Python and HDF5

تجربه عملی با HDF5 برای ذخیره داده های علمی در پایتون به دست آورید. این راهنمای عملی شما را به سرعت در مورد جزئیات، بهترین شیوه‌ها و مشکلات استفاده از HDF5 برای بایگانی و اشتراک‌گذاری مجموعه‌های داده عددی در اندازه‌های مختلف از گیگابایت تا ترابایت آگاه می‌کند.

از طریق مثال‌های واقعی و تمرین‌های عملی. ، موضوعاتی مانند مجموعه داده های علمی، گروه های سازمان دهی شده سلسله مراتبی، ابرداده های تعریف شده توسط کاربر و فایل های قابل همکاری را بررسی خواهید کرد. مثال‌ها برای کاربران پایتون 2 و پایتون 3 قابل اجرا هستند. اگر با اصول تجزیه و تحلیل داده‌های پایتون آشنا هستید، این یک مقدمه ایده‌آل برای HDF5 است.

Gain hands-on experience with HDF5 for storing scientific data in Python. This practical guide quickly gets you up to speed on the details, best practices, and pitfalls of using HDF5 to archive and share numerical datasets ranging in size from gigabytes to terabytes.

Through real-world examples and practical exercises, you'll explore topics such as scientific datasets, hierarchically organized groups, user-defined metadata, and interoperable files. Examples are applicable for users of both Python 2 and Python 3. If you're familiar with the basics of Python data analysis, this is an ideal introduction to HDF5.