در این نوشته با توابع ابتدایی مربوط به آمار آشنا خواهیم شد. این توابع عبارت اند از حداقل، حداکثر، متوسط، انحراف معیار، واریانس، همبستگی متقابل، کووارینس و غیره. کتابخانه numpy در زبان برنامه‌نویسی پایتون این توابع را در اختیار ما قرار داده است.
در این نوشته به معرفی دو دستور where و argwhere از کتابخانه numpy پرداخته خواهد شد. این دو دستور اگر درست و به جا استفاده شوند می‌توانند موجب خوانایی کدها شده و سرعت برنامه‌نویسی ما را نیز افزایش دهند. با مثال‌ها گوناگون نحوه استفاده از این دو تابع توصیف خواهد شد.
رگرسیون خطی تخمین یک پارامتر به‌صورت تابعی خطی از تعدادی داده دیگر می‌باشد. در عمل ما به دنبال به دست آوردن یک خط یا در حالت کلی اَبَر صفحه هستیم که با توجه به معیار خطای تعریف شده بهینه است. این روش کاربرد ویژه در علوم و مهندسی داشته و آشنایی با نحوه پیاده‌سازی آن در پایتون موضوع این نوشته می‌باشد.
کتابخانه محاسبات عددی numpy به همراه کتابخانه‌های scipy و matplotlib مجموعه‌ای غنی از امکانات را برای انجام شبیه سازی های علمی و بازنمایی آنها فراهم آورده اند. لکن نحوه استفاده از امکانات فراهم شده توسط این کتابخانه ها تعیین کننده میزان راحتتر شدن کار برای ما می باشد. در این نوشته به بررسی ریزه کاری هایی از آرایه numpy پرداخته خواهد شد.
کتابخانه‌های جنبی پایتون اکثرا از رابط Python/C برای افزایش سرعت اجرا استفاده می کنند. برای اینکه بتوانیم از این ظرفیت بالقوه استفاده نماییم باید حدالامکان فراخوانی مکرر توابع کتابخانه‌ای را کاهش دهیم. بعبارت عملی‌تر از استفاده از حلقه‌ها و فراخوانی توابع پشت‌سر هم و زاید اجتناب نماییم. در این نوشته با مثال‌های متعدد نحوه استفاده صحیح از numpy برای افزایش سرعت محاسبات توضیح داده خواهد شد.
در کنار مجموعه کتابخانه‌های NumPy و SciPy که محاسبات علمی در پایتون را تسهیل نموده و روش‌های عددی متعددی را برای کاربران فراهم می‌آورند، کتابخانه SymPy امکان محاسبات سمبولیک را فراهم می‌آورد. این کتابخانه قابلیت محاسبات جبری، محاسبه حد، مشتق و انتگرال، حل معادلات و کار بر روی ماتریس‌ها را بصورت پارامتری برای ما به ارمغان می‌آورد. در این نوشته با ذکر چند مثال با این کتابخانه آشنا می‌شویم.
اگر جزو افرادی هستید که قبلا محاسبات علمیتان را با متلب انجام می دادید و در حال مهاجرت به پایتون هستید، احتمال قوی برایتان پیش می آید که بخواهید اطلاعات حاصل از محاسبات متلب را که ذخیره نموده اید، از طریق پایتون باز کرده و محاسبات دیگری را با پایتون بر روی داده ها انجام دهید. در این نوشته باز خوانی اطلاعات ذخیره شده با متلب در پایتون توضیح داده خواهد شد.
اگر از زبان خشک، بی روح و غیر تکنیکی متلب برای شبیه سازی ها و محاسبات علمی و عددیتان خسته شده اید و می خواهید با زبان پایتون که انعطاف پذیری و سرعت بیشتری نسبت به متلب دارد به انجام کارهای شبیه سازیتان بپردازید، پیشنهاد ما برای شما استفاده از کتابخانه NumPy می‌باشد. این کتابخانه در کنار دو کتابخانه SciPy و matplotlib تمام آنچه شما نیاز دارید را در خود دارد. در این نوشته در صد قدم ساده و ابتدایی شروع به یادگیری سریع کار با NumPy خواهیم کرد.
احتمالا شما هم تا بحال از سرعت پایین اجرای کدهای متلب کلافه شده اید و به این فکر کرده اید که ای کاش توابع و ابزارهای ارائه شده در نرم افزار متلب برای سی ++ هم وجود داشت. نه در حد کامل ولی تا حدودی این آرزو برآورده شده است. کتابخانه محاسبات ماتریسی آرمادیلو (Armadillo) این امکان را فراهم نموده است. در این نوشته به معرفی امکانات این کتابخانه و مقایسه آن با کتابخانه های دیگر پرداخته خواهد شد.