« Cet article donne plein d'astuces pour profiler et benchmarker. La comparaison n'est pas rigoureuse, mais se penche sur un exemple de programmation et compare les performances en python 3.10, 3.11, cython, en C++ et avec numpy.  »

« Le projet pyiodide offre des bibliothèques scientifiques python compilées en webassembly. Le projet webdash (expérimental) propose en plus un sous-ensemble de Plotly Dash, permettant d'implémenter en python des dashboards dont toute l'exécution se déroule côté client. Un projet qu'il serait intéressant d'essayer de combiner avec sql.js-httpvfs pour l'accès aux données.  »

« For those who wants Numpy, Pandas, SciPy, Matplotlib usable with all the features of the browser. It could be seen as an interesting alternative to Jupyter, as all the computation is done on the browser side.  »

« An interesting series giving insight on how was created Xtensor, from one of their developer.  »

« Une introduction à Numba, compilateur JIT qui accélère le code Python (+Numpy) aussi bien pour les architectures matérielles classiques (CPU) que pour les GPU.  »

« Le C++ n'est pas cité souvent parmi les langages de la science des données (Data Science) ... Pourtant il arrive qu'il soit le principal recours possible quand on est face à des problèmes de performance. Quand cela arrive on est confronté à la relative pauvreté des moyens dans la manipulation de données par rapport à d'autres langages de plus haut niveau comme Python, R ou Julia. Le présent article illustre les capacités de la bibliothèque Xtensor de combler ce manque en apportant des fonctionnalités comparables à celles de NumPy (par exemple) et surtout des capacités remarquables d'intégration avec les trois autres langages évoqués précédemment.  »

« Pyodide (projet expérimental de Mozilla) a pour but de rendre le langage Python ainsi que son écosystème (NumPy, Pandas, Matplotlib et SciPy notamment) destiné à l'analyse des données accessible dans un navigateur web via WebAssembly.  »

« Un exemple très simple pour vectoriser des calculs numpy sur GPU.  »

« Utiliser Numpy c'est bien, le faire de manière efficace, c''est mieux! Cet article fournit quelques règles simples à respecter pour écrire du code Python plus performant avec Numpy.  »

« Vectorization, Broadcasting, Indexing : trois concepts à maîtriser pour tirer profit de la puissance de NumPy. Cet article met l'accent sur les deux premiers (Vectorization, Broadcasting) et aborde partiellement le troisième (Indexing) tout en insistant sur la nécessité de l'approfondir via la documentation de référence .  »

« Une comparaison intéressante des performances pour trois implémentation différentes d'une régression linéaire (Python standard, Numpy et TensorFlow).  »

« Après une introduction rapide des notions de base, ce notebook dévoile un certain nombre de subtilités dans le fonctionnement de NumPy, utiles à connaître pour utiliser la bibliothèque de manière efficace.  »

«  Une librairie C++ pour la manipulation de tableaux multidimensionnels, avec une interface très proche de celle de numpy (voir ce lien pour s’en convaincre) et des bindings pour Python, Julia et R. A noter que deux des développeurs de cette librairie devraient prochainement intervenir lors d’un prochain café LOOPS.  »