DataMelt

Den aktuelle version af siden er endnu ikke blevet gennemgået af erfarne bidragydere og kan afvige væsentligt fra den version , der blev gennemgået den 14. februar 2019; checks kræver 13 redigeringer .
DataMelt
Udvikler S.V.Chekanov _
Skrevet i Java
Operativ system Unix , Linux , OS X , Microsoft Windows
Første udgave 2005 (oprindeligt navn JHepWork)
Hardware platform Java virtuel maskine
nyeste version 2.4 (februar 2019)
Licens Open source (LGPL, GPL og lignende)
Internet side jwork.org/dmelt/

DataMelt (eller forkortet DMelt ) er et gratis program til videnskabelig databehandling [1] [2] . DataMelt er et interaktivt miljø til databehandling, dataanalyse og visualisering og maskinlæring. DataMelt-programmet er designet til forskere, ingeniører og studerende. DataMelt er multiplatform, fordi det er skrevet i Java , så det kører på ethvert operativsystem, hvor en virtuel Java-maskine kan installeres. Programmet er designet til statistisk dataanalyse, kurvetilpasning, dataanalysealgoritmer, numeriske beregninger, maskinlæring og plotning i 2D og 3D. DataMelt bruger programmeringssprog på højt niveau som Jython , JRuby . Java kan også bruges til at kalde DataMelt numeriske biblioteker og grafikbiblioteker.

Oprettelseshistorie

DataMelt har sin oprindelse i partikelfysik , hvor datamining er den primære bekymring. Det blev oprettet som et jHepWork-projekt i 2005 og blev oprindeligt skrevet til dataanalyse for partikelfysikere på DESY - laboratoriet i Tyskland. Det blev senere forbedret ved Argonne National Laboratory for partikelfysisk forskning [3] ved hjælp af Java -softwarekonceptet til International Linear Collider-projektet , udviklet ved SLAC . Senere versioner af jHepWork er blevet modificeret til generel brug (videnskabsmænd, ingeniører, studerende til uddannelsesformål), siden International Linear Collider-projektet stoppede. I 2013 blev jHepWork omdøbt til DataMelt og blev et fællesskabsstøttet projekt til generelle formål. Den vigtigste referencekilde er bogen Analyzing Scientific Data Using Jython Scripting and Java. [4] som diskuterer dataanalyseteknikker ved hjælp af Java og Jython scripting . Dette blev senere også diskuteret i det tyske Java-magasin SPEKTRUM. [5] . Strengen "HEP" i navnet på projektet "jHepWork" er en forkortelse for "High Energy Physics". Men på grund af dens brede popularitet uden for dette område af fysik, er det blevet omdøbt til SCaViS ( 'S' videnskabeligt 'C' computermiljø og 'Vis' brugsmiljø). Dette projekt varede 3 år, før det blev omdøbt til DataMelt (eller DMelt for kort).

Understøttede platforme

DataMelt kører på Windows, Linux, Mac og Android platforme . Android-pakken hedder AWork.

Anmeldelser

DataMelt og dets tidligere versioner, SCaVis (2013-2015) og JHepWork (2005-2013), som stadig er tilgængelige i DataMelts arkivlager , diskuteres i disse artikler: [6] [7] [8] [9] Programmet blev sammenlignet med andre lignende programmer i disse ressourcer [10] [11] [12] .

DataMelt (2015-), er en ny udvikling af programmerne JHepWork og SCaVis. Disse ressourcer sammenligner DataMelt med andre populære statistiske og numeriske analysepakker. [13] [14] [15] [16] . Ifølge nyere anmeldelser af online artikler og blogs er DataMelt et af de populære dataanalyseprogrammer [17] [18] . .

Eksempelkode

Her er et eksempel på, hvordan man viser 2D-histogrammer ved at læse en CVS-fil, der er downloadet fra Verdensbankens hjemmeside .

fra jhplot.io.csv import * fra java.io import * fra jhplot import * d = {} læser = CSVReader ( FileReader ( "ny.gdp.pcap.cd_Indicator_en_csv_v2.csv" )); mens True : nextLine = læser . readNext () if nextLine is None : break xlen = len ( nextLine ) if xlen < 50 : continue d [ nextLine [ 0 ]] = float ( nextLine [ xlen - 2 ]) # key=country, value=DGP c1 = HChart ( "2013" , 800 , 400 ) #c1.setGTitle("2013 Bruttonationalprodukt pr. indbygger") c1 . synlig () c1 . setChartBar () c1 . setNameY ( "nuværende US$" ) c1 . setNameX ( "" ) c1 . setName ( "2013 Bruttonationalprodukt pr. indbygger" ) name1 = "Datakilde: World Development Indicators" sæt_værdi = lambda navn : c1 . værdibjælke ( d [ navn ], navn , navn1 ) set_value ( navn = "Rusland" ) set_value ( navn = "Polen" ) set_value ( navn = "Rumænien" ) set_value ( navn = "Bulgarien" ) set_value ( navn = "Hviderusland" ) set_value ( navn = "Ukraine" ) c1 . opdatering ()

Når dette script udføres, vises histogrammet i et separat vindue. Billedet kan gemmes i flere formater.

Her er et andet simpelt eksempel, der illustrerer, hvordan man udfylder et 2D-søjlediagram og viser det på et lærred. Scriptet opretter også en PDF - form . Dette script illustrerer, hvordan man limer og blander native Java-klasser (fra java.util-pakken) og DataMelt-klasser (fra jhplot-pakken) inde i et script skrevet ved hjælp af Python-syntaks.

fra java.util import Tilfældig fra jhplot import * c1 = HPlot3D ( "Canvas" ) # opret et interaktivt lærred c1 . setGTitle ( "Global titel" ) c1 . setNameX ( "X" ) c1 . sætnavnY ( "Y" ) c1 . synlig () c1 . setAutoRange () h1 = H2D ( "2D-histogram" , 25 , - 3,0 , 3,0 , 25 , - 3,0 , 3,0 ) random = Tilfældig () for i i området ( 200 ): h1 . fill ( rand . næsteGaussian (), rand . næste Gaussisk ()) c1 . tegne ( h1 ) c1 . eksport ( "jhplot3d.eps" ) # eksport til EPS vektorgrafik

Dette script kan køres enten med DataMelt IDE eller selvstændig Jython efter at have specificeret klassestien for DataMelt bibliotekerne.

Noter

  1. ↑ Numerisk beregning og statistisk dataanalyse på Java-platformen. S. V. Chekanov, bog. Springer, (2016) ISBN 978-3-319-28531-3 , 700 sider, [1] Arkiveret 14. april 2019 på Wayback Machine
  2. ↑ DataMelt: Gratis beregnings- og visualiseringsmiljø. Af Moaaz Aldesoky. medevel.com. [2] Arkiveret 9. august 2019 på Wayback Machine
  3. ↑ HEP-dataanalyse ved hjælp af jHepWork og Java, arXiv: 0809.0840v2, Preprint ANL-HEP-CP-08-53. CERN preprint, arXiv: 0809.0840v2 Arkiveret 19. november 2018 på Wayback Machine
  4. ↑ Analyse af videnskabelige data ved hjælp af Jython Scripting og Java. Bestil. S. V. Chekanov (SVChekanov), Springer-Verlag, ISBN 978-1-84996-286-5 , [3] Arkiveret 14. april 2019 på Wayback Machine
  5. ↑ ScaVis - Werkbank for dem, der udvikler applikationer til Java og Jython. Roe Klaus. JAVA SPEKTRUM. (på tysk), bind 5 (2013) 26-28 [4] Arkiveret 6. juni 2019 på Wayback Machine
  6. ↑ Dataanalyse og datamining ved hjælp af Java, Jython og jHepWork Blog. 2010. Oracle.com. [5] Arkiveret 6. juni 2019 på Wayback Machine
  7. ↑ SCaVis - Werkbank für technisch-wissenschaftliche Berechnungen und Visualisierungen mit Java und Jython. af Rohe Klaus. Java SPEKTRUM. (på tysk) bind 5 (2013) 26-28 [6] Arkiveret 6. juni 2019 på Wayback Machine
  8. ↑ HEP-dataanalyse ved hjælp af jHepWork og Java. Proceedings of the HERA-LHC workshops (2007-2008), DESY-CERN [7] Arkiveret 19. november 2018 på Wayback Machine
  9. ↑ Egnethedsanalyse af dataminingværktøjer og -metoder. [8] . S. Kovac, bachelorafhandling (på engelsk), jHepWork er gennemgået på side 39-42, Masaryk University.
  10. ↑ En anmeldelse: Sammenlignende undersøgelse af forskellig indsamling af datamineværktøjer. Af S. Sarumathi, N. Shanthi, S. Vidhya, M. Sharmila. International Journal of Computer, Control, Quantum and Information Engineering. 2014; 8(6). 7.
  11. ↑ En undersøgelse af værktøjer, teknikker og tendenser til Big Data Analytics. Af R.Shireesha et al. (2016) International Journal of Advance Computing Technique and Applications (IJACTA), ISSN : 2321-4546, Vol 4, Issue 1 [9] Arkiveret 31. marts 2019 på Wayback Machine
  12. ↑ Sammenligning af forskellige værktøjer til datamining. Af P.Kaur etc. IJERT ISSN: 2278-0181 Vol. 3 udgave 10 (2010) [10] Arkiveret 8. maj 2018 på Wayback Machine
  13. ↑ Sammenlignende analyse af informationsekstraktionsteknikker til datamining, af Amit Verma et al. Indian Journal of Science and Technology, bind 9, marts 2016 [11] Arkiveret 20. juli 2018 på Wayback Machine
  14. ↑ Kort gennemgang af uddannelsesapplikationer ved hjælp af datamining og maskinlæring, [12] Arkiveret 8. maj 2018 på Wayback Machine , af A. Berenice Urbina Nájera, Jordede la Calleja Mora, Redie ISSN 1607-4041. Revista Electronica de Investigación Educativa, 19(4), 84-96
  15. ↑ Analyse af data ved hjælp af Data Mining-værktøjet Orange. Maqsud S. Kukasvadiya et. al. [13] Arkiveret 9. maj 2018 på Wayback Machine (2017) IJEDR, bind 5, udgave 2, ISSN: 2321-9939
  16. ↑ Big Data - En undersøgelse af Big Data-teknologier. Af P.Dhavalchandra, M.Jignasu, R.Amit. International Journal of Science and Technology. Bind 2, s45-50 (2016) [14] Arkiveret 8. maj 2018 på Wayback Machine
  17. ↑ Popularitet for softwareprogrammer til datavidenskab ved hjælp af nylige anmeldelser, artikel (sep 2018), T.Smalzer (hentet i 2019), [15] Arkiveret 29. juli 2019 på Wayback Machine
  18. ↑ Evaluering og sammenligning af open source-softwarepakker til datamining og videnopdagelse, af Abdulrahman H. Altalhi, JM Luna, MA Vallejo, S. Ventura, Wires/Willey, DOI: 10.1002/widm.1204 (2017), [16] Arkiveret 31. maj 2019 på Wayback Machine

Links

 Matematik software
Symbolske beregninger
Numeriske beregninger