Categorías
podcast Python

Análisis de la PyConES (track científico) – CAChemE’s podcast #3

El pasado mes de noviembre se celebró la PyConES, primera conferencia dedicada a Python de forma exclusiva en España. Para hacer un análisis más interesante hemos entrevistado a @pybonacci (organizador), @jlcercos (ponente) y @herraiz (asistente):

loteria-python

Secciones de la entrevista con links para obtener más información:

Como siempre, si hay algo que te hubiera gustado añadir puedes comentárnoslo justo aquí abajo.

Música:

Categorías
Python

El uso de Python en la Ingenieria Química

CAChemE es una comunidad formada por ingenieros químicos y estudiantes que pretende estimular las posibilidades de software en la ingeniería química y organización industrial. Nuestro objetivo es promover las ventajas de las nuevas herramientas de software libre disponibles y fomentar su uso en la universidad e industria. En la conferencia de Python nacional (PyConES) que se celebró en madrid se propuso la introducción teórica y resolución de ejemplos mediante Python de problemas clásicos presentes en ingeniería química.

Diapositivas de nuestra ponencia en el track científico realizado en la PyConES 2013 (Madrid)Autores: Francisco J. Navarro, Isaías Cuenca, Jorge Bernabé, Rubén Ruíz-Femenia. 

Resumen:

Python para resolver Ecuaciones en Derivadas Parciales (EDPs):

La resolución de ecuaciones diferenciales parciales (EDPs) mediante métodos numéricos permite obtener soluciones a problemas típicos presentes tanto en el ámbito ingenieril como científico. Tales problemas incluyen diferentes fenómenos físicos como propagación del sonido o del calor, la electrostática, la electrodinámica, la dinámica de fluidos, la elasticidad, etc.Existen numerosos paquetes de software para resolver EDPs, usando una variedad de idiomas y métodos numéricos. Muchos de ellos son propietarios y suponen un alto coste para las empresas y/o universidades. Además, la madurez de los mismos y su sencillez de uso pueden ocasionar efectos adversos convirtiendo estás herramientas en auténticas cajas negras.

En este marco, Python, en conjunto con sus librerías (NumPy, SciPy, FiPy), proporciona una herramienta perfecta que facilita el aprendizaje y desarrollo de la intuición necesarias para la resolución de estos problemas de forma libre y gratuita. Para problemas multifísicos y con geometrías especiales, FiPy permite resolver EDPs mediante el método de volúmenes finitos.

Programación matématica (optimización) con Python:

Los programas de modelado algebraico son utilizados para la resolución de diferentes problemas que van desde la selección óptima de equipos y recursos en sector industrial químico a la gestión logística de una empresa genérica. La resolución de casos de estudio reales de la industria mediante métodos de optimización, tan comunes en un ámbito de investigación científica, son a menudo desconocidos por las empresas, que resuelven estos problemas mediante métodos menos eficientes y a que a menudo les conducen a trabajar en unas condiciones sub-optimizas. El paquete basado en Python llamado pyomo permite la formulación y resolución de problemas de optimización con restricciones no lineales de manera eficiente, reutilizable y portátil.

Diseño de reactores químicos con Python

Un reactor químico es un equipo en cuyo interior tiene lugar una reacción química, estando éste diseñado para maximizar la conversión y selectividad de la misma con el menor coste posible. El diseño de un reactor químico requiere conocimientos de termodinámica, cinética química, transferencia de masa y energía, así como de mecánica de fluidos; balances de materia y energía son necesarios. Por lo general se busca conocer el tamaño y tipo de reactor, así como el método de operación, además en base a los parámetros de diseño se espera poder predecir con cierta certidumbre la conducta de un reactor ante ciertas condiciones, por ejemplo un salto en escalón en la composición de entrada. En estas diapositivas indicamos las ecuaciones y la llamada al ODE necesario para resolverlo con Python.

Categorías
podcast Python

Descubre Python en 30 minutos – Podcast #1

Descubre que ventajas está suponiendo el uso de Python en el ámbito científico e ingenieril. Entrevistamos a Juan Luis Cano de Pybonacci (@Pybonnaci) para que nos hable y responda a todas las preguntas sobre Python y su ecosistema. Escucha online o descárgate nuestro (primer) podcast y te contamos todo lo que siempre quisiste saber en menos de 30 minutos.

Podcast donde halamos de Python y las ventajas que supone frente a otras herramientas

Disclaimer: Después de este podcast quedarás pythonizado y aún no existe cura (que sepamos).


Secciones de la entrevista con links para obtener más información:

Actualización: Hemos organizado un curso gratuito de programación con Python para científicos e ingenierios [Acceder]

¡Ah! Si hay algo que te hubiera gustado añadir puedes comentárnoslo justo aquí abajo.

Música:

 

Categorías
Python

Ventajas de Python vs Fortran / C ¿Cuál es mejor o más rápido?

Siendo Python un lenguaje de alto nivel, ¿qué hay de su velocidad?, ¿acaso no es Fortran o C más rápido para el cálculo científico?

En cierto sentido la respuesta es «sí», ya que estos lenguajes son mucho más cercanos al hardware dando más opciones de control y velocidad.

[box]Actualización (2015): Numba es una librería que está cambiando las reglas del juego permitiendo acelerar código Python a velocidades cercanas a C++ con tan sólo un par de líneas más en tu código. En el ámbito científico, numba puede convertirse en una revolución. Si quieres ver un ejemplo en vídeo de numba de nuestro curso online.

Antes de seguir,vamos a resumir las mayores virtudes de Python que explican por qué, en estos últimos 10 años, se ha establecido como uno de los lenguajes más comunes para el cálculo científico:

  • Python es lenguaje de alto nivel conveniente para un desarrollo rápido de código
  • Su filosofía de diseño enfatiza la simplicidad y legibilidad de código
  • Posee núcleo de lenguaje relativamente pequeño con el apoyo de magníficas librerías (NumPy, SciPy, pandas, matplotlib etc.)
  • Es lenguaje multiparadigma, en el que varios estilos de programación son compatibles (imperativo, orientado a objetos, funcional)
  • Lenguaje de programación interpretado en lugar de compilado.
  • Es multiplataforma (Windows, MacOS y Linux), gratuito y open source.

Eso esta muy bien, pero entonces, sin ser tan rápido como Fortran o C, ¿por qué es interesante usar Python para cálculo científico?

¿Optimizando qué?

Hay que recordar tu tiempo es un recurso mucho más valioso que el tiempo de cálculo de un ordenador.

La función objetivo correcta para minimizar el tiempo total sería:

donde el primer término es un factor humano mientras que el segundo es computacional.

Lenguajes de alto nivel como Python o MATLAB están optimizados para humanos, mientras que lenguajes de de nivel inferior, como Fortran y C, están optimizados para ordenadores.

xkcd-python

Así, aunque C y Fortran funcionen (mucho) más rápido y den mayor control, usarlos conlleva:

  • dedicarle más tiempo a aprender, escribir y depurar código
  • direccionamiento detallado (declaración de variables, asignación/desasignación de memoria , etc.)
  • necesidad de código repetitivo el cual es tedioso y propenso a errores

Por estas razones, el paradigma científico actual resulta de la combinación de los puntos fuertes de lenguajes de alto y bajo nivel de la siguiente forma:

  1. Escribir un programa prototipo en un lenguaje de alto nivel como Python
  2. Si el programa es demasiado lento, entonces analizarlo (profiling) para averiguar donde están los cuellos de botella
  3. Volver a escribir esas y sólo esas pequeñas partes del código en Fortran / C
  4. Modificar el programa Python existente para llamar a este nuevo código Fortran / C cuando sea necesario

Si deseas saber cómo implementar código C y Fortran en Python puedes echar un vistazo a este notebook de J.R. Johansson

Nota: Esta entrada es una traducción libre del material disponible (y muy recomendable) de Quantitative Economics.

 

Categorías
Python

pyBigParser, un evaluador de funciones complejas en Python

En ingeniería química es común el uso de largas y complejas expresiones matemáticas para, por ejemplo, la obtención de parámetros termodinámicos en compuestos que intervienen en un proceso a modelar.

pyBigParser es una librería escrita en Python que permite crear objetos para el almacenamiento de funciones y su evaluación. Gracias a esta librería la función se puede dividir en «bloques» facilitando su implementación y evaluando la misma con otros parámetros a posteriori.

Por ejemplo, la ecuación:

$latex \left ( 24+6*c \right )^2+\left ( 2* \frac{25}{d} \right )$

se puede escribir de forma más compacta de la siguiente forma:

$latex (x)^2+\left ( 2*y \right )$

siendo:

$latex x=24+6*c$

$latex y=2*\frac{25}{d}$

Para hacer esto con pyBigParser:

from pybigparser import evaluator

mybig = evaluator.bigFunction()
mybig.setFunction("x**2+2*y")
mybig.addSub("x", "24+6*c")
mybig.addSub("y", "25 / d")
mybig.addSub("c", "1")
mybig.addSub("d", "4")

mybig.evaluate()

¿Sencillo no? En el momento de escribir esta entrada pyBigParser tiene una media de 500 descargas diarías.

Si estás iniciandote en programación con Python, puede que te ayude ver el vídeo-ejemplo que el propio creador (Nelson Carrasquel) ha publicado en nuestro canal de YouTube de CAChemE.

Categorías
Python

¿Python en la nube? Cloud computing de forma sencilla

Trabajar y ejecutar código Python desde servidores externos (la nube) se está convirtiendo en una alternativa cada vez más atractiva. La principal ventaja, aparte de poder disponer de mayores prestaciones que en un equipo local, es la posibilidad de compartir configuraciones y realizar trabajos en colaboración de forma sencilla. Debido a que el ecosistema de Python está evolucionando a un ritmo vertiginoso, se pueden tener problemas a la hora de compartir el trabajo realizado debido a que la configuración de las librerías (y versiones) es diferente entre los miembros del equipo.

Una solución excelente es Wakari.io de los mismos desarrolladores de Anaconda (Continiuum Analytics). Wakari permite acceder a través de un navegador a un entorno Python (NumPy, SciPy, Pandas etc.) listo para usar y completamente configurado incluyendo además los archivos o datos de partida. Permite además ver, clonar y editar notebooks de IPython e incluye opciones para compartir el trabajo entre colaboradores y/o mediante enlaces directos.

Wakari permite la configuración de diferentes entornos y consolas desde el navegador
Wakari permite la configuración de diferentes entornos y consolas desde el navegador

IPython es un interprete interactivo avanzado que ha revolucionando la manera en que se utiliza Python en ámbitos científicos, conferencias y tutoriales. Inspirados por los notebooks de Mathematica y Sage, el notebook de IPython es una interfaz web para IPython. El blog de Pybonacci, que debería de estar ya en tu lista de favoritos, habló del mismo hace un año: Introducción a IPython, mucho más que un intérprete de Python.

Wakari permite trabajar en la nube con IPython notebook
Wakari permite trabajar en la nube con Notebook de IPython

Wakari es la solución más interesante bajo esta filosofía y dispone de modalidades de uso gratuitas. No obstante, The Sagemath Cloud se presenta como una alternativa recién estrenada que permite trabajar directamente (desde el navegador) con notebooks de IPython de forma simple y entre varios usuarios. Este servicio es totalmente gratuito y esta ofrecido por la Sagemath Foundation y la Universidad de Washington

Worksheets: Sage, R, Python, Cython, GAP, Macaulay2, Singular, and much more
Matemática computacional con Sage, R, Python, Cython, GAP, Macaulay2 y Singular entre otros.

Otras alternativas para Python orientadas a HPC (High-performance computing) son:

Y tú, ¿conoces alguna plataforma o servicio para trabajar con Python online? .

Categorías
MATLAB Python

Enthought Canopy vs Anaconda – ¿Cúal es mejor?

¿Enthought Canopy o Anaconda? Ambas son distribuciones de Python que se presentan como alternativas a MATLAB. La ventaja que tienen es que simplifican enormemente la instalación de Python incluyendo los paquetes más populares.

[box]Actualización (2015): Anaconda de Continuum es a día de hoy la mejor opción para instalar Python 3. Ver vídeo de instalación

Spyder es el IDE más similar a MATLAB
Spyder es el entorno de desarrollo de Python más similar a MATLAB

A pesar de que el producto de Mathworks no tiene rival en ciertas áreas, Pyhton tiene una serie de ventajas muy importantes frente a MATLAB.

En cualquier caso en el 2013, no existía una selección clara de por dónde empezar. Canopy express (la versión gratuita) presentaba más paquetes que Anaconda pero una limitación de 32bit , mientras que Anaconda permitía trabajar directamente a 64bit.

Anaconda es una nuevo instalador de paquetes de Python multiplataforma

Pero en la actualidad (2015), el número de paquetes de Anaconda ha aumentado y a diferencia de Canopy express, Anaconda viene con Python 3 y es totalmente gratuito incluso para uso comercial. Su gestor de paquetes conda resuelve el problema de dependencias de forma elegante.

Canopy vs Anaconda - Canopy express ahora también a 64bit

Entonces, ¿qué es mejor Anaconda o Canopy Express?

Hasta hace unos años Enthought (Canopy) lideraba el sector, pero su licencia sólo permite el uso personal. Además, sigue sin dar soporte a Python 3 (cuando para el 2020 no habrá más soporte de Python 2.7).

Anaconda/conda  es la mejor opción con diferencia ya que sigue siendo totalmente gratuita tanto para usuarios como para empresas y ha liberado su código y licencia, soporta Python 3 e incluye ahora una interfaz gráfica.

 

Categorías
MATLAB Python

Python para ingenieros

Pese a que a día de hoy MATLAB es imbatible en ciertos campos, Python empieza a ser una alternativa real gracias a sus librerías llamadas NumPy / SciPy para operaciones númericas, Cython para optimizaciones de código a bajo nivel, IPython para trabajar de forma interactiva, Pandas para análisis de datos y matplotlib para gráficas etc.

[box]Actualización (2015): El panorama ha cambiado mucho en estos dos años. Python es la opción recomendada por Python en Nature y en varias universidades de prestigio.

Hoy en día, muchas de las ofertas de trabajo para ingenieros solicitan conocimientos de MATLAB. Debido a que empezar a trabajar con MATLAB sólo requiere conocimientos de álgebra y cálculo con matrices, es la herramienta utilizada en muchas de las universidades y escuelas de ingeniería. Hasta aquí MATLAB sólo da satisfacciones, todo es sencillo y con los toolboxes ilimitados apenas hay que programar nada más que scripts que hagan usos de estas funciones.

spyder-windows
Si vienes de MATLAB, Spyder es el entorno de programación (IDE por sus siglas en inglés) que te resultará más cómodo.

Llegas al mundo laboral y sin embargo las cosas cambian, una licencia comercial de MATLAB suele costar unos 15000 € de media. Por lo que las empresas que pueden afrontar ese coste exigen conocimientos elevados para recuperar la inversión.

Pero, si estás aquí, es porque has oído que Python empieza a ser una alternativa real para muchas de las funciones de MATLAB. Ya hemos hablado de las opciones para sustituir MATLAB y cómo Python es posiblemente la mejor alternativa a MATLAB.

Resumiendo mucho, Python es un lenguaje de programación mucho mejor que MATLAB puesto que es un lenguaje muy fácil de leer, escalable y que sirve para muchas más funciones que el cálculo científico.

¿Te hemos empezado a convencer? Pues espera, porque ahora viene lo mejor.

La instalación de Python para Windows es (o era), especialmente tediosa. Por eso, si quieres empezar con Python como ingeniero y no sabes cómo desde CAChemE te recomendamos tres opciones:

  • Anaconda: Alternativa a Canopy con instaladores para Windows, MacOS y Linux. Si bien es menos completo que Canopy, Anaconda tiene las librerías de Python más importantes. También tiene opciones comerciales para acelerar código pero la ventaja de Anaconda es que puedes usar Python 3 (versión más reciente y recomendable si estás empezando). En resumen, para instalar Python en Windows Anaconda es la mejor opción.

carousel_1

 

  • Python(x,y) y/o WinPython: Alternativa totalmente libre y gratuita orientada especialmente para ingenieros que quieren migrar de MATLAB a Python. De las anteriores es la que menos paquetes o librerías dispone pero es la forma más sencilla de empezar. Amabas son sólo para Windows siendo WinPython la opción más interesante puesto que no requiere instalación (portable) y la puedes llevar en tu memoria USB.

Python para Windows portable

  • Canopy: Conocida anteriormente como Enthought, dispone de instaladores para Windows, MAC y Linux totalmente automáticos. Además incluye la mayoría de librerías y un sistema para añadir o actualizar los paquetes de Python de forma automática.  A día de hoy no dispone de Python 3 por lo que recomendamos Anaconda (primera opción) que, a diferencia de Canopy, permite su uso en empresa de forma gratuita.

canopy-logo-white

En general, aprender Python requiere un poco más de esfuerzo ya que dependes de otras librerías. Pero es que con MATLAB (comercial) cada cosa nueva que quieres hacer te toca adquirir la licencia del toolbox correspondiente lo cual limita bastante a no ser que tú u tu empresa tengáis recursos infinitos.

Nosotros recomendamos dos materiales para aprender Python si se viene de MATLAB:

– El “curso” online que realizamos con Pybonacci (deberías pasarte por su blog para que veas todo lo que se puede hacer con Python)

– Y Software Carpentry:

Por último, una vez nos sentimos cómodos esta tabla viene muy bien para imitar la forma de trabajar en la que estamos acostumbrados en MATLAB:

Ya estás listo para empezar, si tienes alguna duda puedes preguntarlo en la comunidad de Python para ingenieros que tenemos en Google+.

Categorías
MATLAB Python SciLab

Python para usuarios de MATLAB

Si bien existen varias alternativas a MATLAB tales como Scilab y Octave, el uso de Python para sustituir MATLAB va ganando adeptos. Muchos ingenieros y científicos nos consultan respecto a cuales son las verdaderas ventajas Python como nuevo lenguaje de trabajo que consumirá un tiempo valioso de aprendizaje.

Python-Programming-Language

Antes de empezar, es importante destacar que MATLAB es una herramienta muy capaz y en algunos campos (aún) no tiene rival. El gran problema de MATLAB es el coste de las licencias junto a algunas inconsistencias de su lenguaje.

El coste de una licencia de MATLAB es a día de hoy de 2000€ más los toolboxes que se requieran (1000€/ud) más 5000€ para el compilador que nos permitirá comercializar nuestro trabajo.

¿Qué alternativas más sencillas y gratuitas existe para MATLAB?

  • Octave es el lenguaje más compatible con MATLAB pero tiene la «desventaja» de estar protegido con licencia GPL por lo que, sin entrar en detalle, deberás facilitar el código de tu aplicación (comercial o no) siempre que hagas un cambio en el original y alguien te lo solicite. Por otro lado, Octave carecía de GUI o interfaz gráfica hasta hace bien poco, lo lo hacía menos atractivo que MATLAB. La gran ventaja de Octave es que es el «mismo» lenguaje por lo que si tienes código hecho en MATLAB seguramente funciones «directamente» en Octave.
  • Scilab pese a ser de licencia similar a la GPL pero francesa (CECILL), no es compatible de forma directa con MATLAB. Sin embargo tiene la ventaja de tener una IDE muy similar a la de MATLAB y ofrece la única alternativa a Simulink llamada XCOS.

En resumen, si dispones de mucho código MATLAB heredado Octave es la mejor opción, pero si buscas algo similar a MATLAB-Simulink entonces SciLab es tu mejor apuesta. A pesar de que estas opciones salvan los costes licencias, Octave y Scilab tienen las mismas limitaciones técnicas que MATLAB.

GNU Octave es la mejor alternativa a MATLAB si se busca compatibilidad con el código ya desarrollado.

Entonces como ingeniero o científico te preguntarás,

¿Por qué es mejor aprender Python para sustituir MATLAB?

  • Python es uno de los lenguajes de programación más sencillos de aprender que existen y se enseña en universidades prestigiosas como el MIT.
  • Tanto Python como sus paquetes o librerías son gratuitos.
  • Están cubiertos por licencia BSD por lo que se permite su comercialización sin ningún tipo de restricción (no tendrás que facilitar el código si no lo deseas).
  • Es un lenguaje de programación bien diseñado, fácil de leer y escalable por lo que tu código será util para pequeñas pruebas como para usos industriales.
  • La integración con otras herramientas y lenguajes es casi siempre posible.
  • Multiplataforma, se puede ejecutar tanto en Linux como en MacOS como en Windows.
  • Existe una cantidad de información y documentación en internet incomparable con el resto de alternativas.
  • Su comunidad se compone desde aprendices a profesionales de diversos ámbitos (no sólo científico)
  • Ejemplo de ello es Nature y Google que lo recomiendan y utilizan.

En resumen, Python es un lenguaje que se usa simplemente para todo (web, bases de datos, redes, interfaces gráficas de usuario, juegos, gráficos, ciencia…)

Categorías
MATLAB Python

Alternativas a MATLAB: Python

Python es un lenguaje de programación sencillo y práctico, que te permite trabajar con mayor rapidez e integrar sistemas con mayor eficacia. Puedes aprender a usar Python y obtener beneficios casi inmediatos en la productividad y reducir los costes de licencia ya que es gratuito. Por todo ello Python se está convirtiendo (si no lo es ya) en una de las alternativas principales a la hora de remplazar a otros lenguajes de programación como MATLAB.

print("Hola mundo!")

¿Por qué Python?

Podemos resumir las ventajas de Python en los siguientes puntos:

  • Software libre y gratuito (con licencia BSD que son permisivas para empresas)
  • Es multiplataforma (Windows, MacOS y Linux)
  • Lenguaje de alto nivel conveniente para un desarrollo rápido
  • Su filosofía enfatiza la simplicidad y legibilidad de código
  • Posee núcleo de lenguaje relativamente pequeño con el apoyo de magníficas librerías (NumPy, SciPy, scikit-learn, pandas, IPython-Jupyter, matplotlib etc.)
  • Multiparadigma: varios estilos de programación son compatibles (imperativo, orientado a objetos, funcional)
  • Integración con C/C++/Fortran y R
  • Amplio espectro de programadores (ocasional <> desarrolladores)
  • Comunidad grande (científica también) y activa (PyCon, SciPy, EuroPython, PyData…)

Parece interesante, ¿cómo empiezo?

Una de los problemas y virtudes de Python es que se usa en muchísimos campos y, por tanto, si alguien quiere empezar la cantidad de información puede llegar a ser problemática. Así que primero busca (¡o pregunta!) si tus tareas habituales las puedes hacer con Python. Por ejemplo, nosotros demostramos que podíamos realizar los ejercicios formación en Ingeniería Química con Python y sus bibliotecas:

Para la instalación de Python, la distribución más interesante en estos momentos, seas científico o no, es Anaconda (http://continuum.io/anaconda); que es igual tanto para los usuarios de Windows, OS X e incluso para las distribuciones de Linux que tienen gestores de paquetes decentes. En general, es lo más parecido a instalar MATLAB (pero gratis y open source), ya que instalas todos los paquetes y puedes ponerte a trabajar 🙂

De hecho, Anaconda incluye un  IDE por defecto tipo MATLAB llamado Spyder:

spyder-windows
Si vienes de MATLAB, Spyder es el entorno de programación (IDE por sus siglas en inglés) que te resultará más cómodo.

Pero una de las cosas más interesantes  es IPython Notebook (Jupyter) que ahora incluye widgets para poder variar parámetros de forma muy sencilla.

En general, aprender Python requiere un poco más de esfuerzo ya que dependes de otras librerías. Pero es que con MATLAB (comercial) cada cosa nueva que quieres hacer te toca adquirir la licencia del toolbox correspondiente lo cual limita bastante a no ser que tú u tu empresa tengáis recursos infinitos.

Nosotros recomendamos dos materiales para aprender Python si se viene de MATLAB y no morir en el intento:

– El “curso” online que realizamos con Pybonacci (deberías pasarte por su blog para que veas todo lo que se puede hacer con Python)

aprender-python-ciencia-ingenieria

– Y Software Carpentry:

Por último, una vez nos sentimos cómodos esta tabla viene muy bien para imitar la forma de trabajar en la que estamos acostumbrados en MATLAB:

Ya estás listo para empezar, si tienes alguna duda puedes preguntarlo en la comunidad de Python para ingenieros que tenemos en Google+.

Actualización: Hemos escrito más cosas sobre Python desde que se publicó esta entrada, para saber más: