... Det gør det ved hjælp af Python-programmeringssproget, men kurset lærer også programmeringskoncepter, der kan anvendes på ethvert andet programmeringssprog."

Dette viser klart potentialet i Python som et undervisningsværktøj. Det kan bruges til at undervise på højere koncepter, der kan anvendes på andre programmeringssprog.

Og det gør det uden det ekstra lag af kompleksitet, som syntaksen for andre programmeringssprog som Java eller C kan føje til læringsprocessen.

I løbet af de sidste par år er onlinekurser blevet en vigtig del af de daglige liv for elever i alle aldre verden over. Mængden af ​​gratis online kurser og ressourcer er udvidet enormt i de sidste par år.  

For eksempel inkluderer freeCodeCamps læseplan tre gratis certifikater med projekter, der hjælper dig med at udvide dine Python-færdigheder inden for nøgleområder med stor efterspørgsel over hele verden:

  • Videnskabelig computing med Python.
  • Dataanalyse med Python.
  • Maskinindlæring med Python.

Harvard University tilbyder også disse online kurser, der kan revideres gratis:

  • CS50's introduktion til datalogi.
  • CS50's webprogrammering med Python og JavaScript.
  • CS50's introduktion til kunstig intelligens med Python.

Python er bestemt blevet et nøgleværktøj, der har forbedret uddannelse i datalogi over hele verden. Og det vil fortsætte med at gøre det i fremtiden.

Hvis du overvejer at undervise i et kursus ved hjælp af Python eller lære Python, garanterer jeg dig, at din tid og kræfter vil være det hele værd.

? Computersyn og billedbehandling

Python bruges til computersyn og billedbehandling, felter der ekspanderer hurtigt.

Målet med billedbehandling er at behandle et billede, anvende transformationer til det og returnere en ny version af det originale billede.  

I modsætning hertil er målet med computersyn mere komplekst, fordi det forsøger at få computeren til at forstå og fortolke et billede og dets indhold.

Billedbehandling

Lad os starte med billedbehandling. Med et Python-bibliotek kan du udføre handlinger som:

  • Beskæring, vending og rotation.
  • Manipulering af eksponering og farvekanaler.
  • Registrering af kanter og linjer.
  • Tilføjelse af filtre og gendannelse af billeder.

Computervision

Lad os nu dykke ned i computersyn. Hvis du begynder at undersøge dette emne, bliver du måske overrasket over dets aktuelle applikationer. Nogle af dem er:

  • Navigation.
  • Objekt- og begivenhedsdetektion.
  • Ansigtsgenkendelse.
  • Billedklassificering.

Dette videnskabelige felt er så vigtigt, at Google udviklede et værktøj kaldet Cloud Vision, som har en Python-version, som udviklere kan integrere denne funktionalitet i deres programmer.

I henhold til "Brug af Vision API med Python" tutorial i Google Codelabs, Google Cloud Vision API:

Tillader udviklere nemt at integrere synsdetekteringsfunktioner i applikationer, herunder billedmærkning, ansigts- og milepældetektering, optisk tegngenkendelse (OCR) og tagging af eksplicit indhold.

Dette sæt værktøjer giver funktionalitet til ansigtsgenkendelse, registrering af vartegn, logodetektion, etiketregistrering, tekstregistrering og mere.

? Tip: En af de mest fantastiske anvendelser af computer vision er udvikling af software til kontrol selvkørende biler. Disse køretøjer skal "se", hvor de kører, hvor banen er, og hvilke genstande der omgiver dem (inklusive andre køretøjer). Computersyn spiller en nøglerolle i denne funktionalitet.

Python-biblioteker

Dette er nogle fantastiske biblioteker til computersyn og billedbehandling:

  • OpenCV: et "open source computer vision og machine learning softwarebibliotek". Dens Python-version hedder OpenCV-Python.
  • scikit-image: en "samling af algoritmer, der bruges til billedbehandling".
  • NumPy: det kan bruges til at behandle pixels i et billede som et 2D-array.
  • SciPy: pakken scipy.ndimage "indeholder forskellige funktioner til multidimensionel billedbehandling."

? Spiludvikling

Spil former bestemt liv og skaber tidløse minder. De vil fortsat være en del af vores samfund i de kommende år. Python er der allerede og tænder gnisten ved oprettelse af spil.

Python Game Development Frameworks

Ifølge den officielle Python-dokumentation er der to hoved Python-rammer, der bruges til at udvikle spil:

  • pygame: "den originale og stadig meget aktive pakke til spiludvikling ved hjælp af Python. Det giver Python mulighed for at tale med SDL, et multimediebibliotek på tværs af platforme. Fordi det skal kompileres for hver platform og hver Python-version, kan der være et forsinkelse, når en ny Python-version kommer. "
  • pyglet: dette er "nykomlingen, baseret på OpenGL. Da det er en ren Python-pakke, kan den bruges som den er, selv når en ny Python-version frigives (undtagen Python 2 til Python 3-overgangen)."

Du kan også bruge skildpaddemodulet til at oprette enkle spil. Turtle er et indbygget Python-modul, der installeres automatisk, når du installerer Python på din computer. Det hjælper dig med at oprette spil med simpel grafik og med en simpel brugergrænseflade.

Læringsressourcer

Hvis du vil lære spiludvikling i Python, har freeCodeCamps YouTube-kanal disse fantastiske gratis tutorials:

  • Lær Python ved at opbygge fem spil - fuld kursus
  • Python og Pygame Tutorial - Build Tetris! Fuld GameDev kursus
  • Snake Game Python Tutorial

? Medicin og farmakologi

Python har også fantastiske applikationer inden for det medicinske område. Du vil blive overrasket over, hvordan teknologien kombineres med medicinsk viden for at give nøjagtige og effektive diagnoser og behandlinger til patienterne.

Ansøgninger

Nogle eksempler på brugen af ​​Python i medicin og farmakologi inkluderer:

  • At stille kliniske diagnoser baseret på patienternes medicinske journaler og symptomer.
  • Analyse af medicinske data.
  • Fremstilling af beregningsmodeller for at fremskynde udviklingen af ​​nye lægemidler.

Disse brede applikationer inkluderer tusinder og tusinder af eksempler rundt om i verden. Jeg valgte et par af dem for at illustrere, hvordan Python udformer dette felt. Lad os se på dem.

Farmaceutisk succeshistorie: AstraZeneca

Ifølge den officielle Python-dokumentation brugte en af ​​verdens førende farmaceutiske virksomheder, AstraZeneca, Python til at forbedre deres eksisterende beregningsmodeller for at gøre dem "mere robuste, udvidelige og vedligeholdelige".

Forskere brugte disse modeller til at simulere molekylernes kemiske struktur og deres virkning i kroppen. Dette hjalp forskere med at identificere potentielle molekyler til nye lægemidler og begynde at teste dem hurtigere i laboratoriet.

Da han blev medlem af holdet, overbeviste Andrew Dalke, som en ”velkendt talsmand for Python inden for beregningskemi og biologi” holdet om, at Python var nøjagtigt det, de havde brug for.

Python blev valgt til dette arbejde, fordi det er et af de bedste sprog, der er tilgængelige for fysiske forskere, det vil sige for folk, der ikke har en datalogisk baggrund.

Han sagde, at:

Python blev designet til at løse virkelige problemer, som en ekspert programmerer står over for. Resultatet er et sprog, der skalerer godt fra små scripts skrevet af en kemiker til store pakker skrevet af en softwareudvikler.

Fantastisk, ikke? Python kan drive de beregningsmodeller, som farmaceutiske laboratorier bruger til at udvikle nye lægemidler.

Identifikation af røde blodlegemer (RBC)

En anden interessant medicinsk anvendelse af Python er relateret til hæmatologi. Normalt analyserer specialiserede fagfolk blodprøver ved at tælle og identificere celler manuelt, men dette kan forbedres ved hjælp af automatisering.

Forskere fandt ud af, at Python kan være det rigtige værktøj til jobbet. Lad os se et interessant projekt.

IdentiCyte

Målet med dette projekt er at identificere og klassificere former for røde blodlegemer baseret på billeder taget fra optiske mikroskoper. Ifølge denne artikel kan "RBC-form hjælpe med at diagnosticere sygdomme og lidelser som leukæmi, seglcelleanæmi og malaria."

Projektet blev udviklet af forskere fra Bioresource Processing Research Institute Australia. Det blev programmeret i Python, og det brugte billedbehandling af Python-pakker og biblioteker som numpy, scipy, opencv-python, scikit-learning og matplotlib.

Python medicinske pakker

  • pyGeno: en open source Python-pakke udviklet af Tariq Daouda ved Institute for Research in Immunology and Cancer (IRIC). Det er beregnet til "præcisionsmedicinske applikationer, der drejer sig om genomik og proteomik". Det fungerer med reference og personaliserede genomer.
  • MedPy: et open source Python-bibliotek "til medicinsk billedbehandling i Python, der giver grundlæggende funktioner til læsning, skrivning og manipulation af store billeder med vilkårlig dimensionalitet."

Virkelige medicinske applikationer (eksempler)

  • Gusztav Belteki præsenterede et andet eksempel under sin tale på PyData Berlin 2018 "Python in Medicine: analyse af data fra mekaniske ventilatorer." Målet med hans forskning var at "fortolke store datasæt hentet fra moderne udstyr anvendt i neonatal intensivbehandling, mekaniske ventilatorer og patientmonitorer."
  • På PyCon 2019 holdt Jill Cates denne præsentation med titlen "Hvordan man bygger en klinisk diagnostisk model i Python."

? Biologi og bioinformatik

Python har også fantastiske applikationer i verden af ​​biologi og bioinformatik. Disse inkluderer behandling af DNA-sekvenser, simulering af populationsdynamik og genetik og modellering af biokemiske strukturer.

Biopython

Biopython er en Python-ramme med "frit tilgængelige værktøjer til biologisk beregning". Dets mål er at "imødekomme behovene i det nuværende og fremtidige arbejde inden for bioinformatik."

Ifølge dokumentationen inkluderer denne ramme funktionalitet såsom evnen til at:

  • Arbejd med sekvenser og udfør almindelige operationer på dem såsom transskription, oversættelse og vægtberegninger.
  • Opret forbindelse til biologiske databaser.
  • Udfør klassificering af data ved hjælp af K-nærmeste naboer, Naive Bayes og Support Vector Machines.
  • Arbejd med fylogenetiske træer og populationsgenetik.

Dokumentationen siger, at "målet med Biopython er at gøre det så let som muligt at bruge Python til bioinformatik ved at oprette genanvendelige moduler og klasser af høj kvalitet."

Rosalind: Øv Python ved at løse udfordringer med bioinformatik

Rosalind er "en platform til at lære bioinformatik gennem problemløsning." Det er "gratis og åbent for offentligheden" (siden med ofte stillede spørgsmål angiver, at den er i beta-tilstand).

Python kan bruges til at løse udfordringerne på platformen. Da dette er et meget populært programmeringssprog på platformen, er der en "Python Village" sektion, hvor du kan lære det grundlæggende i Python, inden du tackler bioinformatik algoritmer.

Brugere løser problemerne ved at køre deres løsninger på deres computer, behandle det givne datasæt og kopiere / indsætte output for at kontrollere svaret.

? Tip: Projektets navn fejrer Rosalind Franklin, "hvis røntgenkrystallografi med Raymond Gosling gjorde det lettere for Watson og Crick at finde DNA-dobbelthelixen".

Pakker og rammer

  • ProDy: en gratis og open source-pakke "til analyse af strukturel dynamisk protein" udviklet af Bahar Lab ved University of Pittsburgh.
  • PySB : en "ramme til opbygning af matematiske modeller af biokemiske systemer som Python-programmer" udviklet af medlemmer af Lopez Lab ved Vanderbilt University og Sorger Lab ved Harvard Medical School.
  • Community Simulator: dette er en "frit tilgængelig Python-pakke til simulering af mikrobiel populationsdynamik på en reproducerbar, gennemsigtig og skalerbar måde" udviklet af forskere ved Boston University.

? Tip: Hvis du gerne vil vide mere om anvendelserne af Python i bioinformatik, er her en tale af Martin Schweitzer hos PyCon Australia: "Python til bioinformatik til læring af Python".

? Neurovidenskab og psykologi

Python har også anvendelser inden for neurovidenskab og eksperimentel psykologiforskning.

Python inden for neurovidenskab

Ifølge artiklen Python i neurovidenskab skrevet af forskere fra Center for Brain Simulation, Ecole Polytechnique Fédérale de Lausanne, Genève, Schweiz:

Beregning bliver vigtig på tværs af alle videnskaber til dataindsamling og analyse, automatisering og hypotesetest via modellering og simulering.

Med hensyn til Python siger de, at:

Det blev klart for os i 2007, at vi var i spidsen for en voksende Python i neurovidenskabens økosystem, især inden for beregningsneurovidenskab og neuroimaging, men også inden for elektrofysiologisk dataanalyse og i psykofysik.

Som du kan se, har Python og beregning udvidet sig på tværs af alle videnskaber.

PsychoPy

PsychoPy er "en open source-pakke til at køre eksperimenter i Python" understøttet af University of Nottingham. I henhold til den officielle dokumentation for denne pakke:

Det bruges af mange laboratorier verden over til psykofysik, kognitiv neurovidenskab og eksperimentel psykologi.

Den officielle hjemmeside for denne pakke angiver, at den er:

  • Let at lære.
  • Præcis nok til psykofysik.
  • Fleksibel.
  • Online eller laboratoriebaseret afhængigt af brugerens valg.

? Astronomi

Python har også applikationer inden for astronomi og astrofysik. Lad os se tre af de vigtigste Python-pakker, der bruges i dette videnskabelige område:

Astropi

Astropypakken "indeholder forskellige klasser, hjælpeprogrammer og en emballeringsramme beregnet til at levere almindeligt anvendte astronomiværktøjer."

Astropy er en del af et større projekt kaldet The Astropy Project, som er "et samfundsindsats for at udvikle en fælles kernepakke til astronomi i Python og fremme et økosystem med interoperable astronomipakker."

Ifølge sin About-side er et af dets mål at "forbedre brugervenlighed, interoperabilitet og samarbejde mellem Python-pakkers astronomi."

? Tip: Du kan se eksempler på projekter lavet med Astropy i eksempelgalleriet.

SunPy

SunPy-pakken er beskrevet som "det samfundsudviklede, gratis og open source soldataanalysemiljø for Python." Det bygger på funktionerne i Python-pakker som NumPy, SciPy, Matplotlib og Pandas.

SpacePy

SpacePy-pakken er "en pakke til Python, der er målrettet mod rumvidenskab, der har til formål at gøre grundlæggende dataanalyse, modellering og visualisering lettere."

I henhold til dets officielle dokumentation:

SpacePy-projektet søger at fremme nøjagtige og åbne forskningsstandarder ved at give et åbent miljø for kodeudvikling.

Ifølge beskrivelsen af ​​sit GitHub-arkiv har det overlejret epoklasser, sporing af drivskaller, adgang til magnetfeltmodeller, strømlinet sporing, bootstrap-tillidsgrænser, tid og koordinatkonverteringer og mere.

? Andre applikationer

Python kan også anvendes i mange andre områder, herunder:

  • Robotteknologi: Python kan bruges til at programmere robotter. Et bibliotek skrevet til dette formål er pybotics, "en open source Python-værktøjskasse til robotkinematik og kalibrering".
  • Autonome køretøjer: Python kan bruges til at programmere softwaren, der styrer selvkørende biler. Disse biler har brug for computersyn for at "se", hvor de kører, hvor banen er, og hvilke genstande der omgiver dem.
  • Meteorologi : Pakken klimaindekser "indeholder Python-implementeringer af forskellige klimaindeksalgoritmer, der giver et geografisk og tidsmæssigt billede af sværhedsgraden af ​​nedbør og temperaturanomalier, der er nyttige til klimaovervågning og -forskning."
  • Forretning: Python kan være et effektivt værktøj til at analysere data genereret af virksomheder og til at forudsige fremtidige tendenser.
  • Grafisk brugergrænseflade (GUI) Udvikling : Python kan bruges til at oprette grafiske brugergrænseflader med værktøjer som tkinter.
  • Hvis du er interesseret i at lære mere om dette, har freeCodeCamp en god tutorial på YouTube: Tkinter Course - Opret grafiske brugergrænseflader i Python Tutorial.

? Sammenfattende

Der er mange applikationer af Python i alle områder, som du muligvis kan forestille dig. Jeg håber, at denne artikel gav dig en ide om den brede vifte af applikationer i den virkelige verden af ​​dette programmeringssprog i brancher, der i øjeblikket er ved at forme vores verden.  

Husk, at uanset hvilket felt du befinder dig i, eller hvilket felt du vil være i, vil læring af Python helt sikkert åbne mange døre for dig. Det er her for at blive. Og det har transformeret og forbedret vores nuværende verden, og det vil fortsætte med at gøre det i mange år.

Jeg håber virkelig, at du kunne lide min artikel og fandt det nyttigt. Tjek mine online kurser. Følg mig på Twitter. ⭐️