NumPy(多功能项目开发与管理器)

　　NumPy是一款数字Python开发工具，它是使用Python进行科学计算的基本软件包，NumPy已获得BSD许可证的许可，从而可以无限制地进行重用，它包含以下内容：强大的N维数组对象、复杂的(广播)功能，集成C/C++和Fortran代码的工具，有用的线性代数，傅立叶变换和随机数功能。除了其明显的科学用途外，它还可以用作通用数据的高效多维容器。可以定义任意数据类型。这使NumPy可以无缝，快速地与各种数据库集成；几乎所有从事Python工作的科学家都利用NumPy的强大功能，NumPy将诸如C和Fortran之类的语言的计算能力引入了Python，这是一种易于学习和使用的语言，有了这种强大功能，操作就会变得简单：NumPy中的解决方案通常清晰明了；NumPy构成了强大的机器学习库的基础，例如scikit-learn和SciPy。随着机器学习的发展，建立在NumPy上的库列表也会增加；TensorFlow的深度学习功能具有广泛的应用，其中包括语音和图像识别，基于文本的应用，时间序列分析和视频检测；PyTorch是另一个深度学习库，在计算机视觉和自然语言处理方面受到研究人员的欢迎；MXNet是另一个AI软件包，提供了深度学习的蓝图和模板！

软件功能

　　强大的N维数组

　　NumPy矢量化，索引和广播概念快速且通用，是当今阵列计算的实际标准。数值计算工具

　　NumPy提供了全面的数学功能，随机数生成器，线性代数例程，傅立叶变换等。可互操作的

　　NumPy支持广泛的硬件和计算平台，并且可以与分布式，GPU和稀疏阵列库一起很好地使用。表演者

　　NumPy的核心是经过优化的C代码。借助编译后的代码，享受Python的灵活性。使用方便

　　NumPy的高级语法使其可以为来自任何背景或经验水平的程序员访问并提高生产力。开源的

　　NumPy是在开放的BSD许可下发行的，由一个活跃，响应迅速且多样化的社区在GitHub上公开开发和维护。

　　NumPy位于丰富的数据科学图书馆生态系统的核心。

　　典型的探索性数据科学工作流程可能如下所示：

　　提取，转换，加载： Pandas， Intake， PyJanitor

　　探索性分析： Jupyter， Seaborn， Matplotlib， Altair

　　建模和评估： scikit-learn， statsmodels， PyMC3， spaCy

　　仪表板中的报告： Dash， Panel， Voila

　　对于高数据量，Dask和 Ray是按比例缩放的。

　　稳定的部署依赖于数据版本控制（DVC），实验跟踪（MLFlow）和工作流自动化（Airflow和 Prefect）。

软件特色

　　分布式阵列和高级并行分析功能，可实现大规模性能。

　　兼容NumPy的数组库，用于使用Python进行GPU加速计算。

　　NumPy程序的可组合转换：区分，矢量化，即时编译到GPU / TPU。

　　带标签的索引多维数组，用于高级分析和可视化

　　兼容NumPy的稀疏数组库，该库与Dask和SciPy的稀疏线性代数集成。

　　深度学习框架可加快从研究原型到生产部署的过程。

　　机器学习的端到端平台，可轻松构建和部署基于ML的应用程序。

　　深度学习框架适用于灵活的研究原型和生产。

　　用于列式内存数据和分析的跨语言开发平台。

　　具有广播和惰性计算的多维数组，用于数值分析。

　　开发用于数组计算的库，重新创建NumPy的基本概念。

　　使API与实现脱钩的Python后端系统；unumpy提供了一个NumPy API。

　　Tensor学习，代数和后端可无缝使用NumPy，MXNet，PyTorch，TensorFlow或CuPy

软件优势

　　由诸如XGBoost， LightGBM和 CatBoost之类的工具实现的ML算法包括称为集成方法的统计技术

　　Yellowbrick和 Eli5 提供机器学习可视化。

　　NumPy是迅速发展的Python可视化领域的重要组成部分

　　其中包括 Matplotlib， Seaborn， Plotly， Altair， Bokeh， Holoviz，Vispy和 Napari等。

　　NumPy对大型数组的加速处理使研究人员可以可视化远超过本机Python可以处理的数据集。

使用说明

　　关于事件地平线望远镜

　　的视界望远镜（EHT） ，是形成一个计算望远镜地球的尺寸

　　设计成研究极端与空前的灵敏度和分辨率宇宙对象8的基于地面的无线电望远镜阵列。

　　射电望远镜的全球网络包括一个基于称为超长基线干涉测量（VLBI）技术的虚拟望远镜。使用这种技术，EHT可以实现20微秒的角分辨率

　　足以从巴黎的一家人行道上的咖啡馆阅读纽约的报纸！

　　关键目标和成果

　　宇宙的新观点： EHT是研究宇宙中最极端物体的令人兴奋的新工具。

　　EHT的开创性图像是在Arthur Eddington爵士的实验获得支持爱因斯坦广义相对论的第一个观测证据之后100年发布的。

　　研究黑洞： EHT的第一张图像聚焦在位于处女座星系团中的梅西埃87（M87）星系中心的超大质量黑洞。

　　这个黑洞距地球约5500万光年，其质量等于太阳的65亿倍。

　　一百多年来，它一直是天文学研究的主题 。

　　长期以来，黑洞一直是深入研究的对象，但是EHT为这些极端现象提供了第一个直接的直观证据。

　　将观测结果与理论进行比较：

　　基于爱因斯坦的广义相对论，科学家希望看到由阴影引起的引力弯曲和光捕获引起的类似于阴影的暗区。

　　通过研究这种阴影，科学家可以测量M87中央超大质量黑洞的巨大质量。

　　规模

　　事件地平线望远镜（EHT）的观测结果为现有数据处理工具带来了挑战，这是由于大气相位的快速波动，宽记录带宽和高度异构阵列引起的。

　　校准和相关

　　除了安排所有这些对EHT的协调观测之外，减少数据的总量和复杂性以辅助分析也是一个非常难解决的问题。

　　放眼来看，EHT每天生成超过350 TB的观测数据，存储在高性能充氦的硬盘中。

　　影像重建

　　如何处理校准后的数据以生成从未被直接成像过的物体的图像

　　科学家如何才能确信该图像是正确的？这些是在分析中生成图像所克服的一些挑战。

　　NUMPY在黑洞成像中的作用

　　虽然从EHT设施收集，整理和处理数据是一个巨大的挑战，但这只是从数据生成图像的第一步。

　　图像重建有很多方法，每种方法都包含独特的假设和约束，以便解决从收集的数据中恢复黑洞图像的不适定问题。

　　EHT的合作通过让独立的团队使用既定的和最先进的图像重建技术评估数据来验证所生成图像的一致性

　　从而解决了这些挑战。这些独立研究人员团队的结果相结合，得出了黑洞的第一张图像。

　　这种方法是可再现性和协作对现代科学发现的重要性的有力示例，并说明了科学Python生态系统在通过协作数据分析来支持科学发展中所发挥的作用。

　　NumPy在黑洞成像中的作用

　　例如，eht-imagingPython包提供了用于在VLBI数据上模拟和执行图像重建的工具。

　　NumPy是此程序包中使用的数组数据处理的核心，如下面的部分软件相关性图表所示。

　　ehtim软件包突出显示NumPy的软件依赖关系图

　　除了NumPy之外，SciPy和Pandas等许多其他软件包 也用于数据处理管道中以对黑洞进行成像。标准天文文件格式和时间/坐标转换由Astropy处理，而Matplotlib用于在整个分析管道中可视化数据，包括生成黑洞的最终图像。

　　NumPy使研究人员能够通过其有效且通用的n维数组来操纵大型数值数据集，从而为用于生成黑洞历史图像的软件奠定了基础。

　　黑洞的直接成像是一项重大的科学成就，为爱因斯坦的广义相对论提供了惊人的视觉证据。

　　这一成就不仅包括技术突破，还包括200多个科学家与一些世界上最好的无线电台之间的国际规模的科学合作。

　　他们使用创新的算法和数据处理技术改进了现有的天文模型，以帮助揭示宇宙的一些奥秘。

　　关于引力波和LIGO

　　引力波是时空结构中的涟漪，它是由宇宙中的灾难性事件产生的，例如两个黑洞的碰撞和合并或合并的双星或超新星。

　　观测GW不仅有助于研究引力，而且有助于理解遥远宇宙中的一些晦涩现象及其影响。

　　该激光干涉引力波天文台（LIGO） 通过直接检测爱因斯坦的相对论通论预测的引力波来设计，以打开引力波天体物理学领域。

　　它由两个在美国境内相距很远的干涉仪-一台在华盛顿的汉福德，另一台在路易斯安那州的利文斯顿-一起操作以检测引力波。

　　他们每个人都有使用激光干涉术的多千米级重力波检测器。

　　LIGO科学合作组织（LSC）是由来自美国各地和其他14个国家的1000多名科学家组成的小组，由90多家大学和研究机构提供支持；约有250名学生为合作做出了积极贡献。

　　LIGO的新发现是对引力波本身的首次观测，通过测量波浪穿过地面时对空间和时间产生的微小干扰来进行测量。它开辟了探索宇宙扭曲面的新天体物理学前沿-由扭曲时空产生的物体和现象。

　　主要目标

　　尽管LIGO的任务是从宇宙中某些最剧烈和充满活力的过程中检测引力波，但LIGO收集的数据可能会对物理学的许多领域产生深远影响，包括引力，相对论，天体物理学，宇宙学，粒子物理学和核能物理。

　　通过涉及复杂数学的数值相对论计算来压缩观测数据

　　以便从噪声中识别出信号，滤除相关信号并统计估计观测数据的重要性

　　数据可视化，以便可以理解二进制/数值结果。

　　引力波产生的影响很小，与物质的相互作用很小，因此很难检测到。

　　处理和分析LIGO的所有数据需要庞大的计算基础设施。

　　在处理了数十亿次信号的噪声之后，仍然存在着非常复杂的相对论方程和大量数据

　　这给计算带来了挑战： O（10 ^ 7）二进制合并分析所需的CPU小时 分布在6个专用LIGO群集上

　　数据洪水

　　随着观测设备变得更加敏感和可靠，数据泛滥和在大海捞针中寻找针头所带来的挑战将成倍增加。

　　LIGO每天都会生成TB级的数据！

　　要理解这些数据，每次检测都需要付出巨大的努力。

　　例如，LIGO收集的信号必须由超级计算机与成千上万个可能的引力波签名的模板相匹配。

　　可视化

　　一旦解决了与很好地理解爱因斯坦方程组有关的障碍

　　从而可以使用超级计算机解决它们，下一个重大挑战便是使数据可被人脑理解。

　　仿真建模以及信号检测需要有效的可视化技术。

　　在纯科学爱好者的眼中，可视化还有助于提高数字相对性的可信度

　　他们没有对数字相对性给予足够的重视，直到成像和模拟使更容易理解更多受众的结果为止。

　　使用最新的实验输入和见解来进行复杂的计算和渲染

　　重新渲染图像和模拟的速度可能是一项非常耗时的活动，对这一领域的研究人员构成了挑战。

　　NUMPY在引力波检测中的作用

　　从合并中发出的引力波不能使用任何技术来计算，除了使用超级计算机的强力数值相对论之外。

　　LIGO收集的数据量就像引力波信号一样小而难以理解。

　　NumPy是Python的标准数值分析软件包，该软件用于LIGO GW检测项目期间执行的各种任务的软件。

　　NumPy帮助高速解决了复杂的数学和数据处理问题。这里有些例子：

　　信号处理：毛刺检测， 噪声识别和数据表征 （NumPy，scikit-learn，scipy，matplotlib，pandas，pyCharm）

　　数据检索：确定可以分析哪些数据，弄清楚它是否包含信号-大海捞针

　　统计分析：估算观测数据的统计显着性，并通过与模型比较估算信号参数（例如，恒星质量，自旋速度和距离）。

　　在GW数据分析中开发的关键软件（例如GwPy和 PyCBC）在后台使用NumPy和AstroPy为实用程序

　　工具和方法提供基于对象的界面，以研究重力波探测器的数据。

　　依赖关系图显示了GwPy包如何依赖NumPy

　　依赖关系图显示PyCBC软件包如何依赖NumPy

　　GW探测使研究人员能够发现完全出乎意料的现象，同时提供对许多已知的最深刻的天体物理学现象的新见解。

　　数字运算和数据可视化是至关重要的一步，它可以帮助科学家深入了解从科学观察中收集的数据并理解结果。

　　计算是复杂的，除非人类使用计算机模拟将其可视化，然后将其与真实的观测数据和分析相结合，否则人类无法理解。

　　NumPy以及其他Python软件包使研究人员能够回答复杂的问题，并在我们对宇宙的理解中发现新的视野。

　　关于板球

　　声明印第安人喜欢板球，这是一种轻描淡写的说法。

　　这款游戏几乎在印度的每个角落都可以玩，无论是农村还是城市，都受到年轻人和老年人的欢迎

　　与其他任何运动项目相比，印度的数十亿人口都可以参与其中。

　　板球受到媒体的广泛关注。有大量 金钱和名誉危在旦夕。

　　在过去的几年中，技术确实改变了游戏规则。

　　流媒体，锦标赛，可负担得起的基于移动的实时板球观看等的访问使观众无所适从。

　　印度超级足球联赛（IPL）是成立于2008年的二十强板球专业联赛。

　　它是世界上参加人数最多的板球赛事之一， 2019年的总价值为67亿美元。

　　板球是一场数字游戏-击球手得分，保龄球手打门，板球队赢得比赛，击球手对某种保龄球攻击做出某种反应的次数等

　　借助功能强大的分析工具（包括NumPy等数字计算软件）来挖掘板球数字以提高性能并研究板球的商机，整体市场和经济状况的能力非常重要。

　　板球分析提供了有趣的游戏见解和有关游戏结果的预测情报。

　　如今，板球比赛的记录和统计数据非常丰富，几乎无穷无尽

　　例如ESPN cricinfo和 cricsheet。

　　这些和一些这样的板球数据库已使用 最新的机器学习和预测建模算法进行板球分析。

　　媒体和娱乐平台以及与游戏相关的专业运动团体使用技术和分析来确定关键指标以提高比赛获胜机会：

　　击球性能移动平均值，

　　分数预测，

　　深入了解球员对抗不同对手的身体素质和表现，

　　玩家对团队组成做出战略决策时对赢利和亏损的贡献

　　关键数据分析目标

　　体育数据分析不仅用于板球运动，还用于许多其他运动中，以改善整体团队表现并最大程度地提高获胜机会。

　　实时数据分析甚至可以在游戏过程中帮助获得洞见，从而使团队和相关企业改变策略以获取经济利益和增长。

　　除了历史分析之外，还可以利用预测模型来确定可能的匹配结果

　　这些结果需要大量的数字处理和数据科学知识，可视化工具以及在分析中包含新观察值的能力。