Computação Científica Com Pyton PDF

Computao
Cientca
com Python
Computao
Cientca
com Python
Uma introduo programao

para cientistas
Flvio Codeo Coelho
Petrpolis RJ
Edio do Autor
2007
2007 Flvio Codeo Coelho
Todos os direitos reservados.

ISBN: 978-85-907346-0-4
Capa: Mosaico construdo com as guras deste livro imitando o logotipo da
linguagem Python. Concebido e realizado pelo autor, com o auxlio do software
livre Metapixel.
Reviso ortogrca: Paulo F. Coelho e Luciene C. Coelho.
Edio do autor. Petrpolis - RJ - Brasil
Primeira Edio:
Julho 2007
Este livro dedicado minha esposa e meu lho, sem

os quais nada disso valeria a pena.
Agradecimentos
Muitas pessoas foram indispensveis para que este livro se tornasse
uma realidade.
Seria impossvel listar todas elas.
Mas algumas
guras fundamentais merecem uma meno especial.
Richard M. Stallman.
Sem o Software Livre tudo o que eu sei
sobre programao, provavelmente se reduziria a alguns comandos de DOS.
Linus Torvalds.
Sem o Linux, nunca teria me aproximado o su-
ciente da programao para conhecer a linguagem Python.
Guido van Rossum.
Muito obrigado por esta bela linguagem, e
por acreditar que elegncia e clareza so atributos importantes de uma linguagem de programao.
Comunidade Python.
Obrigado por todas esta extenses ma-
ravilhosas ao Python. comunidade de desenvolvedores do

Numpy e Scipy segue um agradecimento especial por facilitar
a adoo do Python por cientistas.
Alem destas pessoas gostaria ainda de agradecer ao Fernando Perez (criador e mantenedor do Ipython) por este incrivelmente til
software e por permitir que eu utilizasse alguns dos exemplos da
sua documentao neste livro.
Sumrio
Sumrio
Lista de Figuras
vii
Lista de Tabelas
Listagens
xi
Prefcio: Computao Cientca
Da Computao Cientca e sua denio pragmtica.

Do porqu esta se diferencia, em metas e ferramentas, da
Cincia da Computao.
Python
xvii
1 Fundamentos da Linguagem
Breve introduo a conceitos bsicos de programao

e linguagem Python. A maioria dos elementos bsicos
da linguagem so abordados neste captulo, com exceo
de classes, que so discutidas em detalhe no captulo 2.
Pr-requisitos: Conhecimentos bsicos de programao
em qualquer linguagem.
i
SUMRIO
ii
1.1
Primeiras impresses . . . . . . . . . . . . . . . . . .
1.2
Uso Interativo
1.3
1.4
Execuo a Partir de Scripts . . .
Operaes com Nmeros . . . . . . . . . . . . . . . .
Nomes, Objetos e Espaos de Nomes . . . . . . . . .
11
Estruturas de Dados . . . . . . . . . . . . . . . . . .
13
Listas
1.5
vs.
. . . . . . . . . . . . . . . . . . . . . . . . . .
13
Tuplas . . . . . . . . . . . . . . . . . . . . . . . . . .
20
Strings . . . . . . . . . . . . . . . . . . . . . . . . . .
22
Dicionrios
24
. . . . . . . . . . . . . . . . . . . . . . .
Conjuntos . . . . . . . . . . . . . . . . . . . . . . . .
27
Controle de uxo . . . . . . . . . . . . . . . . . . . .
28
Condies . . . . . . . . . . . . . . . . . . . . . . . .
28
Iterao
. . . . . . . . . . . . . . . . . . . . . . . . .
Lidando com erros: Excees

1.6
1.7
1.8
Funes
. . . . . . . . . . . . . . . . . . . . . . . . .
34
37
Geradores . . . . . . . . . . . . . . . . . . . . . . . .
38
Decoradores . . . . . . . . . . . . . . . . . . . . . . .
39
Strings de Documentao
41
Mdulos e Pacotes
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
42
Pacotes teis para Computao Cientca . . . . . .
45
Documentando Programas . . . . . . . . . . . . . . .
47
Pydoc
48
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . .
49
Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
50
2 Orientao a Objeto
Introduo programao orientada a objetos e sua

implementao na linguagem Python. Pr-requisitos:
Ter lido o captulo 1.
2.1
29
32
Funes lambda . . . . . . . . . . . . . . . . . . . . .
Epydoc
1.9
. . . . . . . . . . . . .
Objetos
. . . . . . . . . . . . . . . . . . . . . . . . .
Denindo Objetos e seus Atributos em Python
51
52
. . .
53
Adicionando Funcionalidade a Objetos . . . . . . . .
55
Herana . . . . . . . . . . . . . . . . . . . . . . . . .
56
iii
Utilizando Classes como Estruturas de Dados Gen2.2
ricas. . . . . . . . . . . . . . . . . . . . . . . .
57
Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
57
3 Criando Grcos em Python
Introduo produo de guras de alta qualidade utilizando o pacote matplotlib. Pr-requisitos: Captulo 1.
3.1
3.2
Introduo ao Matplotlib
. . . . . . . . . . . . . . .
59
Congurando o MPL . . . . . . . . . . . . . . . . . .
61
Comandos Bsicos
. . . . . . . . . . . . . . . . . . .
62
Exemplos Simples
. . . . . . . . . . . . . . . . . . .
63
O comando
plot . .
subplot
. . . . . . . . . . . . . . . . . .
63
. . . . . . . . . . . . . . . . . .
65
Adicionando Texto a Grcos . . . . . . . . . . . . .
68
Exemplos Avanados . . . . . . . . . . . . . . . . . .
69
Mapas . . . . . . . . . . . . . . . . . . . . . . . . . .
69
O Comando
3.3
4 Ferramentas de Desenvolvimento
Exposio de ferramentas voltadas para o aumento da

produtividade em um ambiente de trabalho em computao cientca. Pr-requisitos: Captulos 1 e 2
4.1
Ipython
. . . . . . . . . . . . . . . . . . . . . . . . .
Primeiros Passos
4.2
73
74
Comandos Mgicos . . . . . . . . . . . . . . . . . . .
75
Editores de Cdigo . . . . . . . . . . . . . . . . . . .
80
Editores Genricos
80
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
Controle de Verses em Software
83
. . . . . . . . . . .
86
Entendendo o Mercurial . . . . . . . . . . . . . . . .
88
5 Interagindo com Outras Linguagens
Introduo a vrios mtodos de integrao do Python

com outras linguagens. Pr-requisitos: Captulos 1 e 2.
5.1
73
. . . . . . . . . . . . . . . . . . . .
Editores Especializados
4.3
59
Introduo . . . . . . . . . . . . . . . . . . . . . . . .
99
99
SUMRIO
iv
5.2
Integrao com a Linguagem
. . . . . . . . . . . . 100
Weave . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Ctypes . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Pyrex
5.3
. . . . . . . . . . . . . . . . . . . . . . . . . . 106
Integrao com
C++
. . . . . . . . . . . . . . . . . . . 111
Shedskin . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.4
Integrao com a Linguagem
f2py
5.5
Fortran
. . . . . . . . 117
. . . . . . . . . . . . . . . . . . . . . . . . . . . 118
A Pton que sabia Javans Integrao com Java

O interpretador Jython
. 126
. . . . . . . . . . . . . . . . 126
Criando Applets em Jython . . . . . . . . . . . . . 128

5.6
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . 131
II Aplicaes
133
6 Modelagem Matemtica
Introduo modelagem matemtica e sua implementao computacional. Discusso sobre a importncia da

Anlise dimensional na modelagem e apresentao do pacote Unum para lidar com unidades em Python. Prrequisitos:Conhecimentos bsicos de clculo.
6.1
135
Modelos . . . . . . . . . . . . . . . . . . . . . . . . . 137
Lineares . . . . . . . . . . . . . . . . . . . . . . . . . 137
Exponenciais
6.2
. . . . . . . . . . . . . . . . . . . . . . 142
Construindo Modelos Dinmicos
. . . . . . . . . . . 145
Modelando Iterativamente . . . . . . . . . . . . . . . 145

Integrao Numrica . . . . . . . . . . . . . . . . . . 148
6.3
Grandezas, Dimenses e Unidades

Anlise Dimensional
. . . . . . . . . . 155
. . . . . . . . . . . . . . . . . . 158
O Pacote Unum . . . . . . . . . . . . . . . . . . . . . 159

6.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . 167
7 Teoria de Grafos
Breve introduo a teoria de grafos e sua representao computacional. Introduo ao Pacote NetworkX,
voltado para a manipulao de grafos. Pr-requisitos:
Programao orientada a objetos.
7.1
7.2
169
Introduo . . . . . . . . . . . . . . . . . . . . . . . . 169
NetworkX . . . . . . . . . . . . . . . . . . . . . . . . 172
Construindo Grafos . . . . . . . . . . . . . . . . . . . 173
Manipulando Grafos
. . . . . . . . . . . . . . . . . . 174
Criando Grafos a Partir de Outros Grafos . . . . . . 175

Gerando um Grafo Dinamicamente . . . . . . . . . . 176
Construindo um Grafo a Partir de Dados
7.3
. . . . . . 179
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . 182
8 Interao com Bancos de Dados
Apresentao dos mdulos de armazenamento de dados Pickle e Sqlite3 que fazem parte da distribuio padro do Python. Apresentao do pacote SQLObject para
comunicao com os principais sistemas de bancos de dados existentes. Pr-requisitos: Conhecimentos bsicos
de bancos de dados e SQL.
185
8.1
O Mdulo Pickle
8.2
O mdulo Sqlite3 . . . . . . . . . . . . . . . . . . . . 187
8.3
. . . . . . . . . . . . . . . . . . . . 186
O Pacote SQLObject . . . . . . . . . . . . . . . . . . 190

Construindo um aranha digital
8.4
. . . . . . . . . . . . 190
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . 197
9 Simulaes Estocsticas
Seleo de problemas relacionados com a simulao e

anlise de processos estocsticos. Pr-requisitos: Conhecimentos avanados de estatstica.
9.1
199
Nmeros Aleatrios . . . . . . . . . . . . . . . . . . . 199

Hipercubo Latino - LHS . . . . . . . . . . . . . . . . 200
9.2
Inferncia Bayesiana
. . . . . . . . . . . . . . . . . . 203
SUMRIO
vi
9.3
9.4
Simulaoes Estocsticas
. . . . . . . . . . . . . . . . 205
Integrao Monte Carlo
. . . . . . . . . . . . . . . . 205
Amostragem por Rejeio
. . . . . . . . . . . . . . . 207
Mtodo do Envelope . . . . . . . . . . . . . . . . . . 208

Aplicando ao Teorema de Bayes . . . . . . . . . . . . 210
9.5
9.6
Cadeias de Markov . . . . . . . . . . . . . . . . . . . 214

MCMC (Markov Chain Monte Carlo)
. . . . . . . . 217
O Amostrador de Metropolis-Hastings
. . . . . . . . 217
O Amostrador de Gibbs
9.7
. . . . . . . . . . . . . . . . 220
Mtodos Monte Carlo Sequenciais
. . . . . . . . . . 223
Sampling Importance Resampling SIR . . . . . . . 224

9.8
Funes de Verossimilhana . . . . . . . . . . . . . . 229

Denio da funo de verossimilhana . . . . . . . . 229
9.9
Inferncia Bayesiana com Objetos.
. . . . . . . . . . 235
9.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . 248
Console Gnu/Linux
Guia de sobrevivncia no console do Gnu/Linux
A linguagem BASH
253
. . . . . . . . . . . . . . . . . . . . . 254
Alguns Comando teis . . . . . . . . . . . . . . . . . 254

Entradas e Sadas, redirecionamento e "Pipes". . . . . . . 257
Redirecionamento . . . . . . . . . . . . . . . . . . . . 258
Pipelines . . . . . . . . . . . . . . . . . . . . . . . . 258
Prolas Cientcas do Console Gnu/Linux . . . . . . . . . 259
Gnu plotutils
ndice Remissivo
. . . . . . . . . . . . . . . . . . . . . . 259
267
Lista de Figuras
HTML
da documentao gerada pelo
Epydoc.
1.1
Verso
3.1
Histograma simples a partir da listagem 3.2 . . . . . . .
61
3.2
Reta simples a partir da listagem 3.3 . . . . . . . . . . .
63
3.3
Grco com smbolos circulares a partir da listagem 3.4
65
3.4
Figura com dois grcos utilizando o comando subplot,

a partir da listagem 3.5
3.5
3.6
4.1
. . .
. . . . . . . . . . . . . . . . . .
50
67
Formatao de texto em guras. Gerada pela listagem

3.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
Mapa mundi na projeo de Robinson. . . . . . . . . . .
72
Editor emacs em modo Python e com Code Browser

ativado
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . .
82
4.2
Editor Scite.
4.3
Editor Gnu Nano.
4.4
Editor Jython Jedit
. . . . . . . . . . . . . . . . . . .
85
4.5
IDE Boa-Constructor
. . . . . . . . . . . . . . . . . . .
86
4.6
IDE Eric.
4.7
IDE Pydev
. . . . . . . . . . . . . . . . . . . . .
83
84
. . . . . . . . . . . . . . . . . . . . . . . . . .
87
. . . . . . . . . . . . . . . . . . . . . . . . .
88
4.8
Diagrama de um repositrio do Mercurial. . . . . . . . .
89
4.9
Operao de commit. . . . . . . . . . . . . . . . . . . .
90
4.10 Repositrio da Ana.
. . . . . . . . . . . . . . . . . . . .
vii
91
LISTA DE FIGURAS
viii
4.11 Modicaes de Bruno.
. . . . . . . . . . . . . . . . . .
92
4.12 Modicaes de Ana. . . . . . . . . . . . . . . . . . . . .
92
4.13 Repositrio atualizado de Bruno. . . . . . . . . . . . . .
93
4.14 Repositrio de Bruno aps a fuso. . . . . . . . . . . . .
94
5.1
Comparao da performance entre o Python e o

ave) para um loop simples.
(we-
O eixo y est em escala
logaritmica para facilitar a visualizao das curvas. . . . 103

5.2
Regra trapezoidal para integrao aproximada de uma

funo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.3
6.1
Sada da listagem 5.25. . . . . . . . . . . . . . . . . . . . 129

Diagrama de disperso do exemplo do taxi. A reta superior descreve o cenrio com bandeirada e a inferior,
sem bandeirada.
6.2
. . . . . . . . . . . . . . . . . . . . . . 139
Populao crescendo de forma linear, devido chegada

de um nmero constante de novos indivduos por ano.
6.3
um nmero constante de indivduos por ano.

6.4
. . . . . . . . . . . . . . . . . . . . . . . . 142
b.
. . . . . . . . . . . . . . . . . . . . . . . . 143
Crescimento de uma populao de bactrias por bipartio.
6.7
a.
Representao grca de um modelo linear. Efeito do

parmetro
6.6
. . . . . . 141
Representao grca de um modelo linear. Efeito do

parmetro
6.5
. 140
Populao diminui de forma linear, devido saida de
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
Modelos populacionais discretos. Modelo 2 esquerda

e modelo 1 direita. . . . . . . . . . . . . . . . . . . . . 146
6.8
Grco com o resultado da integrao do modelo 6.2.
. 153
7.1
Um grafo simples.
7.2
Diagrama de um grafo . . . . . . . . . . . . . . . . . . . 174
7.3
Grafo, produto cartesiano e complemento. . . . . . . . . 177
7.4
Resultado da simulao do exemplo 7.5. . . . . . . . . . 180
7.5
Rede social a partir de mensagens de email. . . . . . . . 183
. . . . . . . . . . . . . . . . . . . . . 171
ix
9.1
Amostragem (n=20) de uma distribuio normal com

mdia 0 por LHS (histograma mais escuro) e amostragem padro do scipy (histograma mais claro). . . . . . . 201
9.2
Distribuio acumulada da varivel
x N (0, 1),
mos-
trando o particionamento do espao amostral em segmentos equiprovveis.

9.3
. . . . . . . . . . . . . . . . . . . 202
Resultado da amostragem por envelope de uma distribuio beta(1,1)
. . . . . . . . . . . . . . . . . . . . . . 211
9.4
Amostragem por rejeio da posterior Bayesiana. . . . . 214
9.5
Cadeia de Markov com kernel de transio exponencial.
9.6
Amostrador de Metropolis-Hastings(n=10000).
9.7
216
. . . . . 220
Estrutura de dependncia circular utilizada na listagem

9.7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
9.8
Amostrador de Gibbs aplicado a uma distribuio trivariada.
9.9
. . . . . . . . . . . . . . . . . . . . . . . . . . . 224
Processo markoviano e suas observaes. . . . . . . . . . 225
9.10 Funo de verossimilhana para a comparao de sequncias de DNA.
. . . . . . . . . . . . . . . . . . . . . . . . 232
9.11 Log-verossimilhana da funo descrita anteriormente. . 234

9.12 Resultado da listagem 9.21. . . . . . . . . . . . . . . . . 243
1
Konsole: janela contendo uma sesso bash (ou outra)
Usando
Interpolando uma curva em um plano. . . . . . . . . . . 263
Atrator de Lorenz. . . . . . . . . . . . . . . . . . . . . . 266
no KDE. . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
spline. .
. . . . . . . . . . . . . . . . . . . . . . 262
Lista de Tabelas
1.1
Mtodos de Listas. . . . . . . . . . . . . . . . . . . . . .
16
1.2
Mtodos de Dicionrios. . . . . . . . . . . . . . . . . . .
26
3.1
Principais comandos de plotagem do MPL . . . . . . . .
62
3.2
Argumentos que podem ser passados juntamente com a

funo plot para controlar propriedades de linhas.
. . .
66
3.3
Argumentos opcionais dos comandos de insero de texto. 68
6.1
Valor de corridas de taxi . . . . . . . . . . . . . . . . . . 138
6.2
Dimenses bsicas. . . . . . . . . . . . . . . . . . . . . . 156
6.3
Dimenses derivadas. . . . . . . . . . . . . . . . . . . . . 157
6.4
Prexos de Unidades . . . . . . . . . . . . . . . . . . . . 165
Listagens
1.1
O console interativo do Python . . . . . . . . . . . .
1.2
Palavras reservadas no podem ser utilizadas como
1.3
Denio da palavra reservada
1.4
Usando o Python como uma calculadora.
. . . . . .
1.5
Executando script.py via comando de linha. . . . . .
1.7
Executando um script Python executvel.
. . . . . .
1.6
Tornando um script executvel
. . . . . . . . . . . .
1.8
Operaes aritmticas
. . . . . . . . . . . . . . . . .
1.9
Atribuindo valores
. . . . . . . . . . . . . . . . . . .
nomes de variveis
. . . . . . . . . . . . . . . . . . .
for. .
. . . . . . . . .
1.10 Atribuindo o mesmo valor a mltiplas variveis . . .

1.11 Nmeros complexos
3
4
5
. . . . . . . . . . . . . . . . . .
10
1.12 Explorando nmeros complexos . . . . . . . . . . . .
10
1.13 Atribuindo objetos a nomes (variveis) . . . . . . . .
11
1.14 Exemplo de NameError
. . . . . . . . . . . . . . . .
12
. . . . . . . . . . . . . . . . . . . . .
14
1.16 Fatiando uma lista . . . . . . . . . . . . . . . . . . .
14
1.17 Selecionando o nal de uma lista. . . . . . . . . . . .
15
1.18 selecionando todos os elementos de uma lista. . . . .
15
1.19 Adicionando elementos a listas. . . . . . . . . . . . .
16
1.20 Estendendo uma lista.
. . . . . . . . . . . . . . . . .
17
1.21 Efetuando buscas em listas. . . . . . . . . . . . . . .
17
1.22 Removendo elementos de uma lista. . . . . . . . . . .
18
1.15 Criando listas.
xi
LISTAGENS
xii
1.23 Operaes com listas . . . . . . . . . . . . . . . . . .
18
1.24 Criando listas numricas sequenciais. . . . . . . . . .
19
1.25 Denindo uma Tupla.
. . . . . . . . . . . . . . . . .
20
1.26 Outras formas de denir tuplas. . . . . . . . . . . . .
20
1.27 Strings.
22
. . . . . . . . . . . . . . . . . . . . . . . . .
1.28 Formatando strings.
. . . . . . . . . . . . . . . . . .
23
1.29 Problemas com a concatenao de strings. . . . . . .
24
1.30 Criando e manipulando dicionrios. . . . . . . . . . .
24
1.31 Iterando dicionrios.
25
. . . . . . . . . . . . . . . . . .
1.32 Exemplo do emprego de ramicaes.

1.33 Implementando a funcionalidade de
if
. . . . . . . .
e
elif
28
por
meio de um dicionrio. . . . . . . . . . . . . . . . . .
29
1.34 Comandos de lao no Python. . . . . . . . . . . . . .
30
1.35 A funo enumerate. . . . . . . . . . . . . . . . . . .
30
1.36 Iterando sobre mais de uma sequncia. . . . . . . . .
31
1.37 Iterando sobre uma sequncia ordenada. . . . . . . .
31
1.38 Exemplo de uma exceo
32
. . . . . . . . . . . . . . .
1.39 Contornando uma diviso por zero
. . . . . . . . . .
1.40 Lidando com diferentes tipos de erros.
. . . . . . . .
33
34
1.41 Denindo uma funo com um argumento obrigatrio e outro opcional (com valor default"). . . . . . .
35
1.42 lista de argumentos varivel . . . . . . . . . . . . . .
36
1.43 Desempacotando argumentos. . . . . . . . . . . . . .
36
1.44 Passando todos os argumentos por meio de um dicionrio. . . . . . . . . . . . . . . . . . . . . . . . . . .
37
1.45 Retornando valores a partir de uma funo. . . . . .
37
1.46 Funes lambda . . . . . . . . . . . . . . . . . . . . .
38
1.47 Geradores . . . . . . . . . . . . . . . . . . . . . . . .
38
1.48 Decorador bsico. . . . . . . . . . . . . . . . . . . . .
39
1.49 Utilizando um decorador . . . . . . . . . . . . . . . .
39
1.50 Limpando a gerao de decoradores . . . . . . . . . .
40
1.51 Usando Docstrings
. . . . . . . . . . . . . . . . . . .
41
. . . . . . . . . . . . . . . . . . . .
43
1.52 Mdulo exemplo
1.53 Executing a module from the console.
. . . . . . . .
44
xiii
1.54 importing a package
. . . . . . . . . . . . . . . . . .
45
1.55 Calculando e mostrando o determinante de uma matriz.
. . . . . . . . . . . . . . . . . . . . . . . . . . .
1.56 Listando as opes do Epydoc.
45
. . . . . . . . . . . .
49
2.1
Denindo uma classe . . . . . . . . . . . . . . . . . .
53
2.2
Denindo atributos de uma classe . . . . . . . . . . .
54
caption=Instanciando uma classe.,label=ex:classe3 . . . .
54
2.3
Passando atributos na criao de um objeto . . . . .
54
2.4
Herana . . . . . . . . . . . . . . . . . . . . . . . . .
56
2.5
Classe como uma estrura de dados
. . . . . . . . . .
57
3.1
Instalando o matplotlib
. . . . . . . . . . . . . . . .
60
3.2
Criando um histograma no modo interativo
. . . . .
60
3.3
Grco de linha . . . . . . . . . . . . . . . . . . . . .
63
3.4
Grco de pontos com valores de
64
3.5
Figura com dois grcos utilizando o comando subplot. 66
3.6
Formatando texto e expresses matemticas . . . . .
69
3.7
Plotando o globo terrestre . . . . . . . . . . . . . . .
70
5.1
Otimizao de loops com o
5.2
Calculando iterativamente a srie de Fibonacci em
5.3
Executando o cdigo do exemplo 5.2. . . . . . . . . . 105
5.4
Carregando bibliotecas em
5.5
Chamando fues em bibliotecas importadas com o
5.6
Calculando nmeros primos em Pyrex
5.7
Gerando Compilando e linkando
5.8
Calculando nmeros primos em Python
5.9
Comparando performances dentro do ipython . . . . 110
Python e em
ctypes
weave
C(weave.inline)
C.
x e y especicados.
. . . . . . . . . . . 100
. . . . . . . . . . . . 102
. . . . . . . . . . . . . 106
. . . . . . . . . . . . . . . . . . . . . . . . . . 106
. . . . . . . . 107
. . . . . . . . . . . 108
. . . . . . . 109
5.10 Automatizando a compilao de extenses em
Pyrex
por meio do setuptools . . . . . . . . . . . . . . . . . 110

5.11 Utilizando Setuptools para compilar extenses em
Pyrex
. . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.12 implementao da regra trapezoidal(utilizando lao

for) conforme especicada na equao 5.3
. . . . . . 112
LISTAGENS
xiv
5.13 Executando a listagem 5.12
. . . . . . . . . . . . . . 114
C++ . . . . . .
C++ gerado pelo Shed-skin a partir do script
5.14 Vericando o tempo de execuo em

5.15 Cdigo
trapintloopy.py
. . . . . . . . . . . . . . . . . . . . . 115
5.16 implementao em
Fortran da regra trapezoidal.
label118
5.17 Compilando e executando o programa da listagem

5.18 Compilando com
f2py
Fortran via
. . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.20 Executando
trapintloopcomp.py
. . . . . . . . . . 123
5.21 Implementao vetorizada da regra trapezoidal

5.22
5.23
?? 120
. . . . . . . . . . . . . . . . . 121
5.19 Script para comparao entre Python e
f2py
. 114
. . . 123
setup.py para distribuir programas com extenses

em Fortran . . . . . . . . . . . . . . . . . . . . . .
Usando o interpretador Jython . . . . . . . . . . .
. 125
. 127
5.24 Um programa simples em Java usando a classe Swing.127

5.25 Verso Jython do programa da listagem 5.24.
Jython
5.26 Criando um applet em

5.27 Compilando appletp.py
. . . . 128
. . . . . . . . . . . . 128
. . . . . . . . . . . . . . . . 129
5.28 Documento HTML contendo o applet.
. . . . . . . 130
6.1
Dois modelos discretos de crescimento populacional . 147
6.2
Integrando um sistema de equaes diferenciais or-
6.3
Integrao numrica utilizando a classe ODE. . . . . 153
6.4
Criando novas unidades. . . . . . . . . . . . . . . . . 162
7.1
Denindo um grafo como um dicionrio. . . . . . . . 170
7.2
Obtendo a lista de vrtices.
7.3
Denindo um grafo atravs de seus vrtices
7.4
Diagrama de um grafo . . . . . . . . . . . . . . . . . 172
7.5
Construindo um grafo dinamicamente
7.6
Construindo uma rede social a partir de e-mails . . . 179
8.1
Exemplo de uso do mdulo
8.2
Mdulos necessrios
8.3
Especicando o banco de dados.
8.4
Especicando a tabela
dinrias
. . . . . . . . . . . . . . . . . . . . . . . . . 149
. . . . . . . . . . . . . . 171
pickle
. . . . . 172
. . . . . . . . 176
. . . . . . . . . . 186
. . . . . . . . . . . . . . . . . . 190
ideia
. . . . . . . . . . . 191
do banco de dados. . . 192
xv
8.5
Restante do cdigo da aranha.
9.1
Amostragem por Hipercubo latino (LHS)
9.2
9.3
Amostragem por rejeio utilizando o mtodo do en-
9.4
Amostragem da Posterior Bayesiana por rejeio. . . 212
9.5
Cadeia de Markov com kernel de transio exponencial215
9.6
Amostrador de Metropolis-Hastings . . . . . . . . . . 218
9.7
Amostrador de Gibbs aplicado uma distribuio
9.8
Filtro de partculas usando algoritmo SIR
9.9
Funo de verossimilhana para
velope
. . . . . . . . . . . . 193
. . . . . . 201
. . . . . . . . . . . . . . . . 206
. . . . . . . . . . . . . . . . . . . . . . . . . . 209
tri-variada . . . . . . . . . . . . . . . . . . . . . . . . 221
igual a
. . . . . . 225
0.
. . . . . 230
9.10 Calculando a verossimilhana da comparao de duas

sequncias de DNA . . . . . . . . . . . . . . . . . . . 231
9.11 Log-verossimilhana
. . . . . . . . . . . . . . . . . . 234
9.12 Maximizando a verossimilhana . . . . . . . . . . . . 235

9.13 Classe Varivel Aleatria Bayesiana Requisitos. . . 236
9.14 Classe Varivel Aleatria Bayesiana Inicializao. . 237
9.15 Classe Varivel Aleatria Bayesiana Herana dinmica de mtodos. . . . . . . . . . . . . . . . . . . . . 238
9.16 Classe Varivel Aleatria Bayesiana Herana dinmica de mtodos. . . . . . . . . . . . . . . . . . . . . 238
9.17 Classe Varivel Aleatria Bayesiana Adio de dados e clculo da Verossimilhana. . . . . . . . . . . . 239
9.18 Classe Varivel Aleatria Bayesiana Amostras e
PDF da
a priori.
. . . . . . . . . . . . . . . . . . . . 240
9.19 Classe Varivel Aleatria Bayesiana Gerando a

posterior.
. . . . . . . . . . . . . . . . . . . . . . . . 241
9.20 Classe Varivel Aleatria Bayesiana Cdigo de teste.242

9.21 Classe Varivel Aleatria Bayesiana Listagem completa . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
22
Redirecionando STDIN e STDOUT . . . . . . . . . . 258
23
Lista ordenada dos usurios do sistema.
24
Plotando dados em um arquivo. . . . . . . . . . . . . 260
. . . . . . . 258
LISTAGENS
xvi
25
Desenhando um quadrado. . . . . . . . . . . . . . . . 261
26
Uso do
27
Interpolando uma curva em um plano. . . . . . . . . 261
28
spline
. . . . . . . . . . . . . . . . . . . . . 261
Resolvendo uma equao diferencial simples no console do Linux. . . . . . . . . . . . . . . . . . . . . . . 264
29
Sistema de trs equaes diferenciais acopladas
. . . 265
Prefcio: Computao
Cientca
Da Computao Cientca e sua denio pragmtica.
Do porqu esta se diferencia, em metas e ferramentas,
da Cincia da Computao.
omputao
cientca no uma rea do conhecimento muito
bem denida. A denio utilizada neste livro a de uma rea
de atividade/conhecimento que envolve a utilizao de ferramentas

computacionais (software) para a soluo de problemas cientcos
em reas da cincia no necessariamente ligadas disciplina da
cincia da computao, ou seja, a computao para o restante da
comunidade cientca.
Nos ltimos tempos, a computao em suas vrias facetas, tem
se tornado uma ferramenta universal para quase todos os segmentos
da atividade humana. Em decorrncia, podemos encontrar produtos computacionais desenvolvidos para uma enorme variedade de
aplicaes, sejam elas cientcas ou no. No entanto, a diversidade
de aplicaes cientcas da computao quase to vasta quanto
o prprio conhecimento humano.
Por isso, o cientista frequente-
mente se encontra com problemas para os quais as ferramentas

computacionais adequadas no existem.
No desenvolvimento de softwares cientcos, temos dois modos
principais de produo de software: o desenvolvimento de softwares
comerciais, feito por empresas de software que contratam prograxvii
xviii
PREFCIO: COMPUTAO CIENTFICA
madores prossionais para o desenvolvimento de produtos voltados

para uma determinada aplicao cientca, e o desenvolvimento
feito por cientistas (fsicos, matemticos, bilogos, etc., que no
so programadores prossionais), geralmente de forma colaborativa atravs do compartilhamento de cdigos fonte.
Algumas disciplinas cientcas, como a estatstica por exemplo,
representam um grande mercado para o desenvolvimento de softwares comerciais genricos voltados para as suas principais aplicaes,
enquanto que outras disciplinas cientcas carecem de massa crtica
(em termos de nmero de prossionais) para estimular o desenvolvimento de softwares comerciais para a soluo dos seus problemas
computacionais especcos.
Como agravante, o desenvolvimento
lento e centralizado de softwares comerciais, tem se mostrado incapaz de acompanhar a demanda da comunidade cientca, que precisa ter acesso a mtodos que evoluem a passo rpido. Alm disso,
esto se multiplicando as disciplinas cientcas que tm como sua
ferramenta principal de trabalho os mtodos computacionais, como
por exemplo a bio-informtica, a modelagem de sistemas complexos, dinmica molecular e etc.
Cientistas que se vem na situao de terem de desenvolver
softwares para poder viabilizar seus projetos de pesquisa, geralmente tm de buscar uma formao improvisada em programao
e produzem programas que tem como caracterstica bsica serem
minimalistas, ou seja, os programas contm o mnimo nmero de
linhas de cdigo possvel para resolver o problema em questo. Isto
se deve conjugao de dois fatos: 1) O cientista raramente possui
habilidades como programador para construir programas mais sosticados e 2) Frequentemente o cientista dispe de pouco tempo
entre suas tarefas cientcas para dedicar-se programao.
Para complicar ainda mais a vida do cientista-programador, as
linguagens de programao tradicionais foram projetadas e desenvolvidas por programadores para programadores e voltadas ao desenvolvimento de softwares prossionais com dezenas de milhares
de linhas de cdigo. Devido a isso, o nmero de linhas de cdigo
xix
mnimo para escrever um programa cientco nestas linguagens

muitas vezes maior do que o nmero de linhas de cdigo associado
com a resoluo do problema em questo.
Quando este problema foi percebido pelas empresas de software cientco, surgiu uma nova classe de software, voltado para a
demanda de cientistas que precisavam implementar mtodos computacionais especcos e que no podiam esperar por solues comerciais.
Esta nova classe de aplicativos cientcos, geralmente inclui uma
linguagem de programao de alto nvel, por meio da qual os cientistas podem implementar seus prprios algoritmos, sem ter que
perder tempo tentando explicar a um programador prossional o
que, exatamente, ele deseja.
Exemplos destes produtos incluem
TM , MathematicaTM , MapleTM , entre outros.
MATLAB
Nestes
aplicativos, os programas so escritos e executados dentro do prprio aplicativo, no podendo ser executados fora dos mesmos. Estes
ambientes, entretanto, no possuem vrias caractersticas importantes das linguagens de programao: No so portteis, ou seja,
no podem ser levados de uma mquina para a outra e executados a menos que a mquina-destino possua o aplicativo gerador do
TM , etc.) que custa milhares de dlares por
programa (MATLAB
licena, Os programas no podem ser portados para outra plataforma computacional para a qual no exista uma verso do aplicativo gerador. E, por ltimo e no menos importante, o programa
produzido pelo cientista no lhe pertence, pois, para ser executado,
necessita de cdigo proprietrio do ambiente de desenvolvimento
comercial.
Este livro se prope a apresentar uma alternativa livre (baseada em Software Livre), que combina a facilidade de aprendizado e
rapidez de desenvolvimento, caractersticas dos ambientes de desenvolvimento comerciais apresentados acima, com toda a exibilidade
das linguagens de programao tradicionais. Programas cientcos
desenvolvidos inteiramente com ferramentas de cdigo aberto tem
a vantagem adicional de serem plenamente escrutinveis pelo sis-
xx
tema de reviso por pares (peer review), mecanismo central da

cincia para validao de resultados.
A linguagem Python apresenta as mesmas solues propostas
pelos ambientes de programao cientca, mantendo as vantagens
de ser uma linguagem de programao completa e de alto nvel.
Apresentando o Python
O Python uma linguagem de programao dinmica e orientada
a objetos, que pode ser utilizada no desenvolvimento de qualquer
tipo de aplicao, cientca ou no.
O Python oferece suporte
integrao com outras linguagens e ferramentas, e distribuido com

uma vasta biblioteca padro. Alm disso, a linguagem possui uma
sintaxe simples e clara, podendo ser aprendida em poucos dias.
O uso do Python frequentemente associado com grandes ganhos
de produtividade e ainda, com a produo de programas de alta
qualidade e de fcil manuteno.
A linguagem de programao Python
1 comeou a ser desen-
volvida ao nal dos anos 80, na Holanda, por Guido van Rossum.
Guido foi o principal autor da linguagem e continua at hoje desempenhando um papel central no direcionamento da evoluo. Guido
reconhecido pela comunidade de usurios do Python como Benevolent Dictator For Life (BDFL), ou ditador benevolente vitalcio
da linguagem.
A primeira verso pblica da linguagem (0.9.0) foi disponibilizada.
Guido continou avanando o desenvolvimento da lingua-
gem, que alcanou a verso 1.0 em 1994. Em 1995, Guido emigrou

para os EUA levando a responsabilidade pelo desenvolvimento do
Python, j na verso 1.2, consigo. Durante o perodo em que Guido
trabalhou para o CNRI , o Python atingiu a verso 1.6, que foi rpidamente seguida pela verso 2.0. A partir desta verso, o Python
1 www.python.org
2 Corporation for National
Research Initiatives
xxi
passa a ser distribudo sob a Python License, compatvel com a
GPL , tornando-se ocialmente software livre. A linguagem passa

a pertencer ocialmente Python Software Foundation. Apesar da
implementao original do Python ser desenvolvida na Linguagem
C (CPython), Logo surgiram outras implementaes da Lingua-
gem, inicialmente em Java (Jython ), e depois na prpria lingua-
5
gem Python (PYPY ), e na plataforma
.NET
(IronPython ).
Dentre as vrias caractersticas da linguagem que a tornam interessante para computao cientca, destacam-se:
Multiplataforma:
O Python pode ser instalado em qualquer pla-
taforma computacional: Desde PDAs at supercomputadores

com processamento paralelo, passando por todas as plataformas de computao pessoal.
Portabilidade:
Aplicativos desenvolvidos em Python podem ser
facilmente distribudos para vrias plataformas diferentes daquela em que foi desenvolvido, mesmo que estas no possuam
o Python instalado.
Software Livre:
O Python software livre, no impondo qual-
quer limitao distribuio gratuita ou venda de programas.
Extensibilidade:
O Python pode ser extendido atravs de m-
dulos,escritos em Python ou rotinas escritas em outras linguagens, tais como C ou Fortran (Mais sobre isso no captulo
5).
Orientao a objeto:
Tudo em Python um objeto:
funes,
variveis de todos os tipos e at mdulos (programas escritos

em Python) so objetos.
3 GNU General Public License

4 www.jython.org
5 pypy.org
6 www.codeplex.com/Wiki/View.aspx?ProjectName=IronPython
xxii
Tipagem automtica:
oat, etc.)
O tipo de uma varivel (string, inteiro,
determinado durante a execuo do cdigo;
desta forma, voc no necessita perder tempo denindo tipos

de variveis no seu programa.
Tipagem forte:
Variveis de um determinado tipo no podem
ser tratadas como sendo de outro tipo. Assim, voc no pode

somar a string '123' com o inteiro 3. Isto reduz a chance de
erros em seu programa. A variveis podem, ainda assim, ser
convertidas para outros tipos.
Cdigo legvel:
O Python, por utilizar uma sintaxe simplicada
e forar a diviso de blocos de cdigo por meio de indentao, torna-se bastante legvel, mesmo para pessoas que no
estejam familiarizadas com o programa.
Flexibilidade:
O Python j conta com mdulos para diversas
aplicaes, cientcas ou no, incluindo mdulos para interao com os protocolos mais comuns da Internet (FTP, HTTP,
XMLRPC, etc.). A maior parte destes mdulos j faz parte
da distribuio bsica do Python.
Operao com arquivos:
A manipulao de arquivos, tais como
a leitura e escrita de dados em arquivos texto e binrio,

muito simplicada no Python, facilitando a tarefa de muitos
pesquisadores ao acessar dados em diversos formatos.
Uso interativo:
O Python pode ser utilizado interativamente, ou
invocado para a execuco de scripts completos. O uso interativo permite experimentar comandos antes de inclu-los em
programas mais complexos, ou usar o Python simplesmente
como uma calculadora.
etc...
Entretanto, para melhor compreender todas estas vantagens
apresentadas, nada melhor do que comear a explorar exemplos
xxiii
de computao cientca na linguagem Python. Mas para inspirar

o trabalho tcnico, nada melhor do que um poema:
import
1 >>>
2 The Zen
3
4
Beautiful
Explicit
Simple
Complex
Flat
Sparse
Python ,
better
is
than
better
Readability
11
Special
12
Although
13
Errors
aren ' t
never
Unless
explicitly
15
In
face
of
should
19
is
to
be
that
first
18 Now
If
the
's
21
If
the
way
way may
is
bad
's
23 >>>
do
the
preferably
do
only
it .
be
obvious
at
Dutch .
never .
better
than
right
is
hard
to
explain ,
it
is
easy
to
explain ,
it
idea .
implementation
Namespaces
purity .
refuse
not
often
implementation
a
to
you ' r e
than
never
may be
22
break
guess .
now .
20
to
silently .
one and
unless
better
Although
enough
silenced .
o b v i o u s
Although
beats
pass
ambiguity ,
temptation
17
special
practicality
14
one
dense .
rules .
should
the
nested .
than
counts .
cases
the
There
Peters
i s b e t t e r than u g l y .
i s b e t t e r than i m p l i c i t .
10
16
by Tim
i s b e t t e r than complex .
i s b e t t e r than c o m p l i c a t e d .
is
this
of
good
are
one
more
of
idea .
honking
those !
great
idea
let
xxiv
Usando este Livro
Este livro foi planejado visando a versatilidade de uso. Sendo assim,

ele pode ser utilizado como livro didtico (em cursos formais) ou
como referncia pessoal para auto-aprendizagem ou consulta.
Como livro didtico, apresenta, pelo menos, dois nveis de aplicao possveis:
1. Um curso introdutrio linguagem Python, no qual se faria
uso dos captulos da primeira parte.
O nico pr-requisito
seria uma exposio prvia dos alunos a conceitos bsicos

de programao (que poderia ser condensada em uma nica
aula).
2. Um curso combinado de Python e computao cientca. O
autor tem ministrado este tipo de curso com grande sucesso.
Este curso faria uso da maior parte do contedo do livro, o
instrutor pode selecionar captulos de acordo com o interesse
dos alunos.
Como referncia pessoal, este livro atende a um pblico bastante amplo, de leigos a cientistas.
No incio de cada captulo
encontram-se os pr-requisitos para se entender o seu contedo.

Mas no se deixe inibir; as aplicaes cientcas so apresentadas
juntamente com uma breve introduo teoria que as inspira.
Recomendo aos auto-didatas que explorem cada exemplo contido no livro; eles ajudaro enormemente na compreenso dos t-
picos apresentados . Para os leitores sem sorte, que no dispem

de um computador com o sistema operacional GNU/Linux instalado, sugiro que o instalem, facilitar muito o acompanhamento dos
exemplos. Para os que ainda no esto prontos para abandonar o
7O
cdigo fonte do exemplos est disponvel na seguinte URL:
fccoelho.googlepages.com/CCP_code.zip
http://
xxv
Windows
TM , instalem o Linux em uma mquina virtual8 ! A dis-
tribuio que recomendo para iniciantes o Ubuntu (www.ubuntu.
com).
Enm, este livro foi concebido para ser uma leitura prazeirosa
para indivduos curiosos como eu, que esto sempre interessados
em aprender coisas novas!
Bom Proveito! Flvio Codeo Coelho
Petrpolis, 2007
8 Recomendo
tstico!
o VirtualBox (www.virtualbox.org), software livre e fan-
Parte I
Introduo ao Python e
Ferramentas de
Desenvolvimento
Captulo 1
Fundamentos da Linguagem
Breve introduo a conceitos bsicos de programao e
linguagem Python. A maioria dos elementos bsicos
da linguagem so abordados neste captulo, com exceo
de classes, que so discutidas em detalhe no captulo 2.
Pr-requisitos: Conhecimentos bsicos de programao em qualquer linguagem.
este
Captulo, faremos uma breve introduo linguagem
Python.
Esta introduo servir de base para os exemplos
dos captulos subseqentes. Para uma introduo mais completa

linguagem, recomendamos ao leitor a consulta a livros e outros documentos voltados especicamente para programao em Python.
1.1 Primeiras impresses

Para uma primeira aproximao linguagem, vamos examinar suas
caractersticas bsicas. Faamos isso interativamente, a partir do
console Python. Vejamos como invoc-lo:
Listagem 1.1: O console interativo do Python
python
3
CAPTULO 1. FUNDAMENTOS DA LINGUAGEM
Python
2.5.1
( r251 :54863 ,
May
2007 ,
16:56:35)
[GCC 4 . 1 . 2
( Ubuntu
4 . 1 . 2 0 u bu n tu 4 ) ]
linux2
4 Type " h e l p " ,

license"
" copyright " ,
for
more
" credits "
on
or
"
information .
5 >>>
Toda linguagem, seja ela de programao ou linguagem natural,
possui um conjunto de palavras que a caracteriza. As linguagens
de programao tendem a ser muito mais compactas do que as
linguagens naturais. O Python pode ser considerado uma linguagem compacta, mesmo em comparao com outras linguagens de
programao.
As palavras que compem uma linguagem de programao so
ditas reservadas, ou seja, no podem ser utilizadas para nomear
variveis. Se o programador tentar utilizar uma das palavras reservadas como varivel, incorrer em um erro de sintaxe.
Listagem 1.2: Palavras reservadas no podem ser utilizadas como
nomes de variveis
1 >>>
2
3
4
5
for =1
File
"<s t d i n >" ,
for =1
line
^
SyntaxError :
invalid
syntax
A linguagem Python em sua verso atual (2.5), possui 30 pala-
and, as, assert, break, class, continue,

def, del, elif, else, except, exec, finally, for, from, global,
if, import, in, is, lambda, not, or, pass, print, raise, return,
try, while e yield. Alm destas palavras, existem constantes,
vras reservadas. So elas:
tipos e funes internas ao Python, que esto disponveis para a

construo de programas. Estes elementos podem ser inspecionados atravs do comando
dir(__builtins__).
Nenhum dos ele-
1.2. USO INTERATIVO

SCRIPTS
mentos do mdulo
VS.
EXECUO A PARTIR DE
__builtins__
deve ser redenido . O console
interativo do Python possui um sistema de ajuda integrado que

pode ser usado para acessar a documentao de qualquer elemento
da linguagem.
O comando
help(),
inicia a ajuda interativa.
partir da, podemos por exemplo, digitar
keywords
ajuda das palavras reservadas listadas acima.
para acessar a
Se digitarmos
for
em seguida, obteremos a seguinte ajuda:

Listagem 1.3: Denio da palavra reservada
7.3
The
2
3
The
for
for
the
( such
as
statement
is
statement
elements
a
of
string ,
iterable
for.
used
a
to
iterate
sequence
tuple
or
list )
or
over
other
object :
...
1.2 Uso Interativo Execuo a Partir de

Scripts
vs.
Usurios familiarizados com ambientes de programao cientcos

tais como Matlab, R e similares, caro satisfeitos em saber que o
Python tambm pode ser utilizado de forma interativa. Para isso,
basta invocar o interpretador na linha de comando (Python shell,
em Unix) ou invocar um shell mais sosticado como o Idle, que
vem com a distribuio padro do Python, ou o Ipython (ver 4.1).
Tanto no uso interativo, como na execuo a partir de scripts, o
interpretador espera encontrar apenas uma expresso por linha do
programa. Caso se deseje inserir mais de uma expresso em uma
linha, as expresses devem ser separadas por
1 Ateno,
;.
Mas esta prtica
os componentes de __builtins__, no geram erros de sintaxe
ao ser redenidos.
deve ser evitada. Expresses podem continuar em outra linha se

algum de seus parnteses, colchetes, chaves ou aspas ainda no tiver
sido fechado. Alternativamente, linhas podem ser quebradas pela
aposio do caractere
ao nal da linha.
Listagem 1.4: Usando o Python como uma calculadora.
1 >>> 1+1
2
3 >>>
No cabealho da shell do Python, acima (listagem 1.1), o interpretador identica a verso instalada, data e hora em que foi compilada, o compilador C utilizado, detalhes sobre o sistema operacional
e uma linhazinha de ajuda para situar o novato.
Para executar um programa, a maneira usual (em Unix) digitar:
python script.py.
*.py.
No Windows basta um duplo clique sobre
arquivos
Listagem 1.5: Executando script.py via comando de linha.
python
s c r i p t . py
No Linux e em vrios UNIXes, podemos criar scripts que so

executveis diretamente, sem precisar invocar o interpretador antes.
Para isso, basta incluir a seguinte linha no topo do nosso
script:
1 #!
/ u s r / b i n / env
Note que os caracteres
python
#!
devem ser os dois primeiros caracteres
do arquivo (como na listagem 1.6).

Depois, resta apenas ajustar as permisses do arquivo para que
possamos execut-lo:
chmod +x script.py
(listagem 1.7).
Listagem 1.7: Executando um script Python executvel.
chmod +x
s c r i p t . py
1.2. USO INTERATIVO

SCRIPTS
VS.
EXECUO A PARTIR DE
Listagem 1.6: Tornando um script executvel
1 #!
2
/ u s r / b i n / env
print
sys : 1 :
python
" A l Mundo ! "
. / s c r i p t . py
DeprecationWarning :
character
3,
but
no
' \ xf4 '
in
encoding
NonASCII
file
./ teste
declared ;
see
on
line
http
: / /www . p y t h o n . o r g / p e p s / pep 0 2 6 3 . h t m l
for
details
A l Mundo !
Mas que lixo aquele antes do nosso
Al mundo?
Trata-
se do interpretador reclamando do acento circunexo em
Al.
Para que o Python no reclame de acentos e outros caracteres da

lngua portuguesa no contidos na tabela ASCII, precisamos adicionar a seguinte linha ao script:
# -*- coding: latin-1 -*-.
Experimente editar o script acima e veja o resultado.

No exemplo da listagem 1.6, utilizamos o comando
print
para
fazer com que nosso script produzisse uma string como sada, ou
seja, para escrever no stdout .
Como podemos receber informa-
stdin?
input('texto'),
que executa o que o usurio digitar, sendo por-
tanto perigoso, e
que retorna uma string
es pelo
O Python nos oferece duas funes para isso:
raw_input('texto'),
com a resposta do usurio.

Nas listagens que se seguem, alternaremos entre a utilizao
de scripts e a utilizao do Python no modo interativo (como na
listagem 1.4). A presena do smbolo >>>, caracterstico da shell
2 Todos
os processos no Linux e outros sistemas operacionais possuem vias
de entrada e sada de dados denominados de stdin e stdout, respectivamente.
do Python ser suciente para diferenciar os dois casos. Exemplos

de scripts viro dentro de caixas.
Operaes com Nmeros

Noventa e nove por cento das aplicaes cientcas envolvem algum
tipo de processamento numrico. Vamos iniciar nosso contato com
o Python atravs dos nmeros (Listagem 1.8).
Listagem 1.8: Operaes aritmticas
1 >>> 2+2
2
3 >>> # C o m e n t r i o
4
...
22
6 >>> 2 2
7
# Comentrio
na mesma
linha
8 >>> ( 5 0 5 6 ) / 4
9
10 >>> # D i v i s o
11
...
12
de
inteiros
retorna
" floor ":
7/3
13 >>> 7/ 3
14
15 >>> 7 / 3 .
16
2.3333333333333335
Nosso primeiro exemplo numrico (Listagem 1.8) , trata nmeros em sua representao mais simples: como constantes. desta
forma que utilizamos uma calculadora comum. Em programao
mais comum termos nmeros associados a quantidades, a que
3 Repare
como o Python trata a diviso de dois inteiros.
resultado arredondado para baixo
Ela retorna o
1.2. USO INTERATIVO

SCRIPTS
VS.
EXECUO A PARTIR DE
precisamos nos referenciar e que podem se modicar. Esta representao de nmeros chama-se varivel.
O sinal de
= utilizado para atribuir valores a variveis(Listagem
1.9).
Listagem 1.9: Atribuindo valores
1 >>> l a r g u r a = 2 0
2 >>> a l t u r a = 5 9
3 >>> l a r g u r a
4
altura
900
Um valor pode ser atribudo a diversas variveis com uma nica
operao de atribuio, ou mltiplos valores a mltiplas variveis

(Listagem 1.10). Note que no exemplo de atribuio de mltiplos
valores a mltiplas variveis (Listagem 1.10, linha 9) os valores
poderiam estar em uma tupla.
Listagem 1.10: Atribuindo o mesmo valor a mltiplas variveis
1 >>> x = y = z = 0
# Zero
x,
2 >>> x
3
4 >>> y
5
6 >>> z
7
8 >>> a , b , c = 1 , 2 , 3
9 >>> a
10
11 >>> b
12
13 >>> c
14
3
O Python tambm reconhece nmeros reais (ponto-utuante)
e complexos naturalmente.
Em operaes entre nmeros reais e
10
inteiros o resultado ser sempre real. Da mesma forma, operaes

entre nmeros reais e complexos resultam sempre em um nmero
complexo. Nmeros complexos so sempre representados por dois
nmeros ponto-utuante:
a parte real e a parte imaginria.
parte imaginria representada com um suxo j ou J.

Listagem 1.11: Nmeros complexos
1 >>> 1 j
1J
complex ( 0 , 1 )
2 (1+0 j )
3 >>> 1 j
4 (1+0 j )
5 >>> 3+1 j 3
6
(3+3 j )
7 >>> (3+1 j ) 3
8
(9+3 j )
9 >>> (1+2 j ) /(1+1 j )

10
(1.5+0.5 j )
Um Nmero complexo para o Python, um objeto . Podemos extrair as partes componentes de um nmero complexo
atributos do tipo complexo:
c.real
c.imag.
utilizando
A funo
abs,
que
retorna o mdulo de um numero inteiro ou real, retorna o comprimento do vetor no plano complexo, quando aplicada a um nmero
complexo. O mdulo de um nmero complexo tambm denominado magnitude (listagem 1.12).
Listagem 1.12: Explorando nmeros complexos
1 >>> a = 3 . 0 + 3 . 0 j
2 >>> a . r e a l
3
3.0
4 >>> a . imag
5
3.0
6 >>> a b s ( a )
4 Assim
# sqrt (a . real
como os outros tipos de nmeros.
+ a . imag 2 )
1.3. NOMES, OBJETOS E ESPAOS DE NOMES

7
11
4.2426406871192848
1.3 Nomes, Objetos e Espaos de Nomes

Nomes em Python so identicadores de objetos, e tambm so
chamados de variveis. Nomes devem ser iniciados por letras maisculas ou minsculas e podem conter algarismos, desde que no sejam o primeiro caractere. O Python faz distino entre maisculas
e minsculas portanto,
nome != Nome.
No Python, todos os dados so objetos tipados, que so associ-
ados dinamicamente a nomes. O sinal de igual (=), liga o resultado

da avaliao da expresso do seu lado direito a um nome situado
sua esquerda. A esta operao damos o nome de atribuio (ver
exemplo na listagem 1.13).
Listagem 1.13: Atribuindo objetos a nomes (variveis)
1 >>> a =3 2 7
2 >>> a , b = ( ' l a r a n j a ' , ' banana ' )
As variveis criadas por atribuio cam guardadas na memria
do computador. Para evitar preenchimento total da memria, assim que um objeto deixa de ser referenciado por um nome (deixa de
existir no espao de nomes corrente), ele imediatamente apagado
da memria pelo interpretador.
O conceito de espao de nomes uma caracterstica da linguagem Python que contribui para sua robustez e ecincia. Espaos
de nomes so dicionrios (ver 1.4) contendo as variveis, objetos
e funes disponveis durante a execuo de um programa. A um
dado ponto da execuo de um programa, existem sempre dois dicionrios disponveis para a resoluo de nomes: um local e um
global. Estes dicionrios podem ser acessados para leitura atravs
das funes
locals()
globals(),
respectivamente. Sempre que
o interpretador Python encontra uma palavra que no pertence ao
12
conjunto de palavras reservadas da linguagem, ele a procura, primeiro no espao de nomes local e depois no global. Se a palavra
no encontrada, um erro do tipo
NameError acionado (exemplo
1.14).
Listagem 1.14: Exemplo de NameError
1 >>> m a r i a
2
Traceback
3
4
File
( most
recent
"<s t d i n >" ,
NameError :
name
line
' maria '
call
last ) :
in ?
i s not
1,
defined
O espao de nomes local, muda ao longo da execuo de um

programa. Toda a vez que a execuo adentra uma funo, o espao
de nomes local passa a reetir apenas as variveis denidas dentro
daquela funo .
Ao sair da funo, o dicionrio local torna-se
igual ao global.
1 >>> a=1
2 >>> l e n ( g l o b a l s ( ) . i t e m s ( ) )
3
4 >>> l e n ( l o c a l s ( ) . i t e m s ( ) )
5
6 >>>
7
...
...
...
10
...
def
fun ( ) :
a= ' novo
print
print
valor '
len ( l o c a l s () . items () )
a
11 >>> f u n ( )
12
13
novo
14 >>>
15
valor
print
16 >>> l e n ( l o c a l s ( ) . i t e m s ( ) )
5 Mais
quaisquer variveis explicitamente denidas como globais
1.4. ESTRUTURAS DE DADOS

17
13
18 >>> l o c a l s ( )
19
{ ' __builtins__ ' : <module
in ) >,
built
' : <f u n c t i o n
__doc__ ' :
' __builtin__ '
'__name__ ' :
fun
None ,
at
'a ' :
'__main__ ' ,
0 xb7c18ed4 >,
(
' fun
'
1}
Tambm importante lembrar que o espao de nomes local

sempre inclui os
__builtins__
como vemos na listagem 1.3.
1.4 Estruturas de Dados

Qualquer linguagem de programao pode ser simplisticamente
descrita como uma ferramenta, atravs da qual, dados e algoritmos so implementados e interagem para a soluo de um dado
problema.
Nesta seo vamos conhecer os tipos e estruturas de
dados do Python para que possamos, mais adiante, utilizar toda a

sua exibilidade em nossos programas.
No Python, uma grande nfase dada simplicidade e exibilidade de forma a maximizar a produtividade do programador. No
tocante aos tipos e estruturas de dados, esta losoa se apresenta
na forma de uma tipagem dinmica, porm forte. Isto quer dizer
que os tipos das variveis no precisam ser declarados pelo programador, como obrigatrio em linguagens de tipagem esttica
como o C, FORTRAN, Visual Basic, etc.
Os tipos das variveis
so inferidos pelo interpretador. As principais estruturas de dados

como
Listas e Dicionrios, podem ter suas dimenses alteradas,
dinamicamente durante a execuo do Programa , o que facilita

enormemente a vida do programador, como veremos mais adiante.
Listas
As listas formam o tipo de dados mais utilizado e verstil do
Python.
Listas so denidas como uma sequncia de valores se-
14
parados por vrgulas e delimitada por colchetes:

Listagem 1.15: Criando listas.
1 >>> l i s t a = [ 1 ,
'a ' ,
' pe ' ]
2 >>> l i s t a
3
[1 ,
'a ' ,
' pe ' ]
4 >>> l i s t a [ 0 ]
5
6 >>> l i s t a [ 2 ]
7
' pe '
8 >>> l i s t a [ 1 ]
9
' pe '
Na listagem 1.15, criamos uma lista de trs elementos.
Uma
lista uma sequncia ordenada de elementos, de forma que podemos selecionar elementos de uma lista por meio de sua posio.
Note que o primeiro elemento da lista
tagens em Python comeam em
0.
lista[0].
Todas as con-
Uma lista tambm pode possuir elementos de tipos diferentes.

Na listagem 1.15, o elemento
tros elementos so strings.
type(lista[0]).
um inteiro enquanto que os ou-
Para vericar isso, digite o comando
Uma caracterstica muito interessante das listas do Python,

que elas podem ser indexadas de trs para frente, ou seja,
lista[-1]
o ltimo elemento da lista. Como listas so sequncias de tamanho varivel, podemos assessar os ltimos
n elementos, sem ter que
contar os elementos da lista.

Listas podem ser fatiadas, ou seja, podemos selecionar uma
poro de uma lista que contenha mais de um elemento.
Listagem 1.16: Fatiando uma lista
1 >>> l i s t a =[ ' a ' , ' p e ' ,

2 >>> l i s t a [ 1 : 3 ]
3
[ ' pe ' ,
' que ' ]
' que ' ,
1]
15
4 >>> l i s t a [ 1 ]
5
6 >>> l i s t a [ 3 ]
7
8 >>>
lista[1:3], delimita uma fatia que vai do ele1 (o segundo elemento) ao elemento imediatamente anterior
elemento 3. Note que esta seleo inclui o elemento corresponO comando
mento
ao
dente ao limite inferior do intervalo, mas no o limite superior.

Isto pode gerar alguma confuso, mas tem suas utilidades. ndices
negativos tambm podem ser utilizados nestas expresses.
Para retirar uma fatia que inclua o ltimo elemento, temos que
usar uma variao deste comando seletor de intervalos:
Listagem 1.17: Selecionando o nal de uma lista.
1 >>> l i s t a [ 2 : ]
2
[ ' que ' ,
1]
3 >>>
Este comando signica todos os elementos a partir do elemento
2 (o terceiro), at o nal da lista. Este comando poderia ser utilizado para selecionar elementos do incio da lista:
que desta vez no incluindo o elemento
lista[:3],
(o quarto elemento).
Se os dois elementos forem deixados de fora, so selecionados

todos os elementos da lista:
Listagem 1.18: selecionando todos os elementos de uma lista.
1 >>> l i s t a [ : ]
2
[ 'a ' ,
' pe ' ,
' que ' ,
1]
3 >>>
S que no a mesma lista, uma nova lista com os mesmos
elementos. Desta forma,
lista[:]
uma maneira de fazer uma
cpia completa de uma lista. Normalmente este recurso utilizado

junto com uma atribuio
a = lista[:].
16
Listagem 1.19: Adicionando elementos a listas.
1 >>> l i s t a [ : ]
2
[ 'a ' ,
' pe ' ,
' que ' ,
1]
3 >>> l i s t a . append ( 2 ) #a d i c i o n a
4
[ 'a ' ,
' pe ' ,
' que ' ,
1,
ao
final
2]
5 >>> l i s t a . i n s e r t ( 2 , [ ' a ' , ' b ' ] )

6 >>> l i s t a
7
[ 'a ' ,
' pe ' ,
[ 'a ' ,
'b ' ] ,
' que ' ,
1,
2]
8 >>>
As listas so conjuntos mutveis, ao contrrio de tuplas e strings,
portanto pode-se adicionar(listagem 1.19), modicar ou remover
(tabela 1.1) elementos de uma lista.
Tabela 1.1: Mtodos de Listas.
Mtodo
L.append(objeto)
L.count(elemento)
L.extend( list )
L.index(value)
L. insert ( i , o)
L.pop([indice ])
L.remove(value)
L.reverse ()
L.sort ()
Efeito
Adiciona um elemento ao nal da lista.

Retorna o nmero de ocorrncias do elemento.
Concatena listas.
Retorna ndice da primeira ocorrncia do valor.
Insere objeto (o) antes de ndice (i).
Remove e retorna objeto no ndice.
ou o ltimo elemento.
remove primeira ocorrncia do valor.
Inverte lista. In situ
Ordena lista. In locus
Note que as operaes
in situ
no alocam memria extra para
a operao, ou seja, a inverso ou a ordenao descritas na tabela

1.1, so realizadas no mesmo espao de memria da lista original.
Operaes
in situ
alteram a varivel em si sem fazer uma cpia da
mesma e, portanto no retornam nada.

O mtodo
L.insert insere um objeto antes da posio indicada
pelo ndice. Repare, na listagem 1.19, que o objeto em questo era
17
uma lista, e o mtodo insert no a fundiu com a lista original. Este

exemplo nos mostra mais um aspecto da versatilidade do objeto
lista, que pode ser composto por objetos de qualquer tipo.
Listagem 1.20: Estendendo uma lista.
1 >>> l i s t a 2 =[ ' a ' , ' b ' ]

2 >>> l i s t a . e x t e n d ( l i s t a 2 )
3 >>> l i s t a
4
[ 'a ' ,
' pe ' ,
[ 'a ' ,
'b ' ] ,
' que ' ,
1,
2,
'a ' ,
'b
' ]
J na listagem 1.20, os elementos da segunda lista so adicionados, individualmente, ao nal da lista original.
Listagem 1.21: Efetuando buscas em listas.
1 >>> l i s t a . i n d e x ( ' q u e ' )

2
3 >>> l i s t a . i n d e x ( ' a ' )

4
5 >>> l i s t a . i n d e x ( ' z ' )

6
Traceback
File
( most
ValueError :
9 >>>
10
'z '
recent
"<i n p u t >" ,
in
line
call
1,
l i s t . index ( x ) :
in
x
last ) :
?
not in
list
lista
0
Conforme ilustrado na listagem 1.21, o mtodo
o ndice da primeira ocorrncia do valor dado.

existir, o interpretador retorna um
ValueError.
L.index retorna
Se o valor no
Para testar se um
elemento est presente em uma lista, pode-se utilizar o comando
in6
como ilustrado na listagem 1.21. Caso o elemento faa parte
da lista, este comando retornar
6O
inverso do operador
in,
1,
caso contrrio retornar
o operador
not in
07 .
e tambm vlido para
todas as sequncias.
7 Verdadeiro
e falso: Em Python, quase qualquer coisa pode ser utilizada
em um contexto booleano, ou seja, como verdadeiro ou falso. Por exemplo
18
Existem dois mtodos bsicos para remover elementos de uma

lista:
L.remove
L.pop
listagem 1.22.
O primeiro remove o
elemento nomeado sem nada retornar, o segundo elimina e retorna

o ltimo ou o elemento da lista (se chamado sem argumentos), ou o
determinado pelo ndice, passado como argumento (Listagem 1.22).
Listagem 1.22: Removendo elementos de uma lista.
1 >>> l i s t a . remove ( " q u e " )

2 >>> l i s t a
3
[ 'a ' ,
' pe ' ,
[ 'a ' ,
'b ' ] ,
1,
2,
'a ' ,
'b ' ]
4 >>> l i s t a . pop ( 2 )
5
[ 'a ' ,
'b ' ]
6 >>> l i s t a
7
[ 'a ' ,
' pe ' ,
1,
2,
'a ' ,
'b ' ]
8 >>>
Operadores aritmticos tambm podem ser utilizados para ope-
raes com listas. O operador de soma, +, concatena duas listas.

O operador += um atalho para o mtodo
L.extend
conforme
mostrado na listagem 1.23.

Listagem 1.23: Operaes com listas
1 >>> l i s t a =[ ' a ' ,
' pe ' ,
1,
2,
2 >>> l i s t a = l i s t a + [ ' novo ' ,
'a ' ,
'b ' ]
' elemento ' ]
3 >>> l i s t a
4
[ 'a ' ,
' pe ' ,
1,
2,
'a ' ,
'b ' ,
' novo ' ,
'b ' ,
'd ' ,
'
elemento ' ]
5 >>> l i s t a += ' d o i s '

6 >>> l i s t a
7
[ 'a ' ,
' pe ' ,
1,
2,
'a ' ,
'o ' ,
' i ' ,
'
s ' ]
8 >>> l i s t a += [ ' d o i s ' ]

falso enquanto que todos os outros nmeros so verdadeiros.Uma string, lista,
dicionrio ou tupla vazias so falsas enquanto que as demais so verdadeiras.
19
Listagem 1.24: Criando listas numricas sequenciais.
1 >>> r a n g e ( 1 0 )
2
[0 ,
1,
2,
3,
4,
5,
6,
7,
8,
3 >>> r a n g e ( 2 , 2 0 , 2 )#nmeros
4
[2 ,
4,
6,
8,
10 ,
12 ,
14 ,
16 ,
5 >>> r a n g e ( 1 , 2 0 , 2 )#nmeros
6
[1 ,
3,
5,
7,
9,
11 ,
13 ,
9]
pares
18]
mpares
15 ,
17 ,
19]
9 >>> l i s t a
10
[ 'a ' ,
' pe ' ,
s ' ,
11 >>>
2,
'a ' ,
'b ' ,
'd ' ,
'o ' ,
' i ' ,
'
l i =[1 ,2]
12 >>>
li
13
2,
[1 ,
1,
' dois ' ]
3
1,
2,
1,
2]
14 >>>
lista = lista + lista2 cria uma nova

+= aproveita a lista original e a
diferena faz com que o operador += seja muito
Note que a operao
lista
enquanto que o comando
extende.
Esta
mais rpido, especialmente para grandes listas.

multiplicao,
O operador de
*, um repetidor/concatenador de listas conforme
mostrado ao nal da listagem 1.23. A operao de multiplicao
in situ (*=) tambm vlida.
Um tipo de lista muito til em aplicaes cientcas, lista

numrica sequencial. Para construir estas listas podemos utilizar o
comando
range
(exemplo 1.24). O comando
range
aceita 1, 2 ou
trs argumentos: incio, m e passo, respectivamente (ver exemplo

1.24).
20
Tuplas
Uma tupla, uma lista imutvel, ou seja, ao contrrio de uma lista,
aps a sua criao, ela no pode ser alterada. Uma tupla denida
de maneira similar a uma lista, com exceo dos delimitadores do
conjunto de elementos que no caso de uma tupla so parnteses
(listagem 1.25).
Listagem 1.25: Denindo uma Tupla.
1 >>> t u = ( ' G e n e r o ' ,
' especie ' ,
' peso ' ,
'
estagio ' )
2 >>> t u [ 0 ]
3
' Genero '
4 >>> t u [ 1 : 3 ]
5
( ' especie ' ,
' peso ' )
6 >>>
Os elementos de uma tupla podem ser referenciados atravs de
ndices, (posio) de forma idntica a como feito em listas. Tuplas
tambm podem ser fatiadas, gerando outras tuplas.
As tuplas no possuem mtodos.
tuplas serem imutveis. Os mtodos
Isto se deve ao fato de as
append, extend,
pop
natu-
ralmente no se aplicam a tuplas, uma vez que no se pode adicionar ou remover elementos de uma tupla. No podemos fazer busca
em tuplas, visto que no dispomos do mtodo
podemos usar
in
index.
No entanto,
para determinar se um elemento existe em uma
tupla, como se faz em listas.

Listagem 1.26: Outras formas de denir tuplas.
1 >>> t u =()
2 >>> t u
3
()
4 >>> t u= ' c a s a ' , #<R e p a r e na

final !
5 >>> t u
vrgula
ao

6
21
( ' casa ' ,)
7 >>> t u = 1 , 2 , 3 , 4
8 >>> t u
9
(1 ,
2,
3,
4)
10 >>> v a r =w , x , y , z
11 >>> v a r
12
(w , x , y , z )
13 >>> v a r = t u
14 >>> w
15
16 >>> x
17
18 >>> y
19
20 >>> z
21
4
Conforme exemplicado em 1.26, uma tupla vazia, denida
pela expresso
(), j no caso de uma tupla unitria, isto , com ape-
nas um elemento, fazemos a atribuio com uma vrgula aps o ele-
mento, caso contrrio (tu=('casa') ), o interpretador no poder

distinguir se os parnteses esto sendo utilizados como delimitadores normais ou delimitadores de tupla. O comando
tu=('casa',)
equivalente ao apresentado na quarta linha da listagem 1.26, apenas mais longo.

Na stima linha da listagem 1.26, temos uma extenso do conceito apresentado na linha anterior: a denio de uma tupla sem
a necessidade de parnteses. A este processo, se d o nome de
pacotamento de sequncia.
em-
O empacotamento de vrios elementos
sempre gera uma tupla.

As tuplas, apesar de no serem to versteis quanto as listas, so
mais rpidas. Portanto, sempre que se precisar de uma sequnca
de elementos para servir apenas de referncia, sem a necessidade
de edio, deve-se utilizar uma tupla. Tuplas tambm so teis na
22
formatao de strings como veremos na listagem 1.28.

Apesar das tuplas serem imutveis, pode-se contornar esta limitao fatiando e concatenando tuplas.
ser convertidas em tuplas, com a funo
Listas tambm podem
tuple(lista),
assim
como tuplas podem ser convertidas em listas atravs da funo
list(tupla).
Uma outra aplicao interessante para tuplas, mostrada na listagem 1.26, a atribuio mltipla, em que uma tupla de valores,
atribuda a uma lista de nomes de variveis armazenados em uma
tupla.
Neste caso, as duas sequncias devem ter, exatamente, o
mesmo nmero de elementos.
Strings
Strings so um terceiro tipo de sequncias em Python. Strings so
sequncias de caracteres delimitados por aspas simples,
ou duplas
"string".
'string345'
Todos os operadores discutidos at agora para
outras sequncias, tais como
+, *, in, not in, s[i] e s[i:j], tam-
bm so vlidos para strings. Strings tambm podem ser denidas

com trs aspas (duplas ou simples). Esta ltima forma utilizada
para denir strings contendo quebras de linha.
Listagem 1.27: Strings.
1 >>> s t= ' 1 2 3
de
oliveira4 '
2 >>> l e n ( s t )
3
16
4 >>> min ( s t )
5
'
'
6 >>> max ( s t )
7
'v '
8 >>> t e x t o = " " " p r i m e i r a

9
10
segunda
terceira
11 >>>
linha
print
l i n h a """
texto
linha

12
primeira
13
segunda
14
terceira
23
linha
linha
linha
Conforme ilustrado na listagem 1.27, uma string uma sequncia de quaisquer caracteres alfanumricos, incluindos espaos.
funo
len(),
retorna o comprimento da string, ou de uma lista
ou tupla. As funes
min()
max()
retornam o valor mnimo e o
mximo de uma sequncia, respectivamente. Neste caso, como a

sequncia uma string, os valores so os cdigos ASCII de cada
caracter. Estes comandos tambm so vlidos para listas e tuplas.
O tipo String possui 33 mtodos distintos (na verso 2.2.1 do
Python). Seria por demais enfadonho listar e descrever cada um
destes mtodos neste captulo. Nesta seo vamos ver alguns mtodos de strings em ao no contexto de alguns exemplos. Outros
mtodos aparecero em outros exemplos nos demais captulos.
O uso mais comum dado a strings a manipulao de textos que
fazem parte da entrada ou sada de um programa. Nestes casos,
interessante poder montar strings, facilmente, a partir de outras
estruturas de dados. Em Python, a insero de valores em strings
envolve o marcador
%s.
Listagem 1.28: Formatando strings.
1 >>> a n i m a l= ' Hamster 1 '

2 >>> p e s o =98
3 >>>
4
'%s : %s
' Hamster
1:
gramas ' % ( animal , p e s o )

98
gramas '
Na listagem 1.28, temos uma expresso de sintaxe no to bvia mas de grande valor na gerao de strings. O operador
(m-
dulo), indica que os elementos da tupla seguinte sero mapeados,

em sequncia, nas posies indicadas pelos marcadores
%s na string.
Esta expresso pode parecer uma complicao desnecessria

para uma simples concatenao de strings.
porqu:
Mas no .
Vejamos
24
Listagem 1.29: Problemas com a concatenao de strings.
1 >>> a n i m a l= ' Hamster 1 '

2 >>> p e s o =98
3 >>>
4
'%s : %s
' Hamster
gramas ' % ( animal , p e s o )
1:
98
5 >>> a n i m a l+ ' :
6
Traceback
7
8
File
( most
recent
"<i n p u t >" ,
TypeError :
'
gramas '
'+p e s o+ '
cannot
line
gramas '
call
in
1,
last ) :
?
concatenate
' str '
and
' int
objects
9 >>>
Pelo erro apresentado na listagem 1.29, vemos que a formatao
da string utilizando o operador mdulo e os marcadores
%s, faz mais
do que apenas concatenar strings, tambm converte a varivel
peso
(inteiro) em uma string.
Dicionrios
O dicionrio um tipo de dado muito interessante do Python:
uma estrutura que funciona como um banco de dados em miniatura, no sentido de que seus elementos consistem de pares
: valor, armazenados sem ordenao.
chave
Isto signica que no exis-
tem ndices para os elementos de um dicionrio, a informao

acessada atravs das chaves.
Listagem 1.30: Criando e manipulando dicionrios.
1 >>> Z={ 'C ' : 1 2 ,
'O ' : 1 6 ,
'N ' : 1 2 ,
' Na ' : 4 0 }
2 >>> Z [ 'O ' ]

3
16
4 >>> Z [ 'H ' ]=1

5 >>> Z
6
{ ' Na ' :
40 ,
12}
'C ' :
12 ,
'H ' :
1,
'O ' :
16 ,
'N ' :
25
7 >>> Z . k e y s ( )
8
[ ' Na ' ,
'C ' ,
'H ' ,
'O ' ,
'N ' ]
9 >>> Z . has_key ( 'N ' )

10
1
As chaves podem ser de qualquer tipo imutvel: nmeros, strings,
tuplas (que contenham apenas tipos imutveis). Dicionrios possuem os mtodos listados na tabela 1.2.
Os conjuntos (chave:valor) so chamados de tens do dicionrios. Esta terminologia importante pois podemos acessar, separadamente, chaves, valores ou tens de um dicionrio.
Os valores de um dicionrio podem ser de qualquer tipo, nmeros, strings, listas, tuplas e at mesmo outros dicionrios. Tambm
no h qualquer restrio para o armazenamento de diferentes tipos
de dados em um mesmo dicionrio.
Conforme exemplicado em 1.30, pode-se adicionar novos tens
a um dicionrio, a qualquer momento, bastando atribuir um valor
a uma chave. Contudo, preciso ter cuidado. Se voc tentar criar
um tem com uma chave que j existe, o novo tem substituir o
antigo.
Os mtodos D.iteritems (),
D.iterkeys()
D.itervalues()
criam iteradores. Iteradores permitem iterar atravs dos tens, chaves ou valores de um dicionrio. Veja a listagem 1.31:
Listagem 1.31: Iterando dicionrios.
1 >>> Z . i t e m s ( )
2
[ ( ' Na ' ,
40) ,
( 'N ' ,
( 'C ' ,
12) ,
( 'H ' ,
1) ,
( 'O ' ,
16) ,
12) ]
3 >>> i =Z . i t e r i t e m s ( )
4 >>> i
5 <d i c t i o n a r y i t e r a t o r
6 >>> i . n e x t ( )
7
( ' Na ' ,
40)
8 >>> i . n e x t ( )
object
at
0 x 8 9 8 5 d 0 0>
26
Tabela 1.2: Mtodos de Dicionrios.
Mtodo
D.clear()
D.copy()
D.get(k[,d])
D.has_key(k)
D.items()
D.iteritems()
D.iterkeys()
D.itervalues ()
D.keys()
D.popitem()
D.update(E)
D.values()
( 'C ' ,
Efeito
Remove todos os itens do dicionrio.

Cria uma cpia de um dicionrio.
Retorna D[k], se a chave k existir. Seno, d.
Retorna 1 se D possuir a chave k.
Retorna lista de tuplas (chave:valor).
Retorna objeto iterador para D.
Idem para chaves.
Idem para valores.
Retorna lista com todas as chaves.
Remove e retorna um tem (chave:valor).
Copia itens de E para D.
Retorna lista com todas os valores.
12)
10 >>> # e
assim
por
diante . . .
11 >>> k=Z . i t e r k e y s ( )
12 >>> k . n e x t ( )
13
' Na '
14 >>> k . n e x t ( )
15
'C '
16 >>> k . n e x t ( )
17
'H '
18 >>> k . n e x t ( )
19
'O '
20 >>> k . n e x t ( )
21
'N '
22 >>> k . n e x t ( )
23
24
25
Traceback
File
( most
recent
"<i n p u t >" ,
StopIteration
line
call
1,
in
last ) :
?
27
O uso de iteradores interessante quando se precisa acessar

o contedo de um dicionrio, elemento-a-elemento, sem repetio.
Ao nal da iterao, o iterador retorna um aviso:
StopIteration.
Conjuntos
Rearmando sua vocao cientca, a partir da verso 2.4, uma
estrutura de dados para representar o conceito matemtico de conjunto foi introduzida na linguagem Python. Um conjunto no Python
uma coleo de elementos sem ordenao e sem repeties.
objeto conjunto em Python aceita operaes matemticas de conjuntos tais como unio, interseo, diferena e diferena simtrica
(exemplo 1.4).
1 >>> a = s e t ( ' p i r a p o r a ' )

2 >>> b = s e t ( ' paranapanema ' )
3 >>> a #l e t r a s
4
set ([ ' i ' ,
5 >>> a
6
'r ' ,
b #L e t r a s
set ([ ' i ' ,
7 >>> a
em a
'p ' ,
'o ' ])
mas
em a
ou
no em b
'o ' ])
b #l e t r a s
set ([ 'a ' ,
'a ' ,
em a
'e ' ,
' i ' ,
'm ' ,
b
'o ' ,
'n ' ,
'p ' ,
'r '
])
9 >>> a & b #l e t r a s
10
set ([ 'a ' ,
'p ' ,
11 >>> a ^ b #l e t r a s
12
set ([ ' i ' ,
'm ' ,
em a
'r ' ])
em a
'e ' ,
ou
'o ' ,
b mas
no em ambos
'n ' ] )
No exemplo 1.4 pode-se observar as seguintes correspondncias entre a notao do Python e a notao matemtica convencional:
a - b:
A B8
a | b:
AB
8 Por
conveno representa-se conjuntos por letras maisculas.
28
a & b: A B
a b: (A B) (A B)
1.5 Controle de uxo

Em condies normais o interpretador executa as linhas de um
programa uma a uma. As excees a este caso so linhas pertencentes denio de funo e classe, que so executadas apenas
quando a respectiva funo ou classe chamada. Entretanto algumas palavras reservadas tem o poder de alterar a direo do uxo
de execuo das linhas de um programa.
Condies
Toda linguagem de programao possui estruturas condicionais que
nos permitem representar decises: se isso, faa isso, caso contrrio
faa aquilo. Estas estruturas tambm so conhecidas por ramicaes. O Python nos disponibiliza trs palavras reservadas para este
m:
if , elif e else.
O seu uso melhor demonstrado atravs de
um exemplo (Listagem 1.32).

Listagem 1.32: Exemplo do emprego de ramicaes.
if
a == 1 :
2
3
4
5
6
7
#e s t e
elif
pass
pass
executado
se
for
bloco
executado
se
for
bloco
executado
se
else :
#e s t e
#s e
11
a == 2 :
#e s t e
8
10
bloco
se
nenhum
#a n t e r i o r e s
pass
dos
tiver
blocos
sido
executado
1.5. CONTROLE DE FLUXO
29
No exemplo 1.32, vemos tambm emprego da palavra reservada
pass,
que apesar de no fazer nada muito til quando ainda no
sabemos quais devem ser as consequncias de determinada condio.

Uma outra forma elegante e compacta de implementar uma
ramicao condicional da execuo de um programa atravs de
dicionrios (Listagem 1.33).
As condies so as chaves de um
dicionrio cujos valores so funes. Esta soluo no contempla o
else,
porm.
Listagem 1.33: Implementando a funcionalidade de
if
elif
por
meio de um dicionrio.
d e s f e c h o s = { 1 : fun1 , 2 : fun2 }
desfechos [ a ]
Iterao
Muitas vezes em problemas computacionais precisamos executar
uma tarefa, repetidas vezes. Entretanto no desejamos ter que escrever os mesmos comandos em sequncia, pois alm de ser uma
tarefa tediosa, iria transformar nosso belo programa em algo similar a uma lista telefnica.
A soluo tradicional para resolver
este problema a utilizao de laos (loops) que indicam ao interpretador que ele deve executar um ou mais comandos um nmero
arbitrrio de vezes.
Existem vrios tipos de laos disponveis no
Python.
O lao
while:
O lao
while
repete uma tarefa enquanto uma
condio for verdadeira (Listagem 1.34). Esta tarefa consiste em

um ou mais comandos indentados em relao ao comando que inicia
o lao.
O m da indentao indica o m do bloco de instrues
que deve ser executado pelo lao.
30
Listagem 1.34: Comandos de lao no Python.
while True :
pass#r e p e t e
1 >>>
2
indefinidamente
3 >>> i =0
4 >>>
while
i <
+=1
10:
print
7 # saida
omitida
for
8 >>>
i in r a n g e ( 1 ) :
print i
O lao
for:
O lao
for
nos permite iterar sobre uma sequn-
cia atribuindo os elementos da mesma a uma varivel, sequencialmente, medida que prossegue. Este lao se interrompe automaticamente ao nal da sequncia.
Iterao avanada:
O Python nos oferece outras tcnicas de
iterao sobre sequncias que podem ser bastante teis na reduo da complexidade do cdigo. No exemplo 1.31 ns vimos que
dicionrios possuem mtodos especcos para iterar sobre seus componentes. Agora suponhamos que desejssemos iterar sobre uma
lista e seu ndice?
for
1 >>>
Listagem 1.35: A funo enumerate.

n,e
' ]) :
2
3
4
0:
1:
2:
3:
4:
in
print
enumerate ( [ ' a ' , ' b ' , ' c ' , ' d ' , ' e
"%s : %s "%(n , e )

A funo
enumerate
31
(exemplo 1.35) gera um iterador similar ao
visto no exemplo 1.31. O lao
for chama o mtodo next deste iteStopIteration
rador repetidas vezes, at que receba a mensagem

(ver exemplo 1.31).
O comando
zip nos permite iterar sobre um conjunto de seqen-
cias pareando sequencialmente os elementos das mltiplas listas

(exemplo 1.36).
Listagem 1.36: Iterando sobre mais de uma sequncia.
1 >>> p e r g u n t a s = [ ' nome ' , ' c a r g o ' , ' p a r t i d o ' ]

2 >>> r e s p o s t a s = [ ' L u l a ' , ' P r e s i d e n t e ' , 'PT ' ]
3 >>>
for
in z i p ( p e r g u n t a s , r e s p o s t a s ) :
print " q u a l o s e u %s ? %s "%(p , r )
p, r
5
6
7
qual
seu
nome ?
qual
seu
cargo ?
qual
seu
p a r t i d o ? PT
Lula
Presidente
Podemos ainda desejar iterar sobre uma sequncia em ordem

reversa (exemplo 1.5), ou iterar sobre uma sequncia ordenada sem
alterar a sequncia original (exemplo 1.37). Note que no exemplo
1.37, a lista original foi convertida em um conjunto (set) para
eliminar as repeties.
1 >>>
for
2
3
i in r e v e r s e d ( r a n g e ( 5 ) ) :
print i
Listagem 1.37: Iterando sobre uma sequncia ordenada.
1 >>>
for
in
sorted ( set ( l ) ) :
32
print
2
3
laranja
leite
5 manga
6
ovos
uva
Iteraes podem ser interrompidas por meio da palavra reser-
vada
break.
Esta pode ser invocada quando alguma condio se
concretiza. Podemos tambm saltar para a prxima iterao (sem

completar todas as instrues do bloco) por meio da palavra reservada
continue.
A palavra reservada
else
tambm pode ser
aplicada ao nal de um bloco iterativo. Neste caso o bloco denido

por
else s ser executado se a iterao se completar normalmente,

break.
isto , sem a ocorrncia de
Lidando com erros: Excees

O mtodo da tentativa e erro no exatamente aceito na ortodoxia
cientca mas, frequentemente, utilizado no dia a dia do trabalho
cientco. No contexto de um programa, muitas vezes somos forados a lidar com possibilidades de erros e precisamos de ferramentas
para lidar com eles.
Muitas vezes queremos apenas continuar nossa anlise, mesmo
quando certos erros de menor importncia ocorrem; outras vezes,
o erro justamente o que nos interessa, pois nos permite examinar
casos particulares onde nossa lgica no se aplica.
Como de costume o Python nos oferece ferramentas bastante
intuitivas para interao com erros .

Listagem 1.38: Exemplo de uma exceo
1 >>> 1 / 0
9 Os
erros tratados nesta seo no so erros de sintaxe mas erros que
ocorrem durante a execuo de programas sintaticamente corretos. Estes erros

sero denomidados
excees

2
3
4
Traceback
File
( most
recent
"<s t d i n >" ,
ZeroDivisionError :
modulo
by
line
33
call
1,
integer
in
last ) :
?
division
or
zero
Suponhamos que voc escreva um programa que realiza divises

em algum ponto, e dependendo dos dados fornecidos ao programa,
o denominador torna-se zero. Como a diviso por zero no possvel, o seu programa para, retornando uma mensagem similar a da
listagem 1.38. Caso voc queira continuar com a execuo do programa apesar do erro, poderamos solucionar o problema conforme
o exposto na listagem 1.39
Listagem 1.39: Contornando uma diviso por zero
1 >>>
2
...
...
...
...
...
for
...
Diviso
1.0
i in
try :
range (5) :
q =1./ i
print q
except Z e r o D i v i s i o n E r r o r :
print " D i v i s o p o r z e r o ! "
por
zero !
10
0.5
11
0.333333333333
12
0.25
A construo
try:...except:
nos permite vericar a ocorrn-
cia de erros em partes de nossos programas e responder adequadamente a ele.
o Python reconhece um grande nmero de tipos
de excees, chamadas built-in exceptions. Mas no precisamos

sab-las de cor, basta causar o erro e anotar o seu nome.
Certas situaes podem estar sujeitas ocorrncia de mais de
um tipo de erro. neste caso, podemos passar uma tupla de excees
para a palavra-chave
except: except (NameError, ValueError,IOError):pass,
34
ou simplesmente no passar nada:
except:
pass.
Pode aconte-
cer ainda que queiramos lidar de forma diferente com cada tipo de
erro (listagem 1.40).
Listagem 1.40: Lidando com diferentes tipos de erros.
1 >>>
try :
f = open ( ' a r q . t x t ' )
s = f . readline ()
= int ( s . strip () )
except I O E r r o r ,
print " E r r o
5
6
errno ,
( errno ,
de
strerror )
except V a l u e E r r o r :
print "No f o i
7
8
dado em
except :
print
9
10
" Erro
strerror ) :
I /O (% s ) : %s " % (
possvel
converter
Inteiro . "
desconhecido . "
A construo try:...except: acomoda ainda uma clusula

else opcional, que ser executada sempre que o erro esperado no
ocorrer, ou seja, caso ocorra um erro imprevisto a clusula else
ser executada (ao contrrio de linhas adicionais dentro da clusula
try).
Finalmente,
try permite uma outra clusula opcional, finally,
que sempre executada (quer haja erros quer no). Ela util para
tarefas que precisam ser executadas de qualquer forma, como fechar
arquivos ou conexes de rede.
1.6 Funes
No Python, uma funo um bloco de cdigo denido por um
cabealho especco e um conjunto de linhas indentadas, abaixo
deste. Funes, uma vez denidas, podem ser chamadas de qualquer ponto do programa (desde que pertenam ao espao de no-
1.6. FUNES
35
mes). Na verdade, uma diferena fundamental entre uma funo e

outros objetos o fato de ser chamvel. Isto decorre do fato de to-
10 chamado
das as funes possuirem um mtodo
__call__.
Todos
11 .
os objetos que possuam este mtodo podero ser chamados
O ato de chamar um objeto, em Python, caracterizado pela

aposio de parnteses ao nome do objeto. Por exemplo:
Estes parnteses podem ou no conter argumentos.
func().
Continue
lendo para uma explicao do que so argumentos.

Funes tambm possuem seu prprio espao de nomes, ou seja,
todas as variveis denidas no escopo de uma funo s existem
dentro desta. Funes so denidas pelo seguinte cabealho:
def
nome ( p a r 1 ,
args ,
par2 ,
p a r 3=v a l o r d e f a u l t ,
k w a r g s ) :
A palavra reservada
def
indica a denio de uma funo; em
seguida deve vir o nome da funo que deve seguir as regras de

formao de qualquer nome em Python.
Entre parnteses vem,
opcionalmente, uma lista de argumentos que sero ser passados

para a funo quando ela for chamada.
valores default se listados da forma
a=1.
Argumentos podem ter

Argumentos com valores
default devem vir necessariamente aps todos os argumentos sem

valores default(Listagem 1.41).
Listagem 1.41: Denindo uma funo com um argumento obrigatrio e outro opcional (com valor default").
1 >>>
2
...
...
def
f u n ( a , b=1) :
print
a,b
4 >>> f u n ( 2 )
5
10 Veja o captulo
11 O leitor, neste
2 para uma explicao do que so mtodos.

ponto deve estar imaginando todo tipo de coisas inte-
ressantes que podem advir de se adicionar um mtodo

normalmente no chamveis.
__call__
a objetos
36
6 >>> f u n ( 2 , 3 )
7
fun ( b=5 ,2)
SyntaxError :
3
nonke ywo rd
arg
after
key wor d
arg
Por m, um nmero varivel de argumentos adicionais pode ser
previsto atravs de argumentos precedidos por
* ou **.
No exemplo
acima, argumentos passados anonimamente (no associados a um

nome) sero colocados em uma tupla de nome
t,
e argumentos
passados de forma nominal (z=2,q='asd')sero adicionados a um

dicionrio, chamado
d(Listagem
1.42).
Listagem 1.42: lista de argumentos varivel
1 >>>
def
fun ( t ,
print
t ,
d ) :
d
3 >>> f u n ( 1 , 2 , c =2 , d=4)
4
(1 ,2)
{ ' c ' :3 , 'd ' :4}
Funes so chamadas conforme ilustrado na linha 3 da listagem

1.42. Argumentos obrigatrios, sem valor default, devem ser passados primeiro. Argumentos opcionais podem ser passados fora de
ordem, desde que aps os argumentos obrigatrios, que sero atribudos sequencialmente aos primeiros nomes da lista denida no
cabealho da funo(Listagem 1.41).
Muitas vezes conveniente desempacotar os argumentos passados para uma funo a partir de uma tupla ou dicionrio.
Listagem 1.43: Desempacotando argumentos.
1 >>>
def
fun ( a , b , c , d ) :
print
a,b,c ,d
3 >>> t = ( 1 , 2 ) ; d i = { ' d ' :

4 >>> f u n ( t , d i )
5
3,
'c ' :
4}
1.6. FUNES
37
Argumentos passados dentro de um dicionrio podem ser utilizados simultneamente para argumentos de passagem obrigatria
(declarados no cabealho da funo sem valor default) e para argumentos opcionais, declarados ou no(Listagem 1.44).
Listagem 1.44:
Passando todos os argumentos por meio de um
dicionrio.
1 >>>
2
...
...
def
fun2 ( a ,
print
b =1 , o u t r o s ) :
a,
b,
outros
4 >>> d i c = { ' a ' : 1 , ' b ' : 2 , ' c ' : 3 , ' d ' : 4 }

5 >>> f u n 2 ( d i c )
6
{ 'c ' :
3,
'd ' :
4}
Note que no exemplo 1.44, os valores cujas chaves correspondem a argumentos declarados, so atribudos a estes e retirados do
dicionrio, que ca apenas com os tens restantes.
Funes podem retornar valores por meio da palavra reservada
return.
Listagem 1.45: Retornando valores a partir de uma funo.
1 >>>
2
3
def
4 >>> soma
5
soma ( a , b ) :
return a+b
print " i g n o r a d o ! "
(3 ,4)
7
A palavra return indica sada imediata do bloco da funo le-
vando consigo o resultado da expresso sua direita.
Funes lambda
Funes lambda so pequenas funes annimas que podem ser
denidas em apenas uma linha. Por denio, podem conter uma
nica expresso.
38
1 >>>
def
n
Listagem 1.46: Funes lambda

r a i z ( n ) :#d e f i n i n d o
uma
raiz
de
ordem
return lambda ( x ) : x ( 1 . / n )
3 >>> r 4 = r a i z ( 4 )#r 4
calcula
raiz
de
ordem
4 >>> r 4 ( 1 6 ) #u t i l i z a n d o
5
2
Observe no exemplo (1.46), que lambda lembra a denio de
variveis do espao de nome em que foi criada.
Assim,
r4
passa
a ser uma funo que calcula a raiz quarta de um nmero. Este

exemplo nos mostra que podemos modicar o funcionamento de
uma funo durante a execuo do programa: a funo raiz retorna
uma funo raiz de qualquer ordem, dependendo do argumento que
receba.
Geradores
Geradores so um tipo especial de funo que retm o seu estado
de uma chamada para outra.
So muito convenientes para criar
iteradores, ou seja, objetos que possuem o mtodo
1 >>>
def
2
3
4 >>>
5
for
next().
Listagem 1.47: Geradores

l e t r a s ( palavra ) :
for
in
yield
in
palavra :
i
l e t r a s ( ' gato ' ) :
print
Como vemos na listagem 1.47 um gerador uma funo sobre

a qual podemos iterar.
1.6. FUNES
39
Decoradores
Decoradores so uma alterao da sintaxe do Python, introduzida a partir da verso 2.4, para facilitar a modicao de funes
(sem alter-las), adicionando funcionalidade.
ilustrar o uso bsico de decoradores.
Nesta seo vamos
Usos mais avanados po-
http://wiki.python.org/moin/
dem ser encontrados nesta url:
PythonDecoratorLibrary.
Listagem 1.48: Decorador bsico.
1
2
def
faznada ( f ) :
def
3
4
novaf ( args , kwargs ) :
print " chamando . . . " , a r g s , k w a r g s

return f ( a r g s , k w a r g s )
n o v a f . __name__ = f . __name__
n o v a f . __doc__ = f . __doc__
7
8
n o v a f . __dict__ . u p d a t e ( f . __dict__ )
return
novaf
Na listagem 1.48, vemos um decorador muito simples.
Como
seu nome diz, no faz nada, alm de ilustrar a mecnica de um decorador. Decoradores esperam um nico argumento: uma funo.
A listagem 1.49, nos mostra como utilizar o decorador.
Listagem 1.49: Utilizando um decorador
1 >>>@ f a z n a d a
2
3
def
soma ( a , b ) :
return
a+b
4
5 >>> soma ( 1 , 2 )
6
chamando . . .
(1 ,
2)
{}
7 Out [ 5 ] : 3
O decorador da listagem 1.48, na verdade adiciona uma linha
de cdigo funo que decora:
print "chamando...",args,kwargs.
40
Repare que o decorador da listagem 1.48, passa alguns atributos bsicos da funo original para a nova funo, de forma que
a funo decorada possua o mesmo nome, docstring, etc.
funao original.
que a
No entanto, esta passagem de atributos polui
o cdigo da funo decoradora.
Podemos evitar a poluio e o
trabalho extra utilizando a funcionalidade do mdulo functools.

Listagem 1.50: Limpando a gerao de decoradores
1 >>>
2 >>>
from f u n c t o o l s import
def m e u D e c o r a d o r ( f ) :
...
...
...
@wraps ( f )
def
novaf ( args ,
print
decorada
...
...
8
9
wraps
kwds ) :
' Chamando
funcao
'
return f ( a r g s ,
return n o v a f
kwds )
...
>>> @meuDecorador
10
...
11
...
12
...
def
exemplo ( ) :
""" Docstring """
print
' funcao
exemplo
executada ! '
13
...
14
>>> e x e m p l o ( )
15
Chamando
16
funcao
17
18
19
20
funcao
exemplo
decorada
executada !
>>> e x e m p l o . __name__
' exemplo '
>>> e x e m p l o . __doc__
' Docstring '
Decoradores nao adicionam nenhuma funcionalidade nova ao
que j possvel fazer com funes, mas ajudam a organizar o

cdigo e reduzir a necessidade duplicao.
Aplicaes cientcas
1.6. FUNES
41
de decoradores so raras, mas a sua presena em pacotes e mdulos de utilizao genrica vem se tornando cada vez mais comum.
Portanto, familiaridade com sua sintaxe aconselhada.
Strings de Documentao
Strings posicionadas na primeira linha de uma funo, ou seja,
diretamente abaixo do cabealho, so denominadas strings de documentao, ou simplesmente
docstrings.
Estas strings devem ser utilizadas para documentar a funo

explicitando sua funcionalidade e seus argumentos. O contedo de
uma docstring est disponvel no atributo
__doc__
da funo.
Ferramentas de documentao de programas em Python extraem estas strings para montar uma documentao automtica
de um programa.
A funo help(nome_da_funo) tambm re-
torna a docstring. Portanto a incluso de docstrings auxilia tanto

o programador quanto o usurio.
Listagem 1.51: Usando Docstrings
def
1 >>>
soma ( a , b ) :
"""
Esta
funcao
soma
"""
return
numeros :
a+b
8 >>> h e l p ( soma )
9
dois
>>> soma ( 2 , 3 )
Help
on
function
soma
in
module __main__ :
10
11
12
13
14
soma ( a ,
Esta
b)
funcao
soma
>>> soma ( 2 , 3 )
5
dois
numeros :
42
No exemplo 1.51, adicionamos uma docstring explicando a nalidade da funo soma e ainda inclumos um exemplo. Incluir um
exemplo de uso da funo cortado e colado diretamente do console
Python (incluindo o resultado), nos permitir utilizar o mdulo
doctest
para testar funes, como veremos mais adiante.
1.7 Mdulos e Pacotes

Para escrever programas de maior porte ou agregar colees de
funes e/ou objetos criados pelo usurio, o cdigo Python pode
ser escrito em um arquivo de texto, salvo com a terminao
facilitando a re-utilizao daquele cdigo.
.py,
Arquivos com cdigo
Python contrudos para serem importados, so denominados mdulo. Existem algumas variaes na forma de se importar mdulos. O comando
import meumodulo
cria no espao de nomes um
objeto com o mesmo nome do mdulo importado. Funes, classes

(ver captulo 2) e variveis denidas no mdulo so acessveis como
atributos deste objeto.
O comando
from modulo import *
im-
porta todas as funes e classes denidas pelo mdulo diretamente
12 do nosso script. Deve ser utilizado
para o espao de nomes global
com cuidado pois nomes iguais pr-existentes no espao de nomes

global sero redenidos. Para evitar este risco, podemos substituir
o
por uma sequncia de nomes correspondente aos objetos que
from modulo import nome1, nome2. Podeimport numpy as

from numpy import det as D.
desejamos importar:
mos ainda renomear um objeto ao import-lo:
ou ainda
Seja um pequeno mdulo como o do exemplo 1.52.
Podemos
importar este mdulo em uma sesso do interpretador iniciada no

mesmo diretrio que contm o mdulo (exemplo 1.7).
1 >>>
import
12 Dicionrio
um script
fibo
de nomes de variveis e funes vlidos durante a execuo de
1.7. MDULOS E PACOTES
43
Listagem 1.52: Mdulo exemplo
1 # Disponvel
no
pacote
de
programas
como :
f i b o . py
2 #modulo
para
ate
3
4
def
calcular
numero
b = 0,
while b <
print
a,
9
10
if
serie
de
fibonacci
fib (n) :
a,
n.
1
n:
b,
b = b,
a+b
__name__=="__main__" :
13
import s y s
print __name__
print s y s . a r g v
14
f i b ( i n t ( sys . argv [ 1 ] ) )
11
12
2 >>> f i b o . f i b ( 5 0 )
3
13
21
34
4 >>> f i b o . __name__
5
' fibo '

Note que a funo declarada em
mtodo de
fibo.
fibo.py
chamada como um
Isto porque mdulos importados so objetos
(como tudo o mais em Python).

Quando um mdulo importado ou executado diretamente ,
torna-se um objeto com um atributo
__name__.
O contedo deste
atributo depende de como o mdulo foi executado. Se foi executado

por meio de importao,
(sem a terminao .py).
modulo.py), __name__
__name__
igual ao nome do mdulo
Se foi executado diretamente (python
igual a
__main__.
44
Durante a importao de um mdulo, todo o cdigo contido no

mesmo executado, entretanto como o
e no
__main__,
__name__ de bo fibo

if no so executadas.
as linhas abaixo do
Qual ento a funo destas linhas de cdigo? Mdulos podem ser

executados diretamente pelo interpretador, sem serem importados
primeiro. Vejamos isso no exemplo 1.53. Podemos ver que agora
o
__name__
__main__ e, portanto, as linhas de

if so executadas. Note que neste caso
sys, cujo atributo argv nos retorna uma
do mdulo
cdigo dentro do bloco

importamos o mdulo
lista com os argumentos passados para o mdulo a partir da posio
1.
A posio
sempre o nome do mdulo.
Listagem 1.53: Executing a module from the console.
python
f i b o . py
60
2 __main__
3
[ ' f i b o . py ' ,
'60 ']
13
21
34
55
Qualquer arquivo com terminao
.py
considerado um m-
dulo Python pelo interpretador Python. Mdulos podem ser executados diretamente ou importados por outros mdulos.
A linguagem Python tem como uma de suas principais vantagens uma biblioteca bastante ampla de mdulos, includa com a
distribuio bsica da linguagem. Nesta seo vamos explorar alguns mdulos da biblioteca padro do Python, assim como outros,
mdulos que podem ser obtidos e adicionados sua instalao do
Python.
Para simplicidade de distribuio e utilizao, mdulos podem
ser agrupados em pacotes.
Um pacote nada mais do que um
diretrio contendo um arquivo denominado
__init__.py
(este ar-
quivo no precisa conter nada). Portanto, pode-se criar um pacote

simplesmente criando um diretrio chamado, por exemplo, pacote
contendo os seguintes mdulos:
13 Alm
de
__init__.py,
modulo1.py
naturalmente.
modulo2.py13 .
Um
1.7. MDULOS E PACOTES
45
pacote pode conter um nmero arbitrrio de mdulos, assim como

outros pacotes.
Como tudo o mais em Python, um pacote tambm um objeto.
Portanto, ao importar o pacote pacote em uma sesso Python,
modulo1 e modulo2 aparecero como seus atributos (listagem 1.54).
Listagem 1.54: importing a package
1 >>>
import
pacote
2 >>> d i r ( p a c o t e )
3
[ ' modulo1 ' , ' modulo2 ' ]
Pacotes teis para Computao Cientca
Numpy
Um dos pacotes mais importantes, seno o mais importante para
quem deseja utilizar o Python em computao cientca, o
numpy.
Este pacote contm uma grande variedade de mdulos voltados

para resoluo de problemas numricos de forma eciente.
Exemplos de objetos e funes pertencentes ao pacote
numpy
aparecero regularmente na maioria dos exemplos deste livro. Uma

lista extensiva de exemplos de Utilizao do Numpy pode ser consultada neste endereo:
List
http://www.scipy.org/Numpy_Example_
Na listagem 1.55, vemos um exemplo de uso tpico do numpy. O

numpy nos oferece um objeto matriz, que visa representar o conceito
matemtico de matriz. Operaes matriciais derivadas da algebra
linear, so ainda oferecidas como funes atravs do subpacote linalg (Listagem 1.55).
Listagem 1.55:
matriz.
1 >>>
from
Calculando e mostrando o determinante de uma
numpy
import
2 >>> a = a r a n g e ( 9 )
46
3 >>>
4
[0
print
5 >>> a . s h a p e
6 >>>
print
[[0
2]
[3
5]
[6
8]]
10 >>>
from
8]
=(3 ,3)
numpy . l i n a l g
import
det
11 >>> d e t ( a )
12
0.0
13 >>>
Na primeira linha do exemplo 1.55, importamos todas as funes e classes denidas no mdulo numpy.
Na segunda linha, usamos o comando
um vetor
arange(9)
para criar
de 9 elementos. Este comando equivalente ao
range
para criar listas, s que retorna um vetor (matriz unidimensional).

Note que este vetor composto de nmeros inteiros sucessivos comeando em zero.
Todas as enumeraes em Python comeam
a[0] o primeiro elemento do vea. O objeto que criamos, do tipo array, denido no mdulo numpy. Uma outra forma de criar o mesmo objeto seria: a =
array([0,1,2,3,4,5,6,7,8]).
Na terceira linha, ns mostramos o contedo da varivel a com
o comando print. Este comando imprime na tela o valor de uma
em zero. Como em uma lista,

tor
varivel.
Como tudo em Python um objeto, o objeto array apresenta
diversos mtodos e atributos. O atributo chamado
shape contm o
formato da matriz como uma tupla, que pode ser multi-dimensional

ou no. Portanto, para converter vetor
atribuir o valor
(3,3)
shape.
a em uma matriz 33, basta
Conforme j vimos, atributos e
mtodos de objetos so referenciados usando-se esta notao de

ponto
14 .
14 nome_da_varivel.atributo
1.8. DOCUMENTANDO PROGRAMAS

Na quinta linha, usamos o comando
terao na forma da varivel
a.
print
47
para mostrar a al-
det do mdulo numpy.linalg

det(a) nos
da matriz a 0.0.
Na sexta linha importamos a funo
para calcular o determinante da nossa matriz. A funo

informa, ento, que o determinante
Scipy
Outro mdulo muito til para quem faz computao numrica com
Python, o
scipy.
scipy
depende do numpy e prov uma
grande coleo de rotinas numricas voltadas para aplicaes em

matemtica, engenharia e estatstica.
Diversos exemplos da segunda parte deste livro se utilizaro
do scipy, portanto, no nos extenderemos em exemplos de uso do
scipy.
Uma lista extensa de exemplos de utilizao do
scipy pode ser
encontrada no seguinte endereo:http://www.scipy.org/Documentation.
1.8 Documentando Programas

Parte importante de um bom estilo de trabalho em computao cientca a documentao do cdigo produzido. Apesar do Python
ser uma linguagem bastante clara e de fcil leitura por humanos,
uma boa dose de documentao sempre positiva.
O Python facilita muito a tarefa tanto do documentador quanto
do usurio da documentao de um programa.
Naturalmente, o
trabalho de documentar o cdigo deve ser feito pelo programador,

mas todo o resto feito pela prpria linguagem.
A principal maneira de documentar programas em Python
atravs da adio de strings de documentao (docstrings) a funes e classes ao redigir o cdigo. Mdulos tambm podem possuir
docstrings contendo uma sinopse da sua funcionalidade.
Estas
strings servem no somente como referncia para o prprio programador durante o desenvolvimento, como tambm como material
48
para ferramentas de documentao automtica. A principal ferramenta de documentao disponvel para desenvolvedores o
pydoc,
que vem junto com a distribuio da linguagem.
Pydoc
O
pydoc
uma ferramenta que extrai e formata a documentao
de programas Python. Ela pode ser utilizada de dentro do console

do interpretador Python, ou diretamente do console do Linux.
pydoc
pydoc
No exemplo acima, utilizamos o
pydoc
tao do prprio mdulo pydoc.
acessar qualquer mdulo disponvel no

O
pydoc
para examinar a documen-
Podemos fazer o mesmo para
PYTHONPATH.
possui algumas opes de comando muito teis:
-k <palavra>
Procura por palavras na documentao de todos
os mdulos.
-p <porta> <nome>
Gera a documentao em html iniciando
um servidor HTTP na porta especicada da mquina local.
-g
til para sistemas sem fcil acesso ao console, inicia um servidor

HTTP e abre uma pequena janela para busca.
-w <nome>
escreve a documentao requisitada em formato HTML,
no arquivo
<nome>.html,
onde
<nome>
pode ser um mdulo
instalado na biblioteca local do Python ou um mdulo ou pacote em outra parte do sistema de arquivos. Muito til para
gerar documentao para programas que criamos.
Alm do
pydoc,
outras ferramentas mais sosticadas, desen-
volvidas por terceiros, esto disponveis para automatizar a documentao de programas Python. Exploraremos uma alternativa a
seguir.
1.8. DOCUMENTANDO PROGRAMAS
49
Epydoc
Epydoc uma ferramenta consideravelmente mais sosticada do

pydoc. Alm de prover a funcionalidade j demontrada para o pydoc, oferece outras facilidades como a gerao da
documentao em formato PDF ou HTML e suporte formatao das
O
que o mdulos
docstrings.
O uso do Epydoc similar ao do
pydoc.
Entretanto, devido
sua maior versatilidade, suas opes so bem mais numerosas

(1.56).
Listagem 1.56: Listando as opes do Epydoc.
epydoc
Epydoc
man do programa.
No vamos discutir em detalhes as vrias opes do

pois estas encontram-se bem descritas na pgina
Ainda assim, vamos comentar algumas funcionalidades interessantes.
AT X, facilita a
A capacidade de gerar a documentao em L
E
customizao da mesma pelo usurio e a exportao para outros
formatos.
A opo
url,
nos permite adicionar um link para o
website de nosso projeto ao cabealho da documentao. O
Epydoc
tambm verica o quo bem nosso programa ou pacote encontrase documentado. Usando-se a opo
check
somos avisados sobre
todos os objetos no documentados.

A partir da verso 3.0, o
Epydoc
adiciona links para o cdigo
fonte na ntegra, de cada elemento de nosso mdulo ou pacote. A

opo
graph
pode gerar trs tipos de grcos sobre nosso pro-
grama, incluindo um diagrama
UML(Figura
1.1).
15 .
Dada toda esta funcionalidade, vale apena conferir o Epydoc
15 http://epydoc.sourceforge.net
50
Figura 1.1: Verso
HTML
da documentao gerada pelo
Epydoc.
1.9 Exerccios
1. Repita a iterao do exemplo 1.35 sem utilizar a funo enumerate. Execute a iterao do objeto gerado por
manualmente, sem o auxlio do lao
for
enumerate
e observe o seu re-
sultado.
2. Adicione a funcionalidade
else
listagem 1.33 utilizando
excees.
3. Escreva um exemplo de iterao empregando
e
else(ao
nal).
break, continue
Captulo 2
Programao Orientada a
Objetos
Introduo programao orientada a objetos e sua implementao na linguagem Python. Pr-requisitos:

Ter lido o captulo 1.
rogramao
orientada a objetos um tema vasto na litera-
tura computacional. Neste captulo introduziremos os recur-
sos presentes na linguagem Python para criar objetos e, atravs de

exemplos, nos familiarizaremos com o paradigma da programao
orientada a objetos.
Historicamente, a elaborao de programas de computador passou por diversos paradigmas. Programas de computador comearam como uma simples lista de instrues a serem executadas, em
sequncia, pela CPU. Este paradigma de programao foi mais
tarde denominado de programao no-estruturada. Sua principal
caracterstica a presena de comandos para desviar a execuo
para pontos especcos do programa (goto, jump, etc.)
Exem-
plos de linguagens no-estruturadas so Basic, Assembly e Fortran.

Mais tarde surgiram as linguagens estruturadas, que permitiam a
organizao do programa em blocos que podiam ser executados em
qualquer ordem. As Linguagens C e Pascal ganham grande popu51
CAPTULO 2. ORIENTAO A OBJETO
52
laridade, e linguagens at ento no estruturadas (Basic, Fortran,

etc.)
ganham verses estruturadas.
Outros exemplos de lingua-
gens no estruturadas incluem Ada, D, Forth,PL/1, Perl, maple,

Matlab, Mathematica, etc.
A estruturao de programas deu origem a diversos paradigmas de programao, tais como a programao funcional, na qual
a computao vista como a avaliao sequencial de funes matemticas, e cujos principais exemplos atuais so as linguagens Lisp
e Haskell.
A programao estruturada atingiu seu pico em versatilidade e
popularidade com o paradigma da programao orientada a objetos. Na programao orientada a objetos, o programa dividido
em unidades (objetos) contendo dados (estado) e funcionalidade
(mtodos) prpria.
Objetos so capazes de receber mensagens,
processar dados (de acordo com seus mtodos) e enviar mensagens

a outros objetos. Cada objeto pode ser visto como uma mquina
independente ou um ator que desempenha um papel especco.
2.1 Objetos
Um tema frequente em computao cientca, a simulao de
sistemas naturais de vrios tipos, fsicos, qumicos, biolgicos, etc.
A orientao a objetos uma ferramenta natural na construo de
simulaes, pois nos permite replicar a arquitetura do sistema natural em nossos programas, representando componentes de sistemas
naturais como objetos computacionais.
A orientao a objeto pode ser compreendida em analogia ao
conceito gramatical de objeto. Os componentes principais de uma
frase so:
sujeito, verbo e objeto.
Na programao orientada a
objeto, a ao est sempre associada ao objeto e no ao sujeito,

como em outros paradigmas de programao.
Um dos pontos altos da linguagem Python que facilita sua assimilao por cientistas com experincia prvia em outras linguagens
2.1. OBJETOS
53
Listagem 2.1: Denindo uma classe
class
Objeto :
pass
de programao, que a linguagem no impe nenhum estilo de

programao ao usurio. Em Python pode-se programar de forma
no estruturada, estruturada, procedural, funcional ou orientada a
objeto.
Alm de acomodar as preferncias de cada usurio, per-
mite acomodar as convenincias do problema a ser resolvido pelo

programa.
Neste captulo, introduziremos as tcnicas bsicas de programao orientada a objetos em Python.
Em exemplos de outros
captulos, outros estilos de programao aparecero, justicados

pelo tipo de aplicao a que se prope.
Denindo Objetos e seus Atributos em Python

Ao se construir um modelo de um sistema natural, uma das caractersticas desejveis deste modelo, um certo grau de generalidade.
Por exemplo, ao construir um modelo computacional de um automvel, desejamos que ele (o modelo) represente uma categoria de
automveis e no apenas nosso automvel particular. Ao mesmo
tempo, queremos ser capazes de ajustar este modelo para que ele
possa representar nosso automvel ou o de nosso vizinho sem precisar re-escrever o modelo inteiramente do zero. A estes modelos
de objetos d-se o nome de classes.
A denio de classes em Python pode ser feita de forma mais
ou menos genrica. partir das classes, podemos construir instncias ajustadas para representar exemplares especcos de objetos
representados pela classe.
Na listagem 2.1, temos uma denio
mnima de uma classe de objetos.
Criamos uma classe chamada
54
Listagem 2.2: Denindo atributos de uma classe
class
pessoa :
i d a d e =20
a l t u r a =170
s e x o= ' m a s c u l i n o '
p e s o =70
Objeto, inteiramente em branco. Como uma classe completamente

vazia no possvel em Python, adicionamos o comando
pass
que
no tem qualquer efeito.

Para criar uma classe mais til de objetos, precisamos denir
alguns de seus
atributos.
que represente pessoas.
Como exemplo vamos criar uma classe
Na listagem 2.2, denimos alguns atribu-
tos para a classe pessoa. Agora, podemos criar instncias do objeto

pessoa e estas instncias herdaro estes atributos.
1 >>> m a r i a = p e s s o a ( )
2 >>> m a r i a . p e s o
3
70
4 >>> m a r i a . s e x o
5
' masculino '
6 >>> m a r i a
7 <__main__ . p e s s o a
instance
at
0 x402f196c>
Entretanto, os atributos denidos para o objeto pessoa (listagem

2.2), so atributos que no se espera que permaneam os mesmos
para todas as possveis instncias (pessoas). O mais comum que
os atributos especcos das instncias sejam fornecidos no momento
da sua criao.
Para isso, podemos denir quais as informaes
necessrias para criar uma instncia do objeto pessoa.

Listagem 2.3: Passando atributos na criao de um objeto
1 >>>
class
pessoa :
2.1. OBJETOS
2
55
def
...
__init__ ( s e l f , i d a d e , a l t u r a , s e x o ,
peso ) :
...
s e l f . i d a d e=i d a d e
...
s e l f . a l t u r a=a l t u r a
...
s e l f . s e x o=s e x o
...
s e l f . p e s o =70
7 >>> m a r i a = p e s s o a ( )
8
9
10
Traceback
File
( most
TypeError :
(1
call
line
__init__ ( )
arguments
11
recent
"<s t d i n >" ,
1,
in
takes
last ) :
?
exactly
given )
m a r i a=p e s s o a ( 3 5 , 1 5 5 , ' f e m i n i n o ' , 5 0 )
12 >>> m a r i a . s e x o
13
' feminino '
A funo
__init__
que denimos na nova verso da classe pessoa
(listagem 2.3), uma funo padro de classes, que executada

automaticamente, sempre que uma nova instncia criada. Assim,
se no passarmos as informaes requeridas como argumentos pela
funo
__init__ (listagem 2.3, linha 7), recebemos uma mensagem
de erro. Na linha 11 da listagem 2.3 vemos como instanciar a nova

verso da classe pessoa.
Adicionando Funcionalidade a Objetos

Continuando com a analogia com objetos reais, os objetos computacionais tambm podem possuir funcionalidades, alm de atributos.
Estas funcionalidades so denominadas
mtodos
de objeto. Mto-
dos so denidos como funes pertencentes ao objeto. A funo
__init__
que vimos h pouco um mtodo presente em todos os
objetos, ainda que no seja denida pelo programador. Mtodos

so sempre denidos com, pelo menos, um argumento:
self,
que
pode ser omitido ao se invocar o mtodo em uma instncia do objeto (veja linha 11 da listagem 2.3). O argumento
self
tambm
56
deve ser o primeiro argumento a ser declarado na lista de argumentos de um mtodo.
Herana
Para simplicar a denio de classes complexas, classes podem
herdar atributos e mtodos de outras classes. Por exemplo, uma
classe Felino, poderia herdar de uma classe mamfero, que por sua
vez herdaria de outra classe, vertebrados. Esta cadeia de herana
pode ser extendida, conforme necessrio (Listagem 2.4).
1 >>>
2
class
Listagem 2.4: Herana

Vertebrado :
v e r t e b r a = True
3 >>>
4
class
Mamifero ( V e r t e b r a d o ) :
mamas = True
5 >>>
class
C a r n i v o r o ( Mamifero ) :
l o n g o s _ c a n i n o s = True
7 >>> b i c h o = C a r n i v o r o ( )
8 >>> d i r ( b i c h o )
9
[ '__doc__ ' ,
' mamas ' ,
' __module__ ' ,
' longos_caninos ' ,
' vertebra ' ]
10 >>> i s s u b c l a s s ( C a r n i v o r o , V e r t e b r a d o )
11
True
12 >>> b i c h o . __class__
13
<
class
__main__ . C a r n i v o r o
at
0 x b 7 a 1 d 1 7 c>
14 >>> i s i n s t a n c e ( b i c h o , M a m i f e r o )
15
True
Na listagem 2.4, vemos um exemplo de criao de um objeto,
instncia da classe Carnivoro, herdando os atributos dos ancestrais

desta.
Vemos tambm que possivel testar a pertinncia de um
objeto a uma dada classe, atravs da funo
issubclass,
isinstance.
A funo
de forma anloga, nos permite vericar as relaes
parentais de duas classes.
2.2. EXERCCIOS
57
Utilizando Classes como Estruturas de Dados

Genricas.
Devido natureza dinmica do Python, podemos utilizar uma
classe como um compartimento para quaisquer tipos de dados. Tal
construto seria equivalente ao tipo
struct
da linguagem
C.
Para
exemplicar, vamos denir uma classe vazia:

Listagem 2.5: Classe como uma estrura de dados
1 >>>
2
class C a c h o r r o :
pass
3 >>> r e x=C a c h o r r o ( )
4 >>> r e x . dono = ' P e d r o '
5 >>> r e x . r a c a = ' P a s t o r '
6 >>> r e x . p e s o =25
7 >>> r e x . dono
8
' Pedro '
9 >>> l a i k a = C a c h o r r o ( )
10 >>> l a i k a . dono
11
AttributeError :
attribute
Cachorro
instance
has
no
' dono '
No exemplo 2.5, a classe
Cachorro
criada vazia, mas ainda
assim, atributos podem ser atribuidos a suas instncias, sem alterar

a estrutura da classe.
2.2 Exerccios
1. Utilizando os conceitos de herana e os exemplos de classes
Cachorro que herde atriCarnivoro e Mamfero e crie instncias que
apresentados, construa uma classe

butos das classes
possuam donos, raas, etc.

2. No Python, o que dene um objeto como chamvel (funes,
por exemplo) a presena do mtodo
__call__.
Crie uma
58
classe, cujas instncias podem ser chamadas, por possurem

o mtodo
__call__.
Captulo 3
Criando Grcos em Python
Introduo produo de guras de alta qualidade utilizando o pacote matplotlib. Pr-requisitos: Captulo
1.
xiste
um nmero crescente de mdulos para a criao de gr-
cos cientcos com Python. Entretanto, at o momento da
publicao deste livro, nenhum deles fazia parte da distribuio

ocial do Python.
Para manter este livro prtico e conciso, foi necessrio escolher
apenas um dos mdulos de grcos disponveis, para apresentao
neste captulo.
O critrio de escolha levou em considerao os principais valores
da losoa da linguagem Python (ver listagem ):
simplicidade,
elegncia, versatilidade, etc. poca, a aplicao destes critrios
nos deixou apenas uma opo: o mdulo matplotlib .
3.1 Introduo ao Matplotlib

O mdulo matplotlib (MPL) voltado para a gerao de grcos
bi-dimensionais de vrios tipos, e se presta para utilizao tanto in-
1 http://matplotlib.sourceforge.net
59
CAPTULO 3. CRIANDO GRFICOS EM PYTHON
60
terativa quanto em scripts, aplicaes web ou integrada a interfaces

grcas (GUIs) de vrios tipos.
A instalao do MPL tambm segue o padro de simplicidade
do Python (listagem 3.1). Basta baixar o pacote
tar.gz do stio,
descompactar e executar o comando de instalao.

Listagem 3.1: Instalando o matplotlib
python
s e t u p . py
install
O MPL procura tornar simples tarefas de plotagem, simples e

tarefas complexas, possveis (listagem3.2, gura 3.1). Os grcos
gerados podem ser salvos em diversos formatos: jpg, png, ps, eps e
svg. Ou seja, o MPL exporta em formatos raster e vetoriais (svg)
o que torna sua sada adequada para insero em diversos tipos de
documentos.
Listagem 3.2: Criando um histograma no modo interativo
1 >>>
2 >>>
from
from
pylab
import
numpy . random
import
3 >>> x=n o r m a l ( 0 , 1 , 1 0 0 0 )
4 >>> h i s t ( x , 3 0 )
5
...
6 >>> show ( )
Podemos tambm embutir a sada grca do MPL em diversas GUIs:
GTK, WX e TKinter.
Naturalmente a utilizao do
MPL dentro de uma GUI requer que os mdulos adequados para
o desenvolvimento com a GUI em questo estejam instalados .

Para gerar os grcos e se integrar a interfaces grcas, o MPL
se utiliza de diferentes backends de acordo com nossa escolha
(Wx, GTK, Tk, etc).
2 Veja
no sitio do MPL os pr-requisitos para cada uma das GUIs
3.1. INTRODUO AO MATPLOTLIB
61
Figura 3.1: Histograma simples a partir da listagem 3.2
Congurando o MPL
O MPL possui valores
cos gerados.
chamado
default
para propriedades genricas dos gr-
Estas conguraes cam em um arquivo texto
matplotlibrc,
que deve ser copiado da distribuio do
MPL, editado conforme as preferncias do usurio e renomeado

para
/.matplotlibrc,
quivo oculto no diretrio
ou seja, deve ser colocado como um ar-
home do usurio.
A utilizao de conguraes padro a partir do
matplotlibrc
mais til na utilizao interativa do MPL, pois evita a necessidade

de congurar cada gura de acordo com as nossas preferncias, a
62
bar
cohere
csd
errorbar
hist
imshow
pcolor
plot
psd
scatter
specgram
stem
Grco de barras
Grco da funo de coerncia
Densidade espectral cruzada
Grco com barras de erro
Histograma
Plota imagens
Grco de pseudocores
Grco de linha
Densidade espectral de potncia
Diagrama de espalhamento
Espectrograma
Pontos com linhas verticais
Tabela 3.1: Principais comandos de plotagem do MPL
cada vez que usamos o MPL .
Comandos Bsicos
Os comandos relacionados diretamente gerao de grcos so
bastante numerosos(tabela 3.1); mas, alm destes, existe um outro
conjunto ainda maior de comandos, voltados para o ajuste no de
detalhes dos grcos (ver tabela 3.2, para uma amostra), tais como
tipos de linha, smbolos, cores, etc. Uma explicao mais detalhada
dos comandos apresentados na tabela 3.1, ser dada nas prximas
sees no contexto de exemplos.
3 Para
uma descrio completa das caractersticas de grcos que podem
ser conguradas, veja o ememplo de matplotlibrc que fornecido com a

distribuio do MPL.
3.2. EXEMPLOS SIMPLES
63
Figura 3.2: Reta simples a partir da listagem 3.3
3.2 Exemplos Simples

O comando
plot
O comando plot um comando muito verstil, pode receber um

nmero varivel de argumentos, com diferentes sadas.
Listagem 3.3: Grco de linha
from
plot ([1 ,2 ,3 ,4])
show ( )
pylab
import
64
Quando
plot recebe apenas uma sequncia de nmeros (lista, tupla
ou array), ele gera um grco (listagem 3.3) utilizando os valores

recebidos como valores de
enquanto que os valores de
x so as
posies destes valores na sequncia.

Caso duas sequncias de valores sejam passadas para
tagem 3.4), a primeira atribuida a
x e a segunda a y.
plot (lisNote que,
neste exemplo, ilustra-se tambm a especicao do tipo de sada

grca como uma sequncia de pontos. O parmtero
'ro'
indica
que o smbolo a ser usado um crculo vermelho.

Listagem 3.4: Grco de pontos com valores de
from
plot ([1 ,2 ,3 ,4] ,
import
axis ([0 ,
pylab
6,
0,
x e y especicados.
[1 ,4 ,9 ,16] ,
' ro ' )
20])
s a v e f i g ( ' p o n t o . png ' )
show ( )
Na linha 3 da listagem 3.4 especica-se tambm os limites dos eixos

como uma lista de quatro elementos: os valores mnimo e mximo
dos eixos
savefig
x e y,
respectivamente.
Na linha 4, vemos o comando
que nos permite salvar a gura gerada no arquivo cujo
nome dado pela string recebida. O tipo de arquivo determinado

pela extenso (.png, .ps, .eps, .svg, etc).
O MPL nos permite controlar as propriedades da linha que
forma o grco.
Existe mais de uma maneira de determinar as
propriedades das linhas geradas pelo comando
plot.
Uma das
maneiras mais diretas atravs dos argumentos listados na tabela

3.2.
Nos diversos exemplos apresentados neste captulo, alguns
outros mtodos sero apresentados e explicados .
plot aceita, tanto listas,

Numpy, Numeric ou numarray. Na ver-
Vale a pena ressaltar que o comando

quanto arrays dos mdulos
4 Para
maiores
detalhes
consulte
(http://matplotlib.sourceforge.net).
documentao
do
MPL
65
Figura 3.3: Grco com smbolos circulares a partir da listagem

3.4
dade todas a sequncias de nmeros passadas para o comando

so convertidas internamente para
O Comando
arrays.
subplot
O MPL trabalha com o conceito de
xos.
plot
O comando
gcf()
gura
independente do de
retorna a gura atual, e o comando
ei-
gca()
retorna os eixos atuais. Este detalhe nos permite posicionar os eixos de um grco em posies arbitrrias dentro da gura. Todos
os comandos de plotagem so realizados nos eixos atuais.
Mas,
para a maioria dos usurios, estes detalhes so transparentes, ou
66
Tabela 3.2: Argumentos que podem ser passados juntamente com

a funo plot para controlar propriedades de linhas.
Propriedade
Valores
alpha
antialiased
color
label
linestyle
linewidth
marker
markeredgewidth
markeredgecolor
markerfacecolor
markersize
transparncia (0-1)
true | false
Cor: b,g,r,c,m,y,k,w
legenda
-- : -. Espessura da linha (pontos)
+ o . s v x > < ^
Espessura da margem do smbolo

Cor da margem do smbolo
Cor do smbolo
Tamanho do smbolo (pontos)
seja, o usrio no precisa tomar conhecimento deles. A listagem

3.5 apresenta uma gura com dois eixos feita de maneira bastante
simples.
Listagem 3.5: Figura com dois grcos utilizando o comando subplot.
1 # Disponivel
2
3
4
5
6
7
from
def
no
pacote
de
programas
s u b p l o t . py
pylab
import
f(t):
s1 = cos (2 pi t )
e 1 = e x p ( t )
return
m u l t i p l y ( s1 , e1 )
8
9
t1 = arange ( 0 . 0 ,
5.0 ,
0.1)
10
t2 = arange ( 0 . 0 ,
5.0 ,
0.02)
como :
67
Figura 3.4: Figura com dois grcos utilizando o comando subplot,

a partir da listagem 3.5
11
12
figure (1)
13
subplot (211)
14
p l o t ( t1 ,
f ( t1 ) ,
' bo ' ,
t2 ,
f ( t2 ) ,
15
16
subplot (212)
17
p l o t ( t2 ,
18
s a v e f i g ( ' s u b p l o t . png ' , d p i =400)
19
show ( )
cos (2 pi t2 ) ,
' r ' )
'k ' )
68
Tabela 3.3:
Argumentos opcionais dos comandos de insero de
texto.
Propriedades
Valores
alpha
Transparncia (0-1)
color
Cor
fontangle
italic | normal | oblique
fontname
Nome da fonte
fontsize
Tamanho da fonte
fontweight
normal | bold | light4
horizontalalignment
left | center | right
rotation
horizontal | vertical
verticalalignment
bottom | center | top
O comando
figure(1), na linha 11 da listagem 3.5, opcional,
mas pode vir a ser importante quando se deseja criar mltiplas

guras, antes de dar o comando
mando
um par
plot
show().
Note pelo primeiro co-
da listagem 3.5, que o comando
plot
aceita mais de
(x,y), cada qual com seu tipo de linha especicado inde-
pendentemente.
Adicionando Texto a Grcos

O MPL nos oferece quatro comandos para a adio de texto a guras:
title, xlabel, ylabel,
ttulo e nomes para os eixos
text.
O trs primeiros adicionam
x e y, respectivamente.
Todos os comandos de insero de texto aceitam argumentos

(tabela 3.3) adicionais para formatao do texto.
O MPL tam-
bm nos permite utilizar um subconjunto da linguagem TEXpara

formatar expresses matemticas (Listagem 3.6 e gura 3.5. Para
inserir expresses em TEX, necessrio que as strings contendo
5
as expresses matemticas sejam raw strings , e delimitadas por
5 exemplo:
r'raw string'
3.3. EXEMPLOS AVANADOS
69
cifres($).
Listagem 3.6: Formatando texto e expresses matemticas
1 # Disponivel
no
pacote
de
programas
como :
m a t h t e x t . py
from
t = arange ( 0 . 0 ,
s = s i n (2 pi t )
plot (t , s )
pylab
import
2.0 ,
0.01)
t i t l e ( r ' $\ alpha_i > \ beta_i$ ' ,
text (1 ,
0.6 ,
f o n t s i z e =20)
r ' $ \sum_{ i =0}^\ i n f t y
x_i$ ' ,
text (0.6 ,
0.6 ,
r ' $ \ c a l {A} \rm{ s i n } ( 2
\ omega
)$ ' ,
10
x l a b e l ( ' time
11
y l a b e l ( r ' $ V o l t a g e m ( \mu V) $ ' )
(s) ')
12
s a v e f i g ( ' m a t h t e x t . png ' , d p i =400)
13
show ( )
3.3 Exemplos Avanados

O MPL capaz produzir uma grande variedade grcos mais sosticados do que os apresentados at agora.
Explorar todas as
possibilidades do MPL, foge ao escopo deste texto, mas diversos

exemplos de outros tipos de grcos sero apresentados junto com
os exemplos da segunda parte deste livro.
Mapas
O matplotlib pode ser extendido para plotar mapas. Para isso precisamos instalar o Basemap toolkit. Se voc j instalou o matplo-
70
Figura 3.5: Formatao de texto em guras. Gerada pela listagem

3.6
tlib, basta baixar o arquivo tar.gz do Basemap, descompactar para

um diretrio e executar o j conhecido
python setup.py install.
O Basemap j vem com um mapa mundi includo para demonstrao.
Vamos utilizar este mapa em nosso exemplo (Listagem
3.7).
Listagem 3.7: Plotando o globo terrestre
1 # Disponivel
2
from
no
pacote
de
programas
mapa . py
m a t p l o t l i b . t o o l k i t s . basemap
Basemap
como :
import
3.3. EXEMPLOS AVANADOS

3
import
pylab
as
71
4
5 map = Basemap ( p r o j e c t i o n= ' r o b i n ' , l a t _ 0 = 23,
lon_0 = 46,
r e s o l u t i o n= ' l ' , a r e a _ t h r e s h
=1000.)
7 map . d r a w c o a s t l i n e s ( )
8 map . d r a w c o u n t r i e s ( )
9 map . f i l l c o n t i n e n t s ( c o l o r= ' c o r a l ' )
10 map . drawmapboundary ( )
11 map . d r a w m e r i d i a n s ( p . a r a n g e ( 0 , 3 6 0 , 3 0 ) )
12 map . d r a w p a r a l l e l s ( p . a r a n g e ( 9 0 , 9 0 , 3 0 ) )
13 p . show ( )
Na listagem 3.6, criamos um objeto map, que uma instncia,
da classe Basemap (linha 4). A classe Basemap possui diversos atributos, mas neste exemplo estamos denindo apenas alguns como
a projeo (Robinson), coordenadas do centro do mapa,
lon_0,
mnimo de detalhes a serem desenhados,

como
lat_0
resoluo dos contornos, ajustada para baixa, e tamanho
1000km2 .
area_thresh,
denido
72
Figura 3.6: Mapa mundi na projeo de Robinson.
Captulo 4
Ferramentas de
Desenvolvimento
Exposio de ferramentas voltadas para o aumento da
produtividade em um ambiente de trabalho em computao cientca. Pr-requisitos: Captulos 1 e 2
omo
em todo ambiente de trabalho, para aumentar a nossa
produtividade em Computao Cientca, existem vrias fer-
ramentas alm da linguagem de programao. Neste captulo falaremos das ferramentas mais importantes, na opinio do autor.
4.1 Ipython
A utilizao interativa do Python de extrema valia. Outros am-
TM ,
bientes voltados para computao cientca, tais como Matlab
TM dentre outros, usam o modo interativo como seu

R, Mathematica
principal modo de operao. Os que desejam fazer o mesmo com o

Python, podem se beneciar imensamente do
Ipython.
O Ipython uma verso muito sosticada da shell do Python

voltada para tornar mais eciente a utilizao interativa da linguagem Python.
73
74
CAPTULO 4. FERRAMENTAS DE DESENVOLVIMENTO
Primeiros Passos
Para iniciar o Ipython, digitamos o seguinte comando:
ipython
[ opes ]
arquivos
Muita das opes que controlam o funcionamento do Ipython no

so passadas na linha de comando, esto especicadas no arquivo
ipythonrc
dentro do diretrio
/.ipython.
Quatro opes do Ipython so consideradas especiais e devem

aparecer em primeiro lugar, antes de qualquer outra opo:
-qthread, -wthread, -pylab.
-gthread,
As trs primeiras opes so vol-
tadas para o uso interativo de mdulos na construo de GUIs

(interfaces grcas), respectivamente
GTK, Qt, WxPython.
Estas
opes iniciam o Ipython em um thread separado, de forma a permitir o controle interativo de elementos grcos. A opo
-pylab
permite o uso interativo do pacote matplotlib (Ver captulo 3).

Esta opo executar
from pylab import ao iniciar, e permite
que grcos sejam exibidos sem necessidade de invocar o comando
show(),
mas executar scripts que contm
show()
ao nal, corre-
tamente.
Aps uma das quatro opes acima terem sido especicadas,
as opes regulares podem seguir em qualquer ordem.
Todas as
opes podem ser abreviadas forma mais curta no-ambgua,

mas devem respeitar maisculas e minsculas (como nas linguagens Python e Bash, por sinal).
Um ou dois hfens podem ser
utilizados na especicao de opes.

Todas as opes podem ser prexadas por no para serem desligadas (no caso de serem ativas por default).
Devido ao grande nmero de opes existentes, no iremos listlas aqui. consulte a documentao do Ipython para aprender sobre
elas. Entretanto, algumas opes podero aparecer ao longo desta
seo e sero explicadas medida em que surgirem.
4.1. IPYTHON
75
Comandos Mgicos
Uma das caractersticas mais teis do Ipython o conceito de comandos mgicos.
No console do Ipython, qualquer linha come-
ada pelo caractere %, considerada uma chamada a um comando

mgico. Por exemplo,
%autoindent
liga a indentao automtica
dentro do Ipython.
Existe uma opo que vem ativada por default no
denomidada
automagic.
cos podem ser chamados sem o %, ou seja

dido como
ipythonrc,
Com esta funo, os comandos mgi-
%autoindent.
autoindent
enten-
Variveis denidas pelo usurio podem
mascarar comandos mgicos.

vel autoindent = 1, a palavra
Portanto, se eu denir uma vari-
autoindent
no mais reconhecida
como um comando mgico e sim como o nome da varivel criada

por mim. Porm, ainda posso chamar o comando mgico colocando
o caractere % no incio.
O usurio pode extender o conjunto de comandos mgicos com
suas prprias criaes.
como fazer isso.
Veja a documentao do Ipython sobre
%magic
O comando mgico
retorna um explicao dos coman-
dos mgicos existentes.
%Exit
Sai do console Ipython.
%Pprint
%Quit
Liga/desliga formatao do texto.
Sai do Ipython sem pedir conrmao.
%alias
Dene um sinnimo para um comando.
Voc pode usar %1 para

alias foi chamado, por
In
[2]:
alias
all
parnteses :
In
Entrada
[3]:
all
representar a linha em que o comando

exemplo:
echo
" Entrada
entre
(% l ) "
Ola mundo
entre
parnteses :
( Ola mundo )
76
%autocall
Liga/desliga modo que permite chamar funes sem os
parnteses. Por exemplo:
%autoindent
%automagic
%bg
fun 1
vira fun(1).
Liga/desliga auto-indentao.
Liga/desliga auto-mgica.
Executa um comando em segundo plano, em um thread separado. Por exemplo:
%bg func(x,y,z=1).
Assim que a exe-
cuo se inicia, uma mensagem impressa no console informando o nmero da tarefa. Assim, pode-se ter acesso ao resultado da tarefa nmero 5 por meio do comando
jobs.results[5]
O Ipython possui um gerenciador de tarefas acessvel atravs
jobs. Para maiores informaes sobre este objeto dijobs?. O Ipython permite completar automaticamente um
do objeto
gite
comando digitado parcialmente.

objeto
jobs
%bookmark
experimente digitar
Para ver todos os mtodos do
jobs.seguido
Gerencia o sistema de marcadores do Ipython.
saber mais sobre marcadores digite
%cd
da tecla <TAB>.
%bookmark?.
Para
Muda de diretrio.
%colors
Troca o esquema de cores.
%cpaste
Cola e executa um bloco pr-formatado da rea de trans-
ferncia (clipboard). O bloco tem que ser terminado por uma

linha contendo
%dhist
%ed
Imprime o histrico de diretrios.
Sinnimo para
%edit
%edit
Abre um editor e executa o cdigo editado ao sair.
comando aceita diversas opes, veja a documentao.
Este
4.1. IPYTHON
77
%edit o que estiver de$EDITOR. Se esta varivel no estiver

vi. Se no for especicado o nome de
O editor a ser aberto pelo comando

nido na varivel de ambiente
denida, o Ipython abrir o
um arquivo, o Ipython abrir um arquivo temporrio para a edio.

O comando
%edit apresenta algumas convenincias. Por exemfun em uma sesso de edio ao sair
plo: se denirmos uma funco
e executar o cdigo, esta funo permanecer denida no espao

de nomes corrente.
Ento podemos digitar apenas
%edit fun
o Ipython abrir o arquivo que a contm, posicionando o cursor,

automaticamente, na linha que a dene. Ao sair desta sesso de
edio, a funo editada ser atualizada.
In
IPython
[ 6 ] : % ed
will
make
temporary
file
named :
tmp/ ipython_edit_GuUWr_ . py
done .
Executing
4 Out [ 6 ] : " d e f
ndef
edited
fun ( ) : \ n
funa ( ) : \ n
code . . .
print
print
' fun '\ n
' f u n a ' \ n"
5
6
In
fun
[ 7 ] : fun ( )
8
9
10
In
[ 8 ] : funa ( )
funa
11
12
13
In
[ 9 ] : % ed
done .
%hist
fun
Executing
Sinnimo para
%history
edited
code . . .
%history.
Imprime o histrico de comandos. Comandos anteriores
tambm podem ser acessados atravs da varivel

o n-simo comando do histrico.
_i<n>,
que
78
In
[1]:% hist
1:
_ip . m a g i c ( "%h i s t
")
3
4
In
[2]:% hist
1:
")
2:
")
O Ipython possui um sosticado sistema de registro das sesses. Este sistema controlado pelos seguintes comandos mgicos:
%logon, %logoff, %logstart e %logstate.
Para maiores infor-
maes consulte a documentao.
%lsmagic
%macro
Lista os comandos mgicos disponveis.
Dene um conjunto de linhas de comando como uma macro
para uso posterior:
44-47 49.
%p
%macro teste 1 2
ou
%macro macro2
Sinnimo para print.
%pdb
liga/desliga depurador interativo.
%pdef
Imprime o cabealho de qualquer objeto chamvel.
Se o
objeto for uma classe, retorna informao sobre o construtor

da classe.
%pdoc
Imprime a docstring de um objeto.
%pfile
Imprime o arquivo onde o objeto encontra-se denido.
%psearch
Busca por objetos em espaos de nomes.
%psource
Imprime o cdigo fonte de um objeto. O objeto tem que
ter sido importado a partir de um arquivo.
%quickref
%quit
Mostra um guia de referncia rpida
Sai do Ipython.
4.1. IPYTHON
%r
79
Repete o comando anterior.
%rehash Atualiza a tabela de sinnimos com todas as entradas em

$PATH. Este comando no verica permisses de execuo e
se as entradas so mesmo arquivos. %rehashx faz isso, mas
mais lento.
%rehashdir
Adiciona os executveis dos diretrios especicados
tabela de sinnimos.
%rehashx
Atualiza a tabela de sinnimos com todos os arquivos
executveis em
%reset
$PATH.
Re-inicializa o espao de nomes removendo todos os nomes
denidos pelo usurio.
%run
Executa o arquivo especicado dentro do Ipython como um

programa.
%runlog
%save
%sx
Executa arquivos como logs.
Salva um conjunto de linhas em um arquivo.
Executa um comando no console do Linux e captura sua sada.
%store
Armazena variveis para que estejam disponveis em uma
sesso futura.
%time
Cronometra a execuo de um comando ou expresso.
%timeit
Cronometra a execuo de um comando ou expresso uti-
lizando o mdulo
timeit.
%unalias
Remove um sinnimo.
%upgrade
Atualiza a instalao do Ipython.
%who
Imprime todas as variveis interativas com um mnimo de

formatao.
80
%who_ls
%whos
Retorna uma lista de todas as variveis interativas.
Similar ao
%who,
com mais informao sobre cada varivel.
Para nalizar, o Ipython um excelente ambiente de trabalho interativo para computao cientca, especialmente quando
invocado coma opo
-pylab.
O modo
pylab
alm de grcos,
tambm oferece uma srie de comandos de compatibilidade com o
TM (veja captulo 3). O pacote principal do
MATLAB
bm ca exposto no modo
pylab.
numpy
tam-
Subpacotes do numpy precisam
ser importados manualmente.
4.2 Editores de Cdigo

Na edio de programas em Python, um bom editor de cdigo pode
fazer uma grande diferena em produtividade. Devido a signicncia dos espaos em branco para a linguagem, um editor que mantm
a indentao do cdigo consistente, muito importante para evitar
bugs.
Tambm desejvel que o editor conhea as regras de in-
dentao do Python, por exemplo: indentar aps :, indentar com

espaos ao invs de tabulaes. Outra caracterstica desejvel a
colorizao do cdigo de forma a ressaltar a sintaxe da linguagem.
Esta caracterstica aumenta, em muito, a legibilidade do cdigo.
Os editores que podem ser utilizados com sucesso para a edio
de programas em Python, se dividem em duas categorias bsicas:
editores genricos e editores especializados na linguagem Python.
Nesta seo, vamos examinar as principais caractersticas de alguns
editores de cada categoria.
Editores Genricos
Existe um sem-nmero de editores de texto disponveis para o Ambiente Gnu/Linux. A grande maioria deles cumpre nossos requisitos bsicos de indentao automtica e colorizao. Selecionei al-
4.2. EDITORES DE CDIGO
81
guns que se destacam na minha preferncia, quanto a usabilidade

e versatilidade.
Emacs:
Editor incrivelmente completo e verstil, funciona como
ambiente integrado de desenvolvimento (gura 4.1). Precisa

ter python-modeinstalado. Para quem no tem experincia
prvia com o Emacs, recomendo que o pacote
Easymacs1
seja
tambm instalado. este pacote facilita muito a interface do

Emacs, principalmente para adio de atalhos de teclado padro
Scite:
CUA.
Pode-se ainda utilizar o Ipython dentro do Emacs.
Editor leve e eciente, suporta bem o Python (executa o
script com <F5>) assim como diversas outras linguagens.

Permite congurar comando de compilao de C e Fortran, o
que facilita o desenvolvimento de extenses. Completamente
congurvel (gura 4.2).
Gnu Nano:
Levssimo editor para ambientes de console, possui
suporte a auto indentao e colorizao em diversas linguagens, incluindo o Python (gura 4.3). Ideal para utilizar em
conjuno com o Ipython (comando
Jedit:
%edit).
Inclu o Jedit nesta lista, pois oferece suporte ao desenvol-
vimento em Jython (ver Seo 5.5).
Afora isso, um edi-
tor bastante poderoso para java e no to pesado quanto o

Eclipse (gura 4.4).
Kate/Gedit
Editores padro do KDE e Gnome respectivamente.
Bons para uso casual, o Kate tem a vantagem de um console

embutido.
1 http://www.dur.ac.uk/p.j.heslin/Software/Emacs/Easymacs/
82
Figura 4.1: Editor emacs em modo Python e com Code Browser

ativado
83
Figura 4.2: Editor Scite.
Editores Especializados
Editores especializados em Python tendem a ser mais do tipo IDE
(ambiente integrado de desenvolvimento), oferecendo funcionalidades que s fazem sentido para gerenciar projetos de mdio a grande
porte, sendo demais para se editar um simples Script.
Boa-Constructor:
O Boa-constructor um IDE, voltado para o
projetos que pretendam utilizar o WxPython como interface
84
Figura 4.3: Editor Gnu Nano.
grca.
Neste aspecto ele muito bom, permitindo cons-
truo visual da interface, gerando todo o cdigo associado

com a interface. Tambm traz um excelente depurador para
programas em Python e d suporte a mdulos de extenso
escritos em outras linguagens, como
Eric:
Pyrex
ou
C(gura
4.5).
O Eric tambm um IDE desenvolvido em Python com a

interface em PyQt. Possui boa integrao com o gerador de
interfaces
Qt Designer,
tornando muito fcil o desenvolvi-
mento de interfaces grcas com esta ferramenta. Tambm

dispe de timo depurador. Alm disso o Eric oferece muitas
outras funes, tais como integrao com sistemas de controle
85
Figura 4.4: Editor Jython Jedit
de verso, geradores de documentao, etc.(Figura 4.6).
Pydev (Eclipse):
O Pydev, um IDE para Python e Jython
desenvolvido como um plugin para Eclipse.
Para quem j
tem experincia com a plataforma Eclipse, pode ser uma boa

alternativa, caso contrrio, pode ser bem mais complicado
de operar do que as alternativas mencionadas acima (Figura
4.7). Em termos de funcionalidade, equipara-se ao Eric e ao
Boa-constructor.
86
Figura 4.5: IDE Boa-Constructor
4.3 Controle de Verses em Software

Ao se desenvolver software, em qualquer escala, experimentamos
um processo de aperfeioamento progressivo no qual o software
passa por vrias verses.
Neste processo muito comum, a um
certo estgio, recuperar alguma funcionalidade que estava presente

em uma verso anterior, e que, por alguma razo, foi eliminada do
cdigo.
Outro desao do desenvolvimento de produtos cientcos (software ou outros) o trabalho em equipe em torno do mesmo objeto (frequentemente um programa). Normalmente cada membro
da equipe trabalha individualmente e apresenta os seus resultados
4.3. CONTROLE DE VERSES EM SOFTWARE
87
Figura 4.6: IDE Eric.
para a equipe em reunies regulares. O que fazer quando modicaes desenvolvidas por diferentes membros de uma mesma equipe
se tornam incompatveis? Ou mesmo, quando dois ou mais colaboradores esto trabalhando em partes diferentes de um programa,
mas que precisam uma da outra para funcionar?
O tipo de ferramenta que vamos introduzir nesta seo, busca
resolver ou minimizar os problemas supracitados e pode ser aplicado tambm ao desenvolvimento colaborativo de outros tipos de
documentos, no somente programas.
Como este um livro baseado na linguagem Python, vamos utilizar um sistema de controle de verses desenvolvido inteiramente
88
Figura 4.7: IDE Pydev
em Python:
Mercurial2 .
Na prtica o mecanismo por trs de
todos os sistemas de controle de verso muito similar.
Migrar
de um para outro uma questo de aprender novos nomes para

as mesmas operaes.
Alm do mais, o uso dirio de sistema de
controle de verses envolve apenas dois ou trs comandos.
Entendendo o Mercurial
O Mercurial um sistema de controle de verses descentralizado,
ou seja, no h nenhuma noo de um servidor central onde ca
2 http://www.selenic.com/mercurial
89
Figura 4.8: Diagrama de um repositrio do Mercurial.
depositado o cdigo.
Repositrios de cdigos so diretrios que
podem ser clonados de uma mquina para outra.

Ento, em que consiste um repositrio?
A gura 4.8 uma
representao diagramtica de um repositrio.
Para simplicar
nossa explanao, consideremos que o repositrio j foi criado ou

clonado de algum que o criou. Veremos como criar um repositrio
a partir do zero, mais adiante.
De acordo com a gura 4.8, um repositrio composto por
um Arquivo
3 e por um diretrio de trabalho. O Arquivo contm
a histria completa do projeto.
O diretrio de trabalho contm
uma cpia dos arquivos do projeto em um determinado ponto no

tempo (por exemplo, na reviso 2). no diretrio de trabalho que
o pesquisador trabalha e atualiza os arquivos.
3 Doravante
muns(les).
grafado com A maisculo para diferenciar de arquivos co-
90
Figura 4.9: Operao de commit.
Ao nal de cada ciclo de trabalho, o pesquisador envia suas

modicaes para o arquivo numa operao denominada com-
mit(gura 4.9) .
Aps um
commit,
como as fontes do diretrio de trabalho no
correspondiam ltima reviso do projeto, o
Mercurial automati-
camente cria uma ramicao no arquivo. Com isso passamos a ter

duas linhas de desenvolvimento seguindo em paralelo, com o nosso
diretrio de trabalho pertencendo ao ramo iniciado pela reviso 4.
Mercurial agrupa as mudanas enviadas por um usurio

commit), em um conjunto de mudanas atmico, que constitui
O
(via
4 Vou
adotar o uso da palavra commit para me referir a esta operao daqui
em diante. Optei por no tentar uma traduo pois este termo um jargo
dos sistemas de controle de verso.
91
Figura 4.10: Repositrio da Ana.
uma reviso.
Estas revises recebem uma numerao sequencial
(gura 4.9). Mas como o
Mercurial
permite desenvolvimento de
um mesmo projeto em paralelo, os nmeros de reviso para diferentes desenvolvedores poderiam diferir.
Por isso cada reviso
tambm recebe um identicador global, consistindo de um nmero

hexadecimal de quarenta dgitos.
Alm de ramicaes, fuses (merge) entre ramos podem ocorrer a qualquer momento.
Sempre que houver mais de um ramo
Mercurial denominar as revises mais recentes de cada ramo(heads, cabeas). Dentre estas, a que tiver
maior nmero de reviso ser considerada a ponta (tip) do repo-
em desenvolvimento, o
sitrio.
Exemplo de uso:
Nestes exemplos, exploraremos as operaes mais comuns num ambiente de desenvolvimento em colaborao utilizando o
Mercurial.
Vamos comear com nossa primeira desenvolvedora, chamada

Ana. Ana possui um arquivo como mostrado na gura 4.10.
Nosso segundo desenvolvedor, Bruno, acabou de se juntar ao
time e clona o repositrio Ana .
hg
clone
s s h : / / maquinadana / p r o j e t o
meuprojeto
requesting
5 Assumimos
all
changes
aqui que a mquina da ana est executando um servidor
ssh
92
Figura 4.11: Modicaes de Bruno.
Figura 4.12: Modicaes de Ana.
adding
changesets
adding
manifests
adding
added
file
4
changes
changesets
with
changes
to
files
URLs vlidas:
le://
http://
https://
ssh://
static-http://
Aps o comando acima, Bruno receber uma cpia completa
do arquivo de Ana, mas seu diretrio de trabalho,
permanecer independente.
trabalhar e logo faz dois
meu projeto,
Bruno est ansioso para comear a
commits
(gura 4.11).
Enquanto isso, em paralelo, Ana tambm faz suas modicaes

(gura 4.12).
Bruno ento decide puxar o repositrio de Ana para sincronizlo com o seu.
hg
pull
93
Figura 4.13: Repositrio atualizado de Bruno.
pulling
searching
adding
changesets
adding
manifests
adding
added
( run
from
file
1
s s h : / / maquinadaana / p r o j e t o
for
changes
changes
changesets
' hg
heads '
with
to
see
changes
heads ,
' hg
to
files
merge '
to
merge )
O comando
hg pull,
se no especicada a fonte, ir puxar
da fonte de onde o repositrio local foi clonado.
Este comando
atualizar o Arquivo local, mas no o diretrio de trabalho.

Aps esta operao o repositrio de Bruno ca como mostrado
na gura 4.13. Como as mudanas feitas por Ana, foram as ltimas
adicionadas ao repositrio de Bruno, esta reviso passa a ser a
ponta do Arquivo.
Bruno agora deseja fundir seu ramo de desenvolvimento, com
a ponta do seu Arquivo que corresponde s modicaes feitas
hg
update para sincronizar nosso diretrio de trabalho com o Arquivo
por Ana. Normalmente, aps puxar modicaes, executamos
recm atualizado. Ento Bruno faz isso.
hg
update
this
update
spans
following
h e l l o . py
files :
( resolve )
branch
affecting
the
94
Figura 4.14: Repositrio de Bruno aps a fuso.
aborting
update
spanning
branches !
( use
merge '
to
across
' hg
' hg
update
C '
merge
to
lose
branches
or
changes )
Devido ramicao no Arquivo de Bruno, o comando
update
no sabe a que ramo fundir as modicaes existentes no diretrio

de trabalho de Bruno. Para resolver isto, Bruno precisar fundir
os dois ramos. Felizmente esta uma tarefa trivial.
merging
hg
merge
tip
h e l l o . py
No comando
merge,
se nenhuma reviso especicada, o dire-
trio de trabalho cabea de um ramo e existe apenas uma outra

cabea, as duas cabeas sero fundidas. Caso contrrio uma reviso
deve ser especicada.
Pronto! agora o repositrio de Bruno cou como a gura 4.14.
Agora, se Ana puxar de Bruno, receber todas as mocaes de
Bruno e seus repositrios estaro plenamente sincronizados, como
a gura 4.14.
Criando um Repositrio
Para criar um repositrio do zero, preciso apenas um comando:
hg
init
95
.hg criado
Mercurial ir armazenar todas
repositrio no diretrio .hg. O contedo
Quando o diretrio criado, um diretrio chamado

dentro do diretrio de trabalho. O
as informaes sobre o
deste diretrio no deve ser alterado pelo usurio.
Para saber mais

Naturalmente, muitas outras coisas podem ser feitas com um sistema de controle de verses. O leitor encorajado a consultar a
documentao do
Mercurial
para descobr-las. Para servir de re-
ferncia rpida, use o comando
hg help -v <comando>
com qual-
quer comando da lista abaixo.
add
Adiciona o(s) arquivo(s) especicado(s) no prximo commit.
addremove
Adiciona todos os arquivos novos, removendo os faltan-
tes.
annotate
Mostra informao sobre modicaes por linha de ar-
quivo.
archive
Cria um arquivo (compactado) no versionado, de uma
reviso especicada.
backout
branch
Reverte os efeitos de uma modicao anterior.
Altera ou mostra o nome do ramo atual.
branches
bundle
Lista todas os ramos do repositrio.
Cria um arquivo compactado contendo todas as modica-
es no presentes em um outro repositrio.
cat
Retorna o arquivo especicado, na forma em que ele era em

dada reviso.
clone
Replica um repositrio.
96
commit
copy
Arquiva todas as modicaes ou os arquivos especicados.
Copia os arquivos especicados, para outro diretrio no prximo
diff
commit.
Mostra diferenas entre revises ou entre os arquivos especicados.
export
Imprime o cabealho e as diferenas para um ou mais con-
juntos de modicaes.
grep
Busca por palavras em arquivos e revises especcas.
heads
help
Mostra cabeas atuais.
Mostra ajuda para um comando, extenso ou lista de comandos.
identify
import
Imprime informaes sobre a cpia de trabalho atual.
Importa um conjunto ordenado de atualizaes (patches).
Este comando a contrapartida de Export.
incoming
Mostra novos conjuntos de modicaes existentes em
um dado repositrio.
init
Cria um novo repositrio no diretrio especicado. Se o diretrio no existir, ele ser criado.
locate
log
Localiza arquivos.
Mostra histrico de revises para o repositrio como um todo

ou para alguns arquivos.
manifest
Retorna o manifesto (lista de arquivos controlados) da
reviso atual ou outra.
merge
Funde o diretrio de trabalho com outra reviso.

outgoing
97
Mostra conjunto de modicaes no presentes no repo-
sitrio de destino.
parents
paths
pull
push
Mostra os pais do diretrio de trabalho ou reviso.
Mostra denio de nomes simblicos de caminho.
Puxa atualizaes da fonte especicada.

Envia modicaes para o repositrio destino especicado.
a contra-partida de
recover
pull.
Desfaz uma transao interrompida.
remove
Remove os arquivos especicados no prximo commit.
rename
Renomeia arquivos; Equivalente a
revert
Reverte arquivos ao estado em que estavam em uma dada
copy + remove.
reviso.
rollback
root
Desfaz a ltima transao neste repositrio.
Imprime a raiz do diretrio de trabalho corrente.
serve
Exporta o diretrio via HTTP.
showconfig Mostra
vos hgrc.
status
tag
Mostra arquivos modicados no diretrio de trabalho.
Adiciona um marcador para a reviso corrente ou outra.
tags
tip
a congurao combinada de todos os arqui-
Lista marcadores do repositrio.
Mostra a reviso ponta.
unbundle
Aplica um arquivo de modicaes.
98
update
Atualiza ou funde o diretrio de trabalho.
verify
Verica a integridade do repositrio.
version
Retorna verso e informao de copyright.
Captulo 5
Interagindo com Outras

Linguagens
Introduo a vrios mtodos de integrao do Python
com outras linguagens. Pr-requisitos: Captulos 1 e
2.
5.1 Introduo
O Python uma linguagem extremamente poderosa e verstil, perfeitamente apta a ser, no somente a primeira, como a ltima linguagem de programao que um cientista precisar aprender. Entretanto, existem vrias situaes nas quais torna-se interessante
combinar o seu cdigo escrito em Python com cdigos escritos em
outras linguagens.
Uma das situaes mais comuns, a necessi-
dade de obter maior performance em certos algoritmos atravs da

re-implementao em uma linguagem compilada. Outra Situao
comum possibilidade de se utilizar de bibliotecas desenvolvidas
em outras linguagens e assim evitar ter que reimplement-las em
Python.
O Python uma linguagem que se presta. extremamente bem.
a estas tarefas existindo diversos mtodos para se alcanar os obje99
CAPTULO 5. INTERAGINDO COM OUTRAS

LINGUAGENS
100
tivos descritos no pargrafo acima. Neste captulo, vamos explorar

apenas os mais prticos e ecientes, do ponto de vista do tempo de
implementao.
5.2 Integrao com a Linguagem C

A linguagem
uma das linguagens mais utilizadas no desenvol-
vimento de softwares que requerem alta performance.
Um bom
exemplo o Linux (kernel) e a prpria linguagem Python.

fato torna o
Este
um candidato natural para melhorar a performance
de programas em Python.
Vrios pacotes cientcos para Python como o
Numpy
Scipy,
por exemplo, tem uma grande poro do seu cdigo escrito em
para mxima performance.
Coincidentemente, o primeiro m-
todo que vamos explorar para incorporar cdigo

Python, oferecido como parte do pacote
Scipy.
em programas
Weave
O
weave um mdulo do pacote scipy,

C ou C++ dentro
de cdigo escrito em
Existem vrias formas de se utilizar o

de aplicao que se tem.
aplicao do mdulo
que permite inserir trechos

de programas em Python.
weave
dependendo do tipo
Nesta seo, vamos explorar apenas a
inline
do
weave,
por ser mais simples e co-
brir uma ampla gama de aplicaes. Alm disso, utilizaes mais
weave,
avanadas do
linguagem
C,
exigem um conhecimento mais profundo da
o que est fora do escopo deste livro. Caso os exem-
plos includos no satisfaam os anseios do leitor, existe uma farta

documentao no site
www.scipy.org.
weave
Vamos comear a explorar o
com um exemplo trivial
(computacionalmente) um simples loop com uma nica operao

(exemplo 5.1).
5.2. INTEGRAO COM A LINGUAGEM C

Listagem 5.1: Otimizao de loops com o
1 # e n c o d i n g : l a t i n
2 # Disponivel
no
101
weave
pacote
de
programas
como :
w e a v e l o o p . py
3
4
5
from s c i p y . weave import

import t i m e
from p y l a b import
inline , converters
6
7
c o d e=" " "
int
while
i =0;
( i < n)
10
11
i ^3;
12
i ++;
13
}"""
14
def
15
loopp (n) :
i =0
while
16
i < n:
17
18
i +=1
19
20
def
21
loopc (n) :
return
i n l i n e ( code , [ ' n ' ] ,
t y p e _ c o n v e r t e r s=c o n v e r t e r s . b l i t z
, c o m p i l e r= ' g c c ' )
22
23
def
b e n c h ( max ) :
24
ptim =
[]
25
ctim =
[]
26
for
in
x r a n g e ( 1 0 0 , max , 1 0 0 ) :
27
t = time . time ( )
28
loopp (n)
29
t 1=t i m e . t i m e ( ) t

LINGUAGENS
102
30
p t i m . append ( t 1 )
31
t = time . time ( )
32
loopc (n)
33
t 1=t i m e . t i m e ( ) t
34
return
35
c t i m . append ( t 1 )
ptim , c t i m , max
36
37
ptim , c t i m , max = b e n c h ( 1 0 0 0 0 )
38
s e m i l o g y ( x r a n g e ( 1 0 0 , max , 1 0 0 ) , ptim , ' bo ' ,
39
y l a b e l ( ' tempo em
x r a n g e ( 1 0 0 , max , 1 0 0 ) , c t i m , ' go ' )

de
40
s e g u n d o s ' ) ; x l a b e l ( u ' Nmero
operaes ' ) ; grid ()
l e g e n d ( [ ' Python ' , 'C ' ] )
41
s a v e f i g ( ' w e a v e l o o p . png ' , d p i =400)
42
show ( )
No exemplo 5.1 podemos ver como funciona o
string contm o cdigo
a ser compilado. A funo
weave.
inline
Uma
com-
pila o cdigo em questo, passando para o mesmo as variveis necessrias.

Note que, na primeira execuo do loop, o
weave
mais lento
que o Python, devido compilao do cdigo; mas em seguida,

com a rotina j compilada e carregada na memria, este atraso no
existe mais.
O
weave.inline tem
C equivalente,
grama em
uma performance inferior de um proexecutado fora do Python.
Mas a sua
simplicidade de utilizao, compensa sempre que se puder obter

um ganho de performance sobre o Python puro.
Listagem 5.2: Calculando iterativamente a srie de Fibonacci em
Python e em
C(weave.inline)
1 # Disponivel
2
from
no
pacote
w e a v e f i b . py
scipy
import
weave
de
programas
como :
Figura 5.1:
103
Comparao da performance entre o Python e o
(weave) para um loop simples. O eixo y est em escala logaritmica

para facilitar a visualizao das curvas.
3
4
5
6
from s c i p y . weave import

import t i m e
from s c i p y . s t a t s import
7
8
c o d e=\
"""
10
while
(b < n)
11
12
int
savea = a ;
converters
bayes_mvs

LINGUAGENS
104
13
a=b ;
14
b=s a v e a+b ;
15
16
return_val = a ;
17
"""
18
def
fibp (n) :
19
"""
20
Calcula
21
"""
22
a , b = 0 ,1
while
23
24
26
27
def
de
Fibonacci
em Python
b < n:
return
25
srie
a , b = b , a+b
a
fibw (n) :
28
"""
29
Verso
30
"""
31
a = 0
32
b = 1
return
33
weave . i n l i n e
weave . i n l i n e ( c o d e , [ ' n ' , ' a ' , ' b
' ] ,
34
t y p e _ c o n v e r t e r s=c o n v e r t e r s . b l i t z ,
c o m p i l e r= ' g c c ' )
35
36
ptim = [ ] ; c t i m = [ ]
for
in
range (100) :
37
t = time . time ( )
38
pn = f i b p ( 1 0 0 0 0 0 0 0 0 0 )
39
p t = t i m e . t i m e ( ) t ; p t i m . append ( p t )
40
f i b w ( 1 0 )#t o
41
t = time . time ( )
42
cn = f i b w ( 1 0 0 0 0 0 0 0 0 0 )
43
44
compile
c t = t i m e . t i m e ( ) t ;
print
' Tempo mdio
no
before
timing
c t i m . append ( c t )
p y t h o n : %g
s e g u n d o s '%
105
pt
45
print
' Tempo mdio
no
weave : %g
s e g u n d o s '%
ct
46
47
S t a t s = bayes_mvs ( a r r a y ( p t i m ) / a r r a y ( c t i m ) )
print
" Acelerao
mdia : %g + %g
"% ( S t a t s
[0][0] ,
48
Stats [ 2 ] [ 0 ] )
No exemplo 5.2, o ganho de performance do
weave.inline
no to acentuado.
Listagem 5.3: Executando o cdigo do exemplo 5.2.
python
w e a v e f i b . py
2 Tempo mdio no p y t h o n :
3 Tempo mdio no weave :
4
Acelerao
mdia :
1 . 6 9 2 7 7 e 05
1 . 3 1 1 3 e 05
segundos
segundos
1 . 4 9 5 5 4 + 0 . 7 6 4 2 7 5
Ctypes
O pacote
ctypes,
parte integrante do Python a partir da verso
2.5, um mdulo que nos permite invocar funes de bibliotecas

em
pr-compiladas, como se fossem funes em Python. Apesar
da aparente facilidade de uso, ainda necessrio ter conscincia do

tipo de dados a funo, que se deseja utilizar, requer. Por conseguinte, necessrio que o usuario tenha um bom conhecimento da
linguagem
C.
Apenas alguns objetos do python podem ser passados para
None, inteiros, inteiros longos,

strings, e strings unicode. Outros tipos de dados devem ser
convertidos, utilizando tipos fornecidos pelo ctypes, compatveis
com C.
Dado seu estgio atual de desenvolvimento, o ctypes no
funes atravs do ctypes:
a ferramenta mais indicada ao cientista que deseja fazer uso das

LINGUAGENS
106
convenincias do
em seus programas Python. Portanto, vamos
apenas dar dois exemplos bsicos para que o leitor tenha uma ideia
de como funciona o
ctypes.
Para maiores informaes recomen-
damos o tutorial do ctypes (http://python.net/crew/theller/
ctypes/tutorial.html)
Nos exemplos abaixo assumimos que o leitor est utilizando

Linux pois o uso do
ctypes
no Windows no idntico.
Listagem 5.4: Carregando bibliotecas em
1 >>>
from
ctypes
import
2 >>> l i b c = c d l l . L o a d L i b r a r y ( " l i b c . s o . 6 " )

3 >>> l i b c
4 <CDLL
' l i b c . so . 6 ' ,
handle
...
at
... >
Uma vez importada uma biblioteca (listagem 5.4), podemos

chamar funes como atributos das mesmas.
Listagem 5.5: Chamando fues em bibliotecas importadas com o
ctypes
1 >>> l i b c . p r i n t f
2 <_FuncPtr
object
3 >>>
l i b c . t i m e ( None )
print
at
0x . . . >
1150640792
5 >>> p r i n t f = l i b c . p r i n t f
6 >>> p r i n t f ( " Ola , %s \ n " ,
7
Ola ,
"Mundo ! " )
Mundo !
Pyrex
O Pyrex uma linguagem muito similar ao Python feita para gerar
mdulos em
para o Python.
Desta forma, envolve um pouco
mais de trabalho por parte do usurio, mas de grande valor para

acelerar cdigo escrito em Python com pouqussimas modicaes.
107
O Pyrex no inclui todas as possibilidades da linguagem Python.

As principais modicaes so as que se seguem:
No permitido denir funes dentro de outras funes;
denies de classe devem ocorrer apenas no espao de nomes global do mdulo, nunca dentro de funes ou de outras
classes;
No permitido
import *.
As outras formas de
import
so
permitidas;
Geradores no podem ser denidos em Pyrex;
As funes
globals() e locals() no podem ser utilizadas.
Alm das limitaes acima, existe um outro conjunto de limitaes que considerado temporrio pelos desenvolvedores do Pyrex.
So as seguintes:
Denies de classes e funes no podem ocorrer dentro de

estruturas de controle (if, elif, etc.);
Operadores
in situ
(+=, *=, etc.) no so suportados pelo
Pyrex;
List comprehensions no so suportadas;
No h suporte a Unicode.
Para exemplicar o uso do Pyrex, vamos implementar uma funo geradora de nmeros primos em Pyrex (listagem 5.6).
Listagem 5.6: Calculando nmeros primos em Pyrex
1 #
2
def
Calcula
numeros
primes ( i n t
primos
kmax ) :
cdef
int
n,
cdef
int
p[1000]
k,

LINGUAGENS
108
result
if
6
7
[]
kmax > 1 0 0 0 :
kmax = 1 0 0 0
k = 0
n = 2
10
while
11
k < kmax :
= 0
12
while
13
if
14
i < k
n % p [ i ] <>
0:
i == k :
15
p[k]
16
k = k + 1
17
and
+ 1
= n
r e s u l t . append ( n )
18
n = n + 1
return
19
result
Vamos analisar o cdigo Pyrex, nas linhas onde ele difere do que
seria escrito em Python.
Na linha 2 encontramos a primeira pe-
culiaridade: o argumento de entrada kmax denido como inteiro

por meio da expresso
int kmax.
Em Pyrex, devemos declarar os
tipos das variveis. Nas linhas 3 e 4 tambm ocorre a declarao

dos tipos das variveis que sero utilizadas na funo. Note como
denida uma lista de inteiros. Se uma varivel no declarada,
o Pyrex assume que ela um objeto Python.
Quanto mais variveis conseguirmos declarar como tipos bsicos
C, mais eciente ser o cdigo C gerado pelo Pyrex. A varivel

result(linha 5) no declarada como uma lista de inteiros, pois
de
no sabemos ainda qual ser seu tamanho. O restante do cdigo

equivalente ao Python. Devemos apenas notar a preferncia do
for i in range(x). Este

range do Python.
O prximo passo gerar a verso em C da listagem 5.6, compilar
lao
while
ao invs de um lao do tipo
ultimo seria mais lento devido a incluir a funo
e link-lo, transformando-o em um mdulo Python.
109
Listagem 5.7: Gerando Compilando e linkando
pyrexc
gcc
gcc
p r i m e s . pyx
c fPIC I / u s r / i n c l u d e / p y t h o n 2 . 4 /
primes . c
s h a r e d
primes . o
primes . so
Agora vamos comparar a performance da nossa funo com

uma funo em Python razovelmente bem implementada (Listagem 5.8). Anal temos que dar uma chance ao Python, no?
Listagem 5.8: Calculando nmeros primos em Python
1 # Disponivel
2
3
4
5
6
7
def
no
pacote
if
como :
N <= 3 :
return
#t e s t a
r a n g e ( 2 ,N)
apenas
primos =
[2]
os
+
numeros
impares
r a n g e ( 3 , N, 2 )
index = 1
#c o n v e r t e n d o
#p a r a
while
12
if
em
acelerar
t o p = i n t (N
11
13
programas
p r i m e s (N) :
8
10
de
p r i m e s 2 . py
inteiro
comparacao
abaixo
0.5)
1:
= primos [ index ]
14
i >t o p :
break
15
i n d e x += 1
16
primos =
i )
17
return
18
primes (100000)
or
[x
for
in
primos
if
(x %
( x == i ) ]
primos
Comparemos agora a performance das duas funes para encontrar todos os nmeros primos menores que 100000. Para esta

LINGUAGENS
110
comparao utilizaremos o ipython que nos facilita esta tarefa atravs da funo mgica
%timeit.
Listagem 5.9: Comparando performances dentro do ipython
from
from
In
[1]:
In
[2]:
In
[3]:\% timeit
10
loops ,
In
[4]:\% timeit
10
loops ,
primes
primes2
best
best
import p r i m e s
import p r i m e s
as
primesp
primes (100000)
of
3:
19.6
ms
per
loop
primesp (100000)
of
3:
5 1 2 ms
per
loop
Uma das desvantagens do Pyrex a necessidade de compilar e

linkar os programas antes de poder utiliz-los. Este problema se
acentua se seu programa Python utiliza extenses em Pyrex e precisa ser distribuido a outros usurios. Felizmente, existe um meio
de automatizar a compilao das extenses em Pyrex, durante a
instalao de um mdulo. O pacote setuptools, d suporte compilao automtica de extenses em
Pyrex.
Basta escrever um script
de instalao similar ao da listagem 5.10. Uma vez criado o script

(batizado, por exemplo, de
setupyx.py), para compilar a nossa expython setupix.py
tenso, basta executar o seguinte comando:
build.
Para compilar uma extenso Pyrex, o usurio deve naturalmente ter o Pyrex instalado. Entretanto para facilitar a distribuio destas extenses, o pacote setuptools, na ausncia do Pyrex,
procura a verso em
C gerada pelo autor do programa, e se ela esti-
ver incluida na distribuio do programa, o setuptools passa ento

para a etapa de compilao e linkagem do cdigo
Listagem 5.10:
Pyrex
Automatizando a compilao de extenses em
por meio do setuptools
1 # Disponivel
2
C.
from
no
s e t u p y x . py
setuptools
pacote
de
programas
import
setup
como :
5.3. INTEGRAO COM C++
111
Listagem 5.11: Utilizando Setuptools para compilar extenses em

Pyrex
import s e t u p t o o l s
from s e t u p t o o l s . e x t e n s i o n import
Extension
from
Extension
setuptools . extension
import
4
5
p r i m e s p i x = E x t e n s i o n ( name =
' primespix ' ,
sources =
[ ' p r i m e s . pyx
' ]
8
9
s e t u p ( name =
' primes ' ,
10
ext_modules =
11
[ primespix ]
5.3 Integrao com C++

A integrao de programas em Python com bibliotecas em
C++
normalmente feita por meio ferramentas como SWIG (www.swig.
org), SIP(www.riverbankcomputing.co.uk/sip/) ou Boost.Python

(http://www.boost.org/libs/python/). Estas ferramentas, apesar de relativamente simples, requerem um bom conhecimento de
C++
por parte do usurio e, por esta razo, fogem ao escopo deste
captulo. No entanto, o leitor que deseja utilizar cdigo j escrito

em
C++
pode e deve se valer das ferramentas supracitadas, cuja
documentao bastante clara.

Elegemos para esta seo sobre
O ShedSkin.
C++.
uma ferramenta original.

LINGUAGENS
112
Shedskin
O ShedSkin (http://shed-skin.blogspot.com/)se auto intitula
um compilador de Python para
C++
otimizado. O que ele faz ,
na verdade, converter programas escritos em Python para

permitindo assim grandes ganhos de velocidade.
C++,
Apesar de seu
potencial, o ShedSkin ainda uma ferramenta um pouco limitada.

Uma de suas principais limitaes, que o programa em Python a
ser convertido deve possuir apenas variveis estticas, ou seja as
variveis devem manter-se do mesmo tipo durante toda a execuo
do programa. Se uma varivel denida como um nmero inteiro,
nunca poder receber um nmero real, uma lista ou qualquer outro
tipo de dado.
O ShedSkin tambm no suporta toda a biblioteca padro do
Python na verso testada (0.0.15). Entretanto, mesmo com estas
limitaes, esta ferramenta pode ser muito til. Vejamos um exemplo: A integrao numrica de uma funo, pela regra do trapzio.
Esta regra envolve dividir a rea sob a funo em um dado intervalo
em multiplos trapzios e somar as suas reas(gura 5.2.
Matemticamente, podemos expressar a regra trapezoidal da
seguinte frmula.
f (x) dx
a
n1
X
h
(f (a) + f (b)) + h
f (a + ih),
2
i=1
h=
ba
n
(5.1)
Na listagem 5.12 podemos ver uma implementao simples da

regra trapezoidal.
Listagem 5.12: implementao da regra trapezoidal(utilizando lao
for) conforme especicada na equao 5.3
2 # Disponivel
no
pacote
de
programas
como :
t r a p i n t l o o p . py
3 # copyright
2007
by
Flvio
Codeo
Coelho
113
Figura 5.2: Regra trapezoidal para integrao aproximada de uma

funo.
4
5
6
7
from
from
def
time
math
import
import
clock
exp ,
log ,
sin
t i n t ( a , b , fun ) :
"""
Integrao
numrica
pela
regra
trapezoidal
10
"""
11
n = 5000000
12
h2 = ( ba ) / ( n 2 . )
13
14
r e s = h2 f u n ( a )+h2 f u n ( b )
for
in
xrange ( n ) :
2 h2
15
p = a+ i
16
r e s += 2 h2 f u n ( p )

LINGUAGENS
114
return
17
res
18
19 # Rodando
as
funcoes
20
start
21
r =
22
stop = clock ()
23
= clock ()
tint (1.0 ,5.0 ,
print
em Python
lambda ( x ) :1+ x )
' r e s u l t a d o : %d \nTempo : %s
s e g ' %(r , s t o p
s t a r t )
24
start
25
r =
= clock ()
tint (1.0 ,5.0 ,
lambda ( x ) : e x p ( x 2 l o g ( x+x
sin (x) ) ) )
26
27
stop = clock ()
print
s e g ' %(r , s t o p
s t a r t )
Executando o script da Listagem 5.12 (trapintloop.py) observamos o tempo de execuo da integrao das duas funes.
Listagem 5.13: Executando a listagem 5.12
resultado :
python
3 Tempo :
4
resultado :
5 Tempo :
16
11.68
seg
49029
26.96
seg
Para converter o script 5.12 em
C++ tudo o que precisamos fazer
:
Listagem 5.14: Vericando o tempo de execuo em
ss
C++
SHED SKIN Pythont o C++ C o m p i l e r
0.0.15
Copyright
2005 ,
2006
GNU GPL v e r s i o n
Mark
2
or
Dufour ;
later
License
( See
LICENSE )

4
( If
your
program
mail
me
at
does
115
not
compile ,
please
mark . d u f o u r @ g m a i l . com ! ! )
5
6
WARNING
trapintloop :13:
enumerate '
for
and
[ iterative
type
iterations :
[ generating
c++ c o d e . . ]
11
12
g++
13
./ trapintloop
14
resultado :
16
templates :
55
run
O3
...
16
0.06
resultado :
17 Tempo :
lists
analysis . . ]
10
15 Tempo :
'
return
now
make
' xrange ' ,
' reversed '
seg
49029
1.57
seg
Com estes dois comandos, geramos, compilamos e executamos

uma verso
C++ do programa listado em 5.12.
O cdigo
C++ gerado
pelo Shed-Skin pode ser conferido na listagem 5.15

Como pudemos vericar, o ganho em performance considervel.
Lamentvelmente, o Shed-Skin no permite criar mdulos
de extenso que possam ser importados por outros programas em

Python, s programas independentes. Mas esta limitao pode vir
a ser superada no futuro.
Listagem 5.15: Cdigo
C++ gerado pelo Shed-skin a partir do script
trapintloopy.py
1
2
3
#include
namespace
" t r a p i n t l o o p . hpp "

__trapintloop__
4
5
str
const_0 ;

LINGUAGENS
116
6
7
8
9
double
r ,
double
__lambda0__ (
10
return
11
12
13
14
double
19
double
x)
double
x)
(1+ x ) ;
__lambda1__ (
return
16
18
stop ;
15
17
start ,
e x p ( ( ( x x ) l o g ( ( x+(x s i n ( x ) ) ) ) ) ) ;
int
20
__main ( )
const_0 =
%s
new
s t r ( " r e s u l t a d o : %d \nTempo :
seg " ) ;
21
22
start
23
r =
24
stop = clock () ;
25
p r i n t ( "%s \ n " , __mod( c o n s t _ 0 ,
= clock () ;
tint (1.0 ,
new
5.0 ,
__lambda0__ ) ;
26
start
27
r =
28
stop = clock () ;
29
p r i n t ( "%s \ n " , __mod( c o n s t _ 0 ,
30
__int ( r ) ,
f l o a t _ ( ( s t o p s t a r t ) ) ) ) ;
= clock () ;
tint (1.0 ,
new
5.0 ,
__lambda1__ ) ;
__int ( r ) ,
f l o a t _ ( ( s t o p s t a r t ) ) ) ) ;
31
32
33
Integrao
numrica
pela
regra
b,
lambda0
trapeziodal
34
35
double
tint (
double
a,
double
fun )
5.4. INTEGRAO COM A LINGUAGEM FORTRAN
117
double h2 , p ,
int __0, __1,
36
37
res ;
i ,
n;
38
39
n = 5000000;
40
h2 = ( ( ba ) / ( n 2 . 0 ) ) ;
41
r e s = ( ( h2 f u n ( a ) ) +(h2 f u n ( b ) ) ) ;
42
43
FAST_FOR( i , 0 , n , 1 , 0 , 1 )
2 ) h2 ) ) ;
44
p = ( a +(( i
45
r e s += ( ( 2 h2 ) f u n ( p ) ) ;
46
END_FOR
47
return
48
49
res ;
50
51
52
53
//
int
module
main (
int
namespace
argc ,
char
a r g v )
54
__shedskin__ : : _ _ i n i t ( ) ;
55
__math__ : : _ _ i n i t ( ) ;
56
__time__ : : _ _ i n i t ( ) ;
57
58
__trapintloop__ : : __main ( ) ;
}
5.4 Integrao com a Linguagem Fortran

A linguagem
Fortran
uma das mais antigas linguagens de pro-
gramao ainda em uso.
Desenvolvida nos anos 50 pela IBM,
foi projetada especicamente para aplicaes cientcas.
A sigla
Fortran
deriva de IBM mathematical FORmula TRANslation
system.
Dada a sua longa existncia, existe uma grande quan-
tidade de cdigo cientco escrito em
Fortran disponvel para uso.

LINGUAGENS
118
Felizmente, a integrao do
Fortran
com o Python pode ser feita
de forma extremamente simples, atravs da ferramenta
f2py,
que
demonstraremos a seguir.
f2py
Esta ferramenta est disponvel como parte do Pacote numpy (www.
scipy.org).
Para ilustrar o uso do
f2py, vamos voltar ao problema
da integrao pela regra trapezoidal (equao 5.3). Como vimos, a
for,
Fortran,
implementao deste algoritmo em Python, utilizando um lao

ineciente. Para linguagens compiladas como
C++
ou
laos so executados com grande ecincia. Vejamos a performance

de uma implementao em
??).
Fortran da regra trapezoidal (listagem
Listagem 5.16: implementao em
Fortran
da regra trapezoidal.
label
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
program t r a p e z i o
intrinsic exp , l o g , s i n
real l i n e a r , n o n l
external l i n e a r
external n o n l
call tint (1.0 ,5.0 , linear , res )
print , " R e s u l t a d o : " , r e s
c a l l t i n t ( 1 . 0 , 5 . 0 , nonl , r e s )
print , " R e s u l t a d o : " , r e s
end
subroutine t i n t ( a , b , f u n , r e s )
real a , b , r e s
integer 8 n
real h2 , a l f a
real f u n
external f u n

18
n = 5000000
19
Cf2py
20
Cf2py
21
Cf2py
22
Cf2py
intent ( in ) a
intent ( in ) b
intent ( in ) f u n
intent ( out , h i d e , c a c h e )
res
h2 = ( ba ) / ( 2 n )
23
24
a l f a =h2 f u n ( a )+h2 f u n ( b )
25
r e s =0.0
do
26
i =1 , n
2 h2
27
p = a+ i
28
r e s = r e s +2 h2 f u n ( p )
end do
29
30
r e s = r e s+ a l f a
return
end
31
32
33
real function l i n e a r ( x )
real x
intent ( in , out ) x
34
35
36
Cf2py
37
linear
return
end
38
39
40
= x +1.0
real function n o n l ( x )
real x
intent ( in , out ) x
41
42
43
119
Cf2py
n o n l = e x p ( x 2 l o g ( x+x s i n ( x ) ) )
44
return
end
45
46
A listagem 5.17 nos mostra como compilar e executar o cdigo

da listagem
possua o
??.
GCC
Este comando de compilao pressupe que voc
(Gnu Compiler Collection) verso 4.0 ou superior.
No caso de verses mais antigas deve-se substituir
gfortran
por

LINGUAGENS
120
g77
f77.
ou
Listagem 5.17: Compilando e executando o programa da listagem
??
1
gfortran
time
trapint
trapint . f
./ trapint
Resultado :
16.01428
Resultado :
48941.40
5
6
real
0m2 . 0 2 8 s
user
0m1 . 7 1 2 s
sys
0m0 . 0 1 3 s
Como em
Fortran
no temos a convenincia de uma funo
para cronometrar nossa funo, utilizamos o comando

Unix.
time
do
Podemos constatar que o tempo de execuo similar ao
obtido com a verso em
C++
(listagem 5.15).
Ainda que no seja estritamente necessrio, recomendvel

que o cdigo
Fortran
seja preparado com comentrios especiais
(Cf2py), antes de ser processado e compilado pelo

gem
f2py.
A lista-
?? j inclui estes comentrios, para facilitar a nossa exposio.
Estes comentrios nos permitem informar ao
f2py
as variveis de
entrada e sada de cada funo e algumas outras coisas. No exemplo
??, os principais parametros passados ao f2py, atravs das linhas

de comentrio
Cf2py intent(), so in, out, hide e cache.
As
duas primeiras identicam as variveis de entrada e sada da fun-
O parmetro hide faz com que a varivel de

res, obrigatoriamente declarada no cabealho da procedure
Fortran que oculta ao ser importada no Python. O parme-
o ou procedure.
sada
em
tro cache reduz o custo da realocao de memria em variveis que

so redenidas dentro de um lao em
Fortran.
Antes que possamos importar nossas funes em
Fortran para
uso em um programa em Python, precisamos compilar nossos fontes

em
Fortran
com o
f2py.
121
A listagem 5.18 nos mostra como fazer
isso.
Listagem 5.18: Compilando com
f2py
trapintf
f2py
trapint . f
Uma vez compilados os fontes em
Fortran com o f2py, podetrapintloop.py (lis-
mos ento escrever uma variao do script
tagem 5.12) para vericar os ganhos de performance. A listagem

5.19 contm nosso script de teste.
Listagem 5.19: Script para comparao entre Python e
via
f2py
# e n c o d i n g : l a t i n 1
2 # Disponivel
3
4
5
6
from
from
from
def
no
pacote
de
programas
como :
t r a p i n t l o o p c o m p . py
import c l o c k
import exp , l o g , s i n
t r a p i n t f import t i n t a s f t i n t
time
math
linear ,
nonl
tint (a ,b , f ) :
n = 5000000
h2 = ( ba ) / ( n 2 . )
r e s = h2 f ( a )+h2 f ( b )
for
10
in
xrange ( n ) :
2 h2
11
p = a+ i
12
r e s += 2 h2 f ( p )
return
13
14 # Rodando
as
start
16
r =
17
stop = clock ()
em Python
= clock ()
tint (1 ,5 ,
print
res
funcoes
15
18
Fortran
s t a r t )
s e g ' %(r , s t o p

LINGUAGENS
122
19
start
20
r =
= clock ()
tint (1 ,5 ,
lambda ( x ) : e x p ( x 2 l o g ( x+x s i n (
x) ) ) )
21
22
stop = clock ()
print
s e g ' %(r , s t o p
s t a r t )
23 #Rodando
as
funes
em
Fortran
chamando
Python
24
print
" tempo
do
Fortran
com
funcoes
em
Python "
25
start
26
r =
27
= clock ()
ftint (1. ,5. ,
print
s e g ' %(r ,
c l o c k ( ) s t a r t )
28
start
29
r =
= clock ()
ftint (1. ,5. ,
lambda ( x ) : e x p ( x 2 l o g ( x+x
sin (x) ) ) )
30
print
s e g ' %(r ,
31 #Rodando
32
print
as
funes
" tempo
do
em
Fortran
Fortran
com
puro
funcoes
em
Fortran "
33
start
34
r =
35
= clock ()
ftint (1. ,5. , linear )
print
s e g ' %(r ,
36
start
37
r =
38
= clock ()
f t i n t ( 1 . , 5 . , nonl )
print
s e g ' %(r ,
A listagem 5.19 contem uma verso da regra trapezoidal em

Python puro e importa a funo
A funo em
Fortran
tint do nosso programa em Fortran.
chamado de duas formas: uma para inte-
123
grar funes implementadas em Python (na forma funes

e outra substituindo as funes
Fortran.
Executando
lambda
trapintloopcomp.py,
lambda)
pelos seus equivalentes em

podemos avaliar os ganhos
em performance (listagem 5.20). Em ambas as formas de utilizao
ftint, existem chamadas para objetos Python dentro

DO. Vem da a degradao da performance, em relao
execuo do programa em Fortran, puramente.
da funo
do lao
Listagem 5.20: Executando
resultado :
python
3 Tempo :
4
t r a p i n t l o o p c o m p . py
tempo
resultado :
do
12
resultado :
14
do
4.85
15 Tempo :
6.42
em Python
com
funcoes
em
seg
seg
Fortran
resultado :
funcoes
48941
24.95
tempo
com
16
7.31
11
13 Tempo :
seg
Fortran
resultado :
10 Tempo :
seg
49029
29.14
8 Tempo :
16
13.29
resultado :
5 Tempo :
trapintloopcomp.py
Fortran
16
seg
48941
seg
Neste ponto, devemos parar e fazer uma reexo.
Ser justo
comparar a pior implementao possvel em Python (utilizando

laos
for), com cdigos compilados em C++ e Fortran?
Realmente,
no justo. Vejamos como se sai uma implementao competente

da regra trapezoidal em Python (com uma ajudinha do pacote
numpy). Consideremos a listagem 5.21.
Listagem 5.21: Implementao vetorizada da regra trapezoidal

LINGUAGENS
124
2 # Disponivel
3
4
5
6
from
from
def
no
pacote
de
programas
como :
t r a p i n t v e c t . pt
numpy
time
import
import c l o c k
t i n t ( a , b , fun ) :
"""
Integrao
numrica
pela
regra
trapezoidal
"""
10
n = 5000000.
11
h = ( ba ) / n
12
r e s = h / 2 f u n ( a )+h / 2 f u n ( b )+h sum (
13
return
fun ( arange ( a , b , h ) ) )
14
15
if
res
__name__== '__main__ ' :
16
start
17
r =
print
18
= clock ()
tint (1 ,5 ,
seg '
%(r , c l o c k ( ) s t a r t )
19
start
20
r =
= clock ()
tint (1 ,5 ,
lambda ( x ) : e x p ( x 2 l o g (
x+x s i n ( x ) ) ) )
print
21
seg '
%(r , c l o c k ( ) s t a r t )
Executando a listagem 5.21, vemos que a implementao vetorizada em Python ganha (0.28 e 2.57 segundos)de nossas solues
utilizando
f2py.
Da mesma forma que com o
Pyrex,
podemos distribuir progra-
mas escritos em Python com extenses escritas em

a ajuda do pacote setuptools.
Fortran,
com
Na listagem 5.22 vemos o exem-
125
plo de como escrever um setup.py para este m. Neste exemplo,

temos um
setup.py
extrememente limitado, contendo apenas os
parmetros necessarios para a compilao de uma extenso denominada

arquivo
flib, a partir de uma programa em Fortran, localizado no

flib.f, dentro do pacote meupacote. Observe, que ao
denir mdulos de extenso atravs da funo Extension, podemos

passar tambm outros argumentos, tais como outras bibliotecas das
quais nosso cdigo dependa.
Listagem 5.22:
em
Fortran
setup.py para distribuir programas com extenses
import
ez_setup . u s e _ s e t u p t o o l s ( )
3
4
ez_setup
import s e t u p t o o l s
from numpy . d i s t u t i l s . c o r e import
setup ,
Extension
flib
= E x t e n s i o n ( name= ' m e u p a c o t e . f l i b ' ,
l i b r a r i e s =[] ,
library_dirs =[] ,
f2py_options =[] ,
s o u r c e s =[ ' m e u p a c o t e /
flib . f ' ]
10
11
)
s e t u p ( name =
' mypackage ' ,
12
version =
13
packages =
14
ext_modules =
15
' 0.3.5 ' ,

[ ' meupacote ' ] ,
[ flib ]

LINGUAGENS
126
5.5 A Pton que sabia Javans Integrao

com Java
Peo licena ao mestre Lima Barreto, para parodiar o ttulo do seu

excelente conto, pois no pude resistir analogia.
A linguagem
Python, conforme descobrimos ao longo deste livro, extremamente verstil, e deve esta versatilidade, em parte, sua biblioteca
padro.
Entretanto existe uma outra linguagem que excede em
muito o Python (ao menos atualmente), na quantidade de mdulos disponveis para os mais variados ns: o
A linguagem
Java
Java.
tem, todavia, contra si uma srie de fatores:
A complexidade de sua sintaxe rivaliza com a do
C++,
e no e-
ciente, como esperaramos que o fosse, uma linguagem compilada,

com tipagem esttica. Mas todos estes aspectos negativos no so
sucientes para anular as vantagens do vasto nmero de bibliotecas
disponveis e da sua portabilidade.
Como poderamos capturar o que o
Java tem de bom, sem levar

Jython.
como brinde seus aspectos negativos? aqui que entra o

O
Java.
Jython uma implementao completa do Python 2.21 em

Com o Jython programadores Java podem embutir o Python
em seus aplicativos e applets e ns, programadores Python, podemos utilizar, livremente, toda (ou quase toda) a biblioteca padro
do Python com classes em
Java.
Alm destas vantagens, O
Jython
tambm uma linguagem Open Source, ou seja de cdigo aberto.
O interpretador Jython
Para iniciar nossa aventura com o
Jython, precisaremos instal-lo,

Java (ou JVM) verso 1.4 ou
e ter instalada uma mquina virtual

mais recente.
1O
desenvolvimento
do
Jython continua, mas no se sabe ainda
quando alcanar o CPython (implementao em C do Python).
5.5. A PTON QUE SABIA JAVANS INTEGRAO COM

JAVA
127
Vamos tentar us-lo como usaramos o interpretador Python e

ver se notamos alguma diferena.
Listagem 5.23: Usando o interpretador
Jython
jython
2.1
java1 .4.2 01
on
3 Type " c o p y r i g h t " ,

more
4 >>>
5
Jython
6 >>>
or
null )
for
"license"
information .
print
hello
( JIT :
" credits "
' hello
world '
world
import
math ( )
7 >>> d i r ( math )
8
[ ' acos ' ,
' asin ' ,
' atan ' ,
classDictInit ' ,
' ,
' fabs ' ,
hypot ' ,
' pi ' ,
tan ' ,
' floor ' ,
' ldexp ' ,

' pow ' ,
' atan2 ' ,
' cos ' ,
' fmod ' ,
' log ' ,
' sin ' ,
' ceil ' ,
' cosh ' ,
'e ' ,
' frexp ' ,
' log10 ' ,
' sinh ' ,
'
' exp
'
' modf ' ,
' sqrt ' ,
'
' tanh ' ]
9 >>> math . p i
10
3.141592653589793
At agora, tudo parece funcionar muito bem. Vamos tentar um
exemplo um pouco mais avanado e ver de que forma o

pode simplicar um programa em
Listagem 5.24:
Java.
Jython
Um programa simples em Java usando a classe
Swing.
1
2
3
import j a v a x . s w i n g . J O p t i o n P a n e ;
class t e s t D i a l o g {
public static void main ( S t r i n g [ ]
args
j a v a x . s wi n g . JOptionPane .
showMessageDialog
um
teste . "
) ;
null ,
" Isto

LINGUAGENS
128
}
A verso apresentada na listagem 5.24 est escrita em
Vamos ver como caria a verso em
Jython.
Java.
Listagem 5.25: Verso Jython do programa da listagem 5.24.
1 >>>
import
j a v a x . s wi n g . JOptionPane
2 >>> j a v a x . s w i n g . J O p t i o n P a n e .
s h o w M e s s a g e D i a l o g ( None , " I s t o
e um
teste .
")
Podemos observar, na listagem 5.25, que eliminamos a verborragia caracterstica do
Java,
e que o programa em
Jython
cou
bem mais pitnico. Outro detalhe que vale a pena comentar,

que no precisamos compilar (mas podemos se quisermos) o cdigo
em
Jython,
como seria necessrio com o
grande vantagem do
invs do
Java,
Jython.
Java.
S isto j uma
Em suma, utilizado-se o
Jython
ganha-se em produtividade duas vezes:
ao
Uma, ao
escrever menos linhas de cdigo e outra, ao no ter que recompilar

o programa a cada vez que se introduz uma pequena modicao.
Para no deixar os leitores curiosos acerca da nalidade do cdigo apresentado na listagem 5.25, seu resultado encontra-se na
gura 5.3.
Criando Applets em Jython

Para os conhecedores de
Java,
Jython
pode ser utilizado para
criar servlets, beans e applets com a mesma facilidade que

criamos um aplicativo em
Jython.
Vamos ver um exemplo de ap-
plet(listagem 5.26).
Listagem 5.26: Criando um applet em
import
java . a p p l e t . Applet ;
Jython
5.5. A PTON QUE SABIA JAVANS INTEGRAO COM

JAVA
129
Figura 5.3: Sada da listagem 5.25.
2
3
class a p p l e t p ( j a v a . a p p l e t . A p p l e t
def p a i n t ( s e l f , g ) :
g . drawString
Jython ! ' ' ,

Para quem no conhece
` ` Eu
5,
Java,
) :
s o u um A p p l e t
um applet um mini-aplicativo
feito para ser executado dentro de um Navegador (Mozilla, Opera

etc.) que disponha de um plug-in para executar cdigo em
Java.
Portanto, desta vez, precisaremos compilar o cdigo da listagem

5.26 para que a mquina virtual
Java
possa execut-lo. Para isso,
salvamos o cdigo e utilizamos o compilador do
Jython, o jythonc.
Listagem 5.27: Compilando appletp.py
jythonc
d e e p c o r e j
a p p l e t p . py
processing
appletp
3
4
5
Required
packages :
java . applet
6
7
Creating
adapters :
Creating
. java
8
9
files :
appletp . j a r

LINGUAGENS
130
10
appletp
11
module
appletp
extends
java . a p p l e t . Applet
12
13
Compiling
. java
14
Compiling
with
to
. class . . .
args :
[ ' / o p t / b l a c k d o w n j d k
1.4.2.01/ bin / javac
' ,
' c l a s s p a t h ' ,
'/
2.1. j a r :/ usr
/ s h a r e / l i b r e a d l i n e j a v a / l i b / l i b r e a d l i n e
usr / share / jython / l i b / jython
j a v a . j a r : . : . / jpywork : : / u s r / s h a r e / j y t h o n /
t o o l s / jythonc :/
home/ f c c o e l h o / Documents /
L i v r o P y t h o n / . : / u s r / s h a r e / j y t h o n / Lib ' ,
' . / jpywork / a p p l e t p . java ' ]
15
Note :
. / jpywork / a p p l e t p . j a v a
overrides
16
Note :
Recompile
deprecated
with
uses
or
API .
d e p r e c a t i o n
for
details .
17
18
Building
archive :
19
Tracking
java
appletp . j a r
dependencies :
Uma vez compilado nosso applet, precisamos embuti-lo em

um documento HTML (listagem 5.28. Ento, basta apontar nosso
navegador para este documento e veremos o applet ser executado.
Listagem 5.28: Documento HTML contendo o applet.
html>
head>
<meta content=" t e x t / h t m l ;
1 <
2 <
3
c h a r s e t=ISO
8859 1"
4
5
h t t p e q u i v=" c o n t e n t t y p e ">
t i t l e>j y t h o n
head>
<body>
<
6 </
7
8
Este
a p p l e t</
t i t l e>
5.6. EXERCCIOS
131
o s e u a p p l e t em J y t h o n :<br>
br>
<br>
<center>
<applet code=" a p p l e t p " archive=" a p p l e t p . j a r "
name=" A p p l e t em J y t h o n "
alt=" T h i s b r o w s e r d o e s n ' t s u p p o r t JDK 1 . 1
a p p l e t s . " align=" bottom "
height=" 5 0 " width=" 1 6 0 ">
<PARAMNAME=" c o d e b a s e " VALUE=" . ">
<h3>A l g o s a i u e r r a d o ao c a r r e g a r
e s t e a p p l e t .</ h3>
</ applet>
</ center>
<br>
<br>
</ body>
</ html>
9 &e a c u t e ;
10 <
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Na compilao, o cdigo em
mente em cdigo
Java
Java
Jython
convertido completa-
e ento compilado atravs do compilador
padro.
5.6 Exerccios
1. Compile a listagem 5.1 com o Shed-skin e veja se h ganho de
performance. Antes de compilar, remova as linhas associadas
ao uso do Weave.
2. Aps executar a funo primes (listagem 5.6), determine o
tamanho da lista de nmeros primos menor do que 1000.
Em seguida modique o cdigo Pyrex, declarando a varivel
results como uma lista de inteiros, e eliminando a funo

LINGUAGENS
132
append
do lao
while.
Compare a performance desta nova
verso com a da verso original.
Parte II
Aplicando o Python a
Problemas Cientcos
Concretos
133
Captulo 6
Modelagem Matemtica
Introduo modelagem matemtica e sua implementao computacional. Discusso sobre a importncia da
Anlise dimensional na modelagem e apresentao do
pacote Unum para lidar com unidades em Python. Prrequisitos:Conhecimentos bsicos de clculo.
A construo de modelos uma etapa imprescindvel, na cadeia de procedimentos normalmente associada ao mtodo cientco.
Modelos matemticos so uma tentativa de representar de forma
lgico/quantitativa, mecanismos que observamos na natureza.
Todo modelo por denio falso. O modelo um instrumento
de organizao de idias e hipteses. Como tal, o modelo bom
aquele que representa bem nossas idias. O que o far til para o
conhecimento do mundo, depender, em grande parte, da qualidade
de nossa concepo de mundo. Assim, bons modelos exigem uma
boa compreenso do sistema a ser modelado. Algum pode estar
pensando:
Se preciso conhecer bem para modelar, ento para
que modelar, se o objetivo for conhecer bem? O grande segredo da

modelagem que o ato de modelar , em si, um ato de conhecer.
Isto , para criar um modelo, o autor precisa escrutinar todo o
seu conhecimento do sistema-alvo: identicar seus componentes,
135
CAPTULO 6. MODELAGEM MATEMTICA
136
discriminar o que relevante do que no , hipotetizar sobre as

relaes causais que regem os processos observados, etc.
Ao se deter nestes detalhes, comeam a surgir os vazios do conhecimento, buracos a serem preenchidos com experimentos e observaes ainda no pensados. Do mesmo modo, observaes e intuies que antes no faziam muito sentido, comeam a se encaixar
melhor. . .
Muitas vezes, o resultado nal de um modelo parece to bvio,
que nos perguntamos para que serviu. No entanto, o bvio s se
tornou bvio, por causa do ato de modelar.
E aquilo que neste momento se revelar aos povos, no
surpreender a todos por ser extico, mas pelo fato de
ter sempre estado oculto, quando ter sido, o bvio
Caetano Veloso
Outras vezes, os modelos abrem novas avenidas de escrutnio,
ao apontar para fenmenos pouco intuitivos (como o caos determinstico).
Para matematizar um modelo, existem dois pontos de partida.
Podemos construir do zero ou pegar emprestado. Pegar emprestado
signica adaptar um modelo proposto por algum. A vantagem de
pegar emprestado que o modelo j vem com alguma bagagem
analtica.
ativa.
A desvantagem que ele tolhe a nossa liberdade cri-
Ao olharmos para a histria da modelagem, encontramos
alguns modelos que caram de tal forma inseridos no imaginrio

do modelador que parecem ser os nicos existentes. Um exemplo
o modelo de Lotka-Volterra.
Ele to usado, que as vezes se
torna difcil escrever alguma coisa nova sem, inconscientemente,

comparar o modelo novo com este padro.
Modelos, embora falsos, devem ser corretos. Existem dois nveis de correo de um modelo matemtico: modelos devem ter
coerncia lgica (isto , no se pode somar alhos com bugalhos) e
coerncia com o modelo mental proposto (isto , ele deve representar aquilo que o autor quer dizer).
6.1. MODELOS
137
Computacionalmente falando, modelos so como mquinas transformadoras, produzem informao a partir de informao.
So
equivalentes, portanto, a funes que, a partir de argumentos, produzem um resultado que consiste na transformao do argumento
de entrada, de acordo com o mecanismo codicado dentro de si.
Vamos comear nossa jornada, em direo representao computacional de modelos matemticos, com uma breve introduo ao
modelos mais simples e suas implementaes.
6.1 Modelos
Lineares
Modelos lineares representam a relao entre grandezas que variam
de forma proporcional.
Um exemplo simples o da corrida de
taxi. O valor pago ao motorista numa corrida de taxi calculado

em funo da quilometragem rodada, mais o valor da bandeirada
inicial. Digamos que Joo cobre 0.50 reais por quilmetro rodado e
uma bandeirada de 2,00. Se rodarmos 10km, pagaremos 0.5x10 =
5 reais (+ a bandeirada); se rodarmos o dobro (20km), pagaremos
o dobro pela corrida (10 reais) + bandeirada. As duas grandezas quilometragem rodada e valor pago pela quilometragem - variam de
forma proporcional. Vamos supor que Joo tenha um caderno onde
ele registra todas as corridas que faz, incluindo quilometragem,
valor pago pela quilometragem e valor total pago (quilometragem
+ bandeirada).
Se zermos um diagrama de disperso com os dados da tabela
6.1, obteremos uma reta representando o cenrio sem bandeirada
e outra para o cenrio com bandeirada.
O clculo da corrida nal feito pela equao:
R$ = a Km + b
138
Tabela 6.1: Valor de corridas de taxi

corrida
km
valor/kilometragem
valor total
2,50
4,50
4,00
6,00
1,50
3,50
10
5,00
7,00
4,50
6,50
2,00
4,00
15
7,50
9,50
onde
o valor pago por quilmetro rodado (a
= 0, 50)
valor inicial pago (isto , a bandeirada). Em Python:
1 >>>
def
t a x i ( t a r i f a , km ,
return
tarifa
band =2) :
km+band
3 >>> p r = t a x i ( 0 . 5 , 1 0 )
4 >>> p r
5
7.0
Vamos ver outros exemplos:
Crescimento populacional por imigrao constante.
Uma po-
pulao composta inicialmente por 100 indivduos. A partir do

ano que chamaremos 0, passaram a chegar 10 novos indivduos por
ano. Esta populao crescer, isto , ter 110 indivduos no ano
1, 120 indivduos no ano 2, 130 indivduos no ano 3, etc. Se ns
zermos um grco da relao ano x nmero de indivduos, teremos uma reta crescente.
Esta reta intercepta o eixo vertical no
ponto 100 (populao inicial) e tem inclinao dada pelo nmero

de individuos acrescidos por unidade de tempo (isto ,
a = 10).
Decrescimento populacional por emigrao constante.
Agora,
suponha que ao invs de entrar, esto saindo 10 indivduos a cada

ano. Se a populao composta inicialmente por 100 indivduos,
ento teremos 90 indivduos no ano 1; 80 indivduos no ano 2; 70
6.1. MODELOS
Figura 6.1:
139
Diagrama de disperso do exemplo do taxi.
A reta
superior descreve o cenrio com bandeirada e a inferior, sem bandeirada.
indivduos no ano 3, etc.
Se ns zermos um grco da relao
entre ano e nmero de indivduos, teremos uma reta decrescente.

Esta reta intercepta o eixo vertical no ponto 100 (populao inicial)
e tem inclinao negativa, cujo valor absoluto dado pelo nmero
de individuos perdidos por unidade de tempo (isto ,
a = 10).
Todos os exemplos dados so especicaes de modelos cujo

formato geral :
140
Figura 6.2: Populao crescendo de forma linear, devido chegada

de um nmero constante de novos indivduos por ano.
Y =aX +b
a, chamado de coeciente angular, a taxa de variao da
Y por unidade de X e b, chamado de coeciente linear,
o valor de Y quando X = 0. Este modelo se expressa gracamente
como uma reta com ngulo a em relao a linha horizontal e que
cruza o eixo vertical no ponto b. Esta reta ser crescente se a
for maior do que 0; horizontal, se a = 0, e decrescente, se a for
onde
grandeza
negativo.
6.1. MODELOS
141
Figura 6.3: Populao diminui de forma linear, devido saida de

um nmero constante de indivduos por ano.
Propriedades
Uma propriedade importante do modelo linear
que a variao de crescimento ou decrescimento constante e independente do valor de X. No caso da imigrao, por exemplo,
estavam entrando 10 pessoas todos os anos, independentemente do
nmero de pessoas j existentes na populao. No caso do taxi, o
valor pago por quilmetro rodado no mudava se a pessoa j tivesse
rodado 5 ou 20 km.
142
Figura 6.4: Representao grca de um modelo linear. Efeito do

parmetro
a.
Exponenciais
O modelo linear descrito na seo anterior, pode ser um bom modelo para descrever o crescimento de uma populao por imigrao
constante. Porm, no nos serve para descrever o crescimento por
reproduo. Vejamos o clssico exemplo do crescimento bacteriano
por bipartio. Digamos que temos uma populao com uma bactria no tempo t=0. Aps 1 hora, cada bactria se divide e forma
duas bactrias-lha. Estas duas bactrias geram 4 novas bactrias
6.1. MODELOS
143
Figura 6.5: Representao grca de um modelo linear. Efeito do

parmetro
b.
em mais uma hora e assim por diante. Se zermos um grco do

nmero de bactrias na populao, teremos algo como a gura 6.6.
Veja que o nmero de novos indivduos a cada gerao no
constante, como no modelo linear. Agora, ele aumenta de forma
geomtrica.
Na primeira gerao foram 2 novos indivduos, na
segunda gerao foram 4 e assim por diante. O crescimento muito

mais acelerado e parece tender para uma exploso demogrca! Em
apenas 10 horas, teremos uma populao com 1024 indivduos e,
em um dia, 16.677.216 bactrias!
144
Figura 6.6: Crescimento de uma populao de bactrias por bipartio.
No entanto, embora o crescimento no seja constante no tempo,

ele constante por indivduo. O que isso quer dizer? Cada indivduo na populao contribui com o mesmo nmero de lhos para a
gerao seguinte,de forma que uma populao pequena gerar um
nmero menor de lhotes do que uma populao grande.
Este tipo de crescimento dependente do nmero de indivduos
presentes chamado de exponencial, pelo fato da varivel indepen-
6.2. CONSTRUINDO MODELOS DINMICOS
145
dente estar no expoente. Matematicamente, ele tem o formato:
Y = wB X
onde
o nmero inicial de bactrias (w
= 1).
Ao contrrio do modelo linear, onde a taxa de variao era

independente do nmero de indivduos presentes, no modelo exponencial, a taxa de variao uma funo, isto , depende, do
nmero de indivduos presentes.
6.2 Construindo Modelos Dinmicos

Na seo anterior vimos como representar fenmenos simples como
expresses matemticas. Agora vamos explorar representaes mais
sosticadas: Vamos modelar processos dinmicos. Processos dinmicos modicam-se em funo de uma varivel independente que,
nos casos mais comuns, pode ser o tempo ou o espao.
Nos modelos estticos da seo anterior, buscamos expressar o
estado do sistema em funo de outras variveis. Uma vez determinado os valor destas variveis, o estado do sistema permanece
inalterado. Agora, no sabemos o que determina o estado do sistema, necessriamente, mas podemos descrever mecanismos que
alteram um estado inicial dado.
Neste tipo de modelagem utilizamos equaes de diferena(varivel
independente discreta) ou diferenciais (varivel independente contnua), para modelar a taxa de variao do sistema, representada
pelas chamadas variveis de estado.
Modelando Iterativamente
Vamos comear a explorar os modelos dinmicos, atravs de modelos com dinmica temporal discreta. Neste caso, podemos representar o tempo discreto como a execuo iterativa de uma funo.
146
Figura 6.7: Modelos populacionais discretos. Modelo 2 esquerda

e modelo 1 direita.
Na listagem 6.1, vemos dois modelos populacionais:
M odelo 1 : Nt+1 = Nt + rNt mNt + i eNt

Ct+1 = Ct + ra At mc Ct eCt
M odelo 2 :
At+1 = At + eCt ma At
No modelo 1, temos o tamanho da populao no tempo seguinte
(Nt+1 ) sendo expresso como uma alterao da populao atual pelo
nascimento de indivduos a uma taxa
por uxos migratrios (eNt e
r,
pela mortalidade (m), e
i).
No modelo 2, temos uma demograa similar, porm agora com

a populao dividida em dois grupos: crianas (Ct ) e adultos (At ).
147
for
Nestes modelos, utilizamos um simples lao
para resolver
numericamente as equaes de diferena. Representaes recursivas tambm seriam possveis, mas para este exemplo no so necessrias.
Listagem 6.1: Dois modelos discretos de crescimento populacional
1 # Disponivel
no
pacote
de
programas
como :
m o d e l o . py
3
from
pylab
import
4
5 N = [ 1 0 0 0 0 ] #s e r i e
6
n0 = 1 0 0 0 0
t = 100
temporal
#p o p u l a c a o
de
populacao
inicial
#p e r i o d o
de
tempo
da
simulacao
r = 0.02
#n a t a l i d a d e
9 m = 0.03
#t a x a
de
mortalidade
10 im = 0
#t a x a
de
imigrao
11 em = 0
#t a x a
de
emigrao
12 #p a r m e t r o s
modelo2
13 mc = 0 . 0 1
#t a x a
de
mortalidade
14 ma = 0 . 0 1
#t a x a
de
mortalidade
15
ra = 0.02
#t a x a
de
reproducao
16
e = 0.1
#t a x a
de
envelhecimento
infantil
adulta
17 C = [ 1 0 0 0 0 ]
#s e r i e
temporal
de
crianas
18 A = [ 0 ]
#s e r i e
temporal
de
adultos
19
#p o p u l a c a o
inicial
de
#p o p u l a c a o
inicial
de
a0 = 0
adultos
20
c0 = 10000
criancas
21
22
23
def
Modelo ( n0 ) :
n f = n0 + r n0
m n0
+im
em n0
148
24
N . append ( n f )
return
25
26
27
def
nf
Modelo2 ( c0 , a 0 ) :
28
c f = c0 + r a a0
29
a f = a0 + e c 0
30
C . append ( c f )
31
A . append ( a f )
32
cf , af
33
34
return
for
in
mc c 0 e c 0
ma a 0
xrange ( t ) :
35
c0 , a 0 = Modelo2 ( c0 , a 0 )
36
n0 = Modelo ( n0 )
37
38
subplot (121)
39
p l o t (A, ' . ' ,
40
legend ( [ ' Adultos ' , ' Criancas ' ] )
C, ' r^ ' )
41
x l a b e l ( ' tempo ' )
42
subplot
43
p l o t (N, ' . ' )
44
l e g e n d ( [ u ' Populao ' ] )
45
x l a b e l ( ' tempo ' )
(122)
46
s a v e f i g ( ' pop . png ' , d p i =400)
47
show ( )
Integrao Numrica
A simulao de modelos onde a varivel independente contnua,
tcnicamente mais complexa. Por isso, neste caso, lanaremos mo
do pacote scipy .
1 http://www.scipy.org
149
Modelos dinmicos contnuos so comumente representados por

sistemas de equaes diferenciais ordinrias, e sua resoluo envolve
a integrao destas numericamente.
O pacote
scipy
contm um pacote dedicado integrao nu-
mrica de equaes diferenciais: o
In
[1]:
from
scipy
integrate.
import
Nesta seo utilizaremos o pacote
integrate
integrate
para resolver um
sistema de equaes diferenciais ordinrias bem simples:
dP
dt
dQ
dt
= rP pP Q
(6.1)
= mQ + P Q
O sistema de equaes 6.2, representa a dinmica de duas populaes,
Q onde Q(predador) alimenta-se de P(presa). Em nossa

odeint do pacote integrate2 .
implementao, utilizaremos a funo
Esta funo tem como argumentos uma funo que retorna as derivadas, a partir das condies iniciais, e um vetor de valores da
varivel independente(t) para os quais os valores das variveis de
estado sero calculados.
Listagem 6.2: Integrando um sistema de equaes diferenciais ordinrias
1 #modelo_ode . py
2 # Disponivel
no
pacote
de
programas
como :
modelo_ode . py
3 # e n c o d i n g : u t f 8
4
from
scipy
import
integrate
2 A funo odeint encapsula a tradicional biblioteca lsoda implementada em

Fortran. Esta biblioteca determina dinmicamente o algoritmo de integrao
mais adequado a cada passo de integrao, selecionando entre o mtodo de
Adams e o BDF.
150
5
6
7
8
9
from numpy import

import p y l a b a s P
class Model :
def __init__ ( s e l f
, equations , i n i t s ,
trange , ) :
10
"""
11
Equations :
Lista
com
diferenciais
equaes
forma
de
condies
da
simulao
12
inits :
13
trange :
14
"""
15
s e l f . eqs = equations
sequencia
as
na
de
strings
iniciais
extenso
16
17
self . Inits
18
s e l f . Trange = a r a n g e ( 0 , t r a n g e , 0 . 1 )
19
s e l f . compileEqs ( )
20
21
def
22
inits
compileEqs ( s e l f ) :
"""
23
C om p il a
24
"""
as
equaes .
try :
25
26
s e l f . ceqs =
[ compile ( i
equation>' , ' eval ' )
, '<
for
in
s e l f . eqs ]
except S y n t a x E r r o r :
print ' H um e r r o
27
28
de
sintaxe
e q u a e s , \ n C o n s e r t e o
tente
29
30
31
def
Run ( s e l f ) :
"""
novamente '
nas
151
32
Faz
33
"""
34
t_courseList =
35
t _ c o u r s e L i s t . append ( i n t e g r a t e . o d e i n t
integrao
numrica .
[]
( s e l f . Equations , s e l f . I n i t s , s e l f .
Trange ) )
return
36
37
def
38
( t _ c o u r s e L i s t , s e l f . Trange )
Equations ( s e l f , y , t ) :
39
"""
40
Define
os
sistema
cada
41
com
base
no
valor
retornando
42
d e EDOs
calculando
equao
as
anterior
derivadas .
"""
# C r i a
43
vetor
de
equaes
44
eqs =
45
Neq=l e n ( e q s )
46
y d o t = z e r o s ( ( Neq ) , ' d ' )
for
47
48
51
in
x r a n g e ( Neq ) :
ydot [ k ]
return
49
50
s e l f . ceqs
if
= eval ( eqs [ k ] )
ydot
__name__=="__main__" :
52
inits
53
eqs =
[1 ,1]
[ ' 3.0 y [0]
2.0 y [ 0 ] y [ 1 ]
' , '
2.0 y
[1]+ y [ 0 ] y [ 1 ] ' ]
54
ODE = Model ( e q s , i n i t s , 1 0 )
55
y , t = ODE. Run ( )
56
#p r i n t
57
P. plot
(t ,y [0][: ,0] ,
' v ' , t , y [ 0 ] [ : , 1 ] , ' o
' )
58
P . l e g e n d ( [ ' Presa ' , ' Predador ' ] )
152
59
P . s a v e f i g ( ' l v . png ' , d p i =400)
60
P . show ( )
O modelo implementado como uma classe. A implementao
poderia ser mais simples, at mesmo feita diretamente do console do

Python. Entretanto, esta implementao mais longa nos permite
apresentar algumas outras tcnicas interessantes.
O modelo denido durante a inicializao do objeto, atravs de
atributos obrigatrios. Um mtodo Run() utilizado para executar
a integrao numrica.
neste mtodo que chamamos a funo
odeint, passando os argumentos requeridos, a saber:
a funo que
implementa as equaes, os valores iniciais das variveis de estado

e o vetor de tempos.
A equaes so passadas pelo usurio na forma de strings. Estas
strings devem conter uma expresso Python vlida.
O mtodo
Equations precisa combinar as expresses das equa-
es para poder calcular o valor das derivadas em cada ponto do

tempo. Por isso, uma notao de lista foi utilizada para permitir
referncias entre as equaes. Desta forma, cada varivel de estado
um elemento da lista
y.
As expresses representando as equaes, so interpretadas por

meio da funo
eval,
a cada passo da integrao numrica. Isto
requer que as strings contendo as expresses, sejam compiladas

para byte-code, e ento interpretadas pelo Python.
que esta operao seja repetida a cada passo, o mtodo
Para evitar
compileEqs
pr-compila estas expresses, o que acelera em muito a execuo

do programa 6.2.
Ao nal da listagem 6.2, vemos a especicao do modelo e, na
gura 6.8, o seu resultado.
O pacote
integrate
tambm nos oferece uma outra interface
para a integrao numrica chamada
ode. A classe ode uma alodeint. A listagem 6.3,
ternativa orientada a objetos, funo
mostra como implementar o mesmo sistema de equaes (6.2) utilizando a classe
ode.
153
Figura 6.8: Grco com o resultado da integrao do modelo 6.2.
Listagem 6.3: Integrao numrica utilizando a classe ODE.
1 # Disponivel
no
pacote
de
programas
como :
modelo_ode_minimo . py
2 # e n c o d i n g : u t f 8
3
4
5
6
7
from s c i p y import
from numpy import
def
Equations ( t , y ) :
"""
Define
os
cada
10
integrate
com
base
sistema
d e EDOs
calculando
equacao
no
valor
anterior
retornando
154
as
derivadas .
11
"""
12
# C r i a
vetor
de
equacoes
= [ ' 3.0 y [0] 2.0 y [ 0 ] y [ 1 ]

[1]+ y [ 0 ] y [ 1 ] ' ]
13
eqs
14
Neq=l e n ( e q s )
15
y d o t = z e r o s ( ( Neq ) , ' d ' )
for
16
17
20
in
return
if
2.0 y
x r a n g e ( Neq ) :
ydot [ k ]
18
19
' , '
= eval ( eqs [ k ] )
ydot
__name__=="__main__" :
21
r = i n t e g r a t e . ode ( E q u a t i o n s ) .
22
r . set_initial_value ([1 ,1] ,0)
s e t _ i n t e g r a t o r ( ' vode ' )
23
tf
24
dt = 0 . 1
= 10 #tempo
25
t =
[]
26
y =
[]
27
28
while
final
r . successful ()
and
r . t <=
tf :
r . i n t e g r a t e ( r . t+d t )
29
t . append ( r . t )
30
y . append ( r . y )
31
print
32
#P l o t a
resultados
33
P. plot
( t , array (y) [ : , 0 ] ,
r .y
' v ' , t , a r r a y ( y )
[ : , 1 ] , ' o ' )
34
P. t i t l e ( ' Integrador
35
P . l e g e n d ( [ ' Presa ' , ' Predador ' ] )
36
P . s a v e f i g ( ' l v 2 . png ' , d p i =400)
37
P . show ( )
Vode ' )
Se voc necessita construir, simular e analisar modelos de equa-
6.3. GRANDEZAS, DIMENSES E UNIDADES
155
es diferenciais com freqncia, talvez prera utilizar um software
mais completo, desenvolvido por mim, chamado Model-Builder .
6.3 Grandezas, Dimenses e Unidades

Ao se construir modelos matemticos, cedo ou tarde nos deparamos
com a necessidade de aproximar o modelo conceitual do sistema
real para dar valor preditivo ao modelo. Este processo envolve o
mapeamento da mtrica do sistema real no modelo matemtico,
ou seja, fazer com que os parmetros ou constantes do nosso modelo correspondam, numericamente, a mensuraes efetuadas no
sistema real.
Este processo de parametrizao envolve, frequentemente, a utilizao de medidas das diferentes
dimenses do sistema real (massa,
comprimento, temperatura, etc). Estas mensuraes raramente so

efetuadas pelo modelador. Este, frequentemente, se utiliza de medidas publicadas na literatura cientca, expressas nas mais variadas
unidades
de medida. A escolha das unidades de medida no
altera as dimenses do objeto de estudo (medir a nossa mesa de

trabalho em milmetros ao invs de metros no a torna mais longa),
mas altera a ordem de
grandeza
do valor numrico que representa
a dimenso medida.
Os modelos matemticos relacionam as vrias dimenses do sistema estudado, por meio das grandezas numricas que as representam.
Por isso, fundamental que as variveis e parmetros do
nosso modelo que representem uma mesma dimenso do objeto,

sejam expressas nas mesmas unidades de medida.
Por exemplo,
se desenvolvemos um modelo que pretende correlacionar massa do

corao com massa corporal, no podemos expressar a massa do
corao em gramas(g) e a massa corporal em quilogramas(kg) .
3 http://model-builder.sourceforge.net
4 A menos que adicionemos contantes ao modelo
o do ponto de vista dimensional
que re-equilibrem a equa-
156
Tabela 6.2: Dimenses bsicas.
Grandeza fsica
Dimenso Unidade (SI) Smbolo
Comprimento
metro
Massa
quilograma
kg
Tempo
segundo
Temperatura
kelvin
K
mol
Quantidade
de uma substncia
mol
Corrente eltrica
ampre
Intensidade luminosa
candela
cd
Grandeza, dimenso
unidade
no so sinnimos e devido
ubiquidade da sua utilizao em modelagem, so conceitos que devem estar muito bem denidos na mente de todo modelador.
Unidades derivadas de nomes prprios (e.g.
Lord Kelvin,
tabela 6.2),tm seu smbolo maisculo, mas o nome da unidade

grafado em minsculas.
As dimenses de variveis e parmetros utilizados em um modelo podem representar dimenses fsicas diretamente mensurveis
do sistema, como massa, comprimento, etc. ou podem ser construtos do investigador, que visam representar propriedades do sistema
que interessam ao modelo (preo, periculosidade, fecundidade etc.).
Devido a isso, antes de comear um trabalho de modelagem, devemos denir quais so as nossas
dimenses bsicas.
Estas dimenses
so escolhidas de forma a que todas as outras dimenses utilizadas

no modelo, possam ser expressas em termos destas dimenses bsicas, ou seja, atravs de operaes algbricas entre as dimenses
bsicas. A tabela 6.2 lista algumas dimenses bsicas que podem
ser teis no contexto da modelagem de sistemas biolgicos.
Vrias dimenses
derivadas
podem ser construdas a partir do
limitado conjunto de dimenses bsicas apresentado na tabela 6.2.
157
Tabela 6.3: Dimenses derivadas.
Grandeza fsica
rea
Volume
Velocidade
Acelerao
Fora
Energia
Potncia
Presso
Viscosidade
Voltagem
Resistncia elt.
Dimenso
(derivao)
L2
L3
LT 1
LT 2
M LT 2
M L2 T 2
M L2 T 3
M L1 T 2
M L1 T 1 101
M L2 T 3 I 1
M L2 T 3 I 2
ngulo
Veloc. angular
Frequncia
T 1
T 1
Unidade (SI)
Smbolo
metro2
metro3
metro/segundo
metro/segundo2
newton
joule
watt
pascal
poise
volt
ohm
graus, radianos
radianos/seg.
hertz
m2
m3
m/s
m/s2
N (kg m s2 )
J (kg m2 s2 )
W (kg m2 s3 )
P a (N m2 )
P
V
(V /A)
graus, radianos
radianos/s
Hz (s1 )
A tabela 6.3 lista dimenses familiares ao leitor e suas derivaes.

interessante notar que algumas grandezas fsicas so adimensionais (e.g. ngulo, tabela 6.3). Este fato no as impede, entretanto, de possuir unidades.
Um ngulo calculado como a razo entre um dado arco e
o raio da circunferncia que o dene. Portanto, sua dimenso
L/L = 1.
O fato de um ngulo ser adimensional, faz com que seu valor
numrico no se altere, ao se utilizar diferentes unidades de medida
para o raio e o arco da circunferncia que o contm. Funes trigonomtricas so adimensionais pois o argumento destas um ngulo,
que adimensional. O expoente de uma funo exponencial nada
mais do que um logaritmo, e se os logaritmos so adimensionais,
158
os expoentes tambm o sero.
Outros adimensionais:
Funes trigonomtricas,
Expoentes,
Logaritmos,
Contagens,
, e,
etc.
Por exemplo, em uma equao de crescimento exponencial
ekt ,
onde t o tempo, o parmetro k deve ter dimenso
T 1
y=
para
que o expoente seja adimensional.
Anlise Dimensional
Um modo eciente de evitar erros dimensionais na construo das
equaes que compem o nosso modelo, consiste em construir uma
verso da equao em questo, substituindo-se as variveis e parmetros por suas unidades ou dimenses. Em seguida, expande-se
as expresses em ambos os lados da igualdade em termos das dimenses bsicas. Ento simplicamos ao mximo os dois lados da
equao e vericamos se so de fato iguais. A este processo d-se
o nome de anlise dimensional.
Todas as equaes cientcas devem estar dimensionalmente
corretas, assim sendo, a anlise dimensional uma excelente ferramentar para analisar nossas formulaes. Vamos listar algumas
regras bsicas da anlise dimensional:
1. Dimenses e unidades podem ser combinadas e manipuladas,
utilizando-se regras algbricas.
2. Os dois lados de uma equao devem ser dimensionalmente
idnticos.
3. Deve-se tomar cuidado para no cancelar unidades idnticas
de objetos independentes. Por exemplo,
ml CO2
ml sangue no uma
159
expresso adimensional, apesar de ser uma razo entre dois

volumes.
4. Grandezas de dimenses diferentes no podem ser somadas
nem subtradas.
Unidades tambm podem ser utilizadas, diretamente, em anlise dimensional. Unidades derivadas podem ser construdas a partir de unidades bsicas. Porm, frequentemente, as unidades derivadas recebem smbolos especiais para simplicar sua notao (e.g.
N, W, J
etc. na tabela 6.3).
O Pacote Unum
5 Quando escrevemos nossos modelos em Python, podemos fazer
uso de unidades para nossas variveis de forma a no cometer erros
quanto s dimenses do nosso problema. Vamos explorar algumas
possibilidades interativamente dentro do
from
In
[1]:
In
[ 2 ] :M
3 Out [ 2 ] : 1 . 0
unum . u n i t s
Ipython.
import
[m]
Uma vez importadas as unidades do mdulo units, podemos

representar nmeros com unidades.
representao de 1 metro.
No exemplo acima temos a
As classes que representam as unida-
des so derivadas das classes que representam os nmeros puros

em Python; portanto, todas as operaes aritmticas vlidas para
nmeros, so possveis para nmeros com unidades. O Unum vem
com muitas unidades pr denidas, mas estas podem ser redenidas, durante a sesso, assim como novas unidades podem ser denidas. Todas as unidades prdenidas so denidas em maisculas
para facilitar a sua diferenciao de nomes associados a variveis.
5O
pacote Unum pode ser baxado de
Unum.html.
http://home.scarlet.be/be052320/
160
Qualquer grandeza pode ser denida multiplicando-se um nmero

por uma unidade.
In
[ 3 ] : a=3M
In
[ 4 ] : t =1 S
In
[ 5 ] : a/ t
4 Out [ 5 ] : 3 . 0
5
In
[m/ s ]
[ 6 ] : 1 / ( 3 M/ S )
6 Out [ 6 ] : 0 . 3 3 3 3 3 3 3 3 3 3 3 3
7
In
8 Out [ 7 ] : 2 5 . 0
9
In
[ m2 ]
[ 8 ] : ( 3 M)
10 Out [ 8 ] : 1 2 . 0
11
In
[ s /m]
[ 7 ] : 2 5 M 2
( 4 M)
[ m2 ]
[ 9 ] : 1 3 KGM/ S 2
12 Out [ 9 ] : 1 3 . 0
[ kg .m/ s 2 ]
Grandeza adimensionais tambm podem ser representadas.
In
[10]:(2
2 Out [ 1 0 ] : 6 . 0
M/ S )
(3
S /M)
[]
Agora que j aprendemos a operar com unidades, vamos implementar um simples modelo com unidades.
[ 1 1 ] : massa = 1 . 5 KG
In
In
[ 1 2 ] : v e l o c i d a d e =2M/ S
In
[ 1 3 ] : e n e r g i a _ c i n e t i c a =( massa v e l o c i d a d e
In
[ 1 4 ] : energia_cinetica
2 ) /2
5 Out [ 1 4 ] : 3 . 0
[ kg . m2/ s 2 ]
Evitando Erros
Utilizar unidades no apenas uma questao esttica, tambm pode
ajudar a evitar enganos:
161
[ 1 5 ] : e n e r g i a _ c i n e t i c a +3KG
In
DimensionError :
[ kg . m2/ s 2 ]
incompatible
with
[ kg ]
[ 1 6 ] :MKG
In
DimensionError :
unit
[ kg ]
unexpected
No exemplo acima, somos lembrados de que no podemos somar

grandezas com unidades diferentes, nem elevar metros a quilogramas! Expoentes devem sempre ser adimensionais.
Tambm podemos fazer converses de unidades.
Vamos con-
verter nossa energia cintica em joules:
In
[ 1 7 ] : e n e r g i a _ c i n e t i c a . as ( J )
2 Out [ 1 7 ] : 3 . 0
[J]
Integrao com Funes Matemticas

J vimos que logaritmos e ngulos so adimensionais; portanto funes logartmicas e trigonomtricas no aceitam nmeros com unidades. No caso dos ngulos podemos usar pseudo-unidades como
RAD(radianos)
ARCDEG(graus).
from
import
In
[18]:
In
[ 1 9 ] : l o g 1 0 (M/ANGSTROM)
math
pi , log10 ,
sin , cos
3 Out [ 1 9 ] : 1 0 . 0
4
In
[ 2 0 ] : c o s ( 1 8 0 ARCDEG)
5 Out [ 2 0 ] :
6
In
1.0
[ 2 4 ] : c o s ( p i RAD)
7 Out [ 2 4 ] :
1.0
In
[ 2 5 ] : f = 4 4 0 HZ
In
[ 2 6 ] : sin ( f )
10
DimensionError :
11
In
[ 2 7 ] : dt = 0 . 1
12
In
[ 2 8 ] : s i n ( f dt 2 p i )
13 Out [ 2 8 ] :
unit
[ Hz ]
unexpected
3 . 9 1 9 8 2 4 5 3 4 4 0 4 0 9 2 7 e 14
162
As unidade do
Unum tambm funcionam bem com outras estru-
turas de dados, como matrizes do Numpy, por exemplo.
from
from
import
import
In
[1]:
In
[2]:
In
[ 3 ] : a= a r a n g e ( 1 0 ) M
In
[4]:a
unum . u n i t s
numpy
5 Out [ 4 ] :
6
array ( [ 0 . 0
4.0
[m] ,
[m] ,
7.0
1.0
5.0
[m] ,
[m] ,
[m] ,
8.0
2.0
6.0
[m] ,
[m] ,
3.0
[m] ,
[m] ,
9.0
[m ] ] ,
d t y p e=
object )
In
[ 5 ] : a 2
9 Out [ 5 ] :
10
array ( [ 0 . 0
] ,
11
[ m2 ] ,
16.0
1.0
[ m2 ] ,
36.0
[ m2 ] ,
[ m2 ] ,
25.0
49.0
[ m2 ] ] ,
4.0
[ m2 ] ,
9.0
[ m2
[ m2 ] ,
[ m2 ] ,
64.0
[ m2 ] ,
81.0
d t y p e=o b j e c t )
Por m, o Unum tambm simplica automticamente expresses de unidades. No exemplo abaixo, o
Unum sabe que uma presso
multiplicada por uma rea uma fora. Portanto, converte a unidade para Newtons (N).
In
[ 6 ] : f o r c a = PA
In
[ 7 ] : forca
3 Out [ 7 ] : 1 . 0
M 2
[N]
Conforme j mencionamos, tambm podemos criar novas unidades. Vejamos abaixo como fazer isso:
Listagem 6.4: Criando novas unidades.
from
import
In
[1]:
In
[ 2 ] : u n i t = Unum . u n i t
In
[ 3 ] : LEGUA = u n i t ( ' l e g u a ' )
In
[ 4 ] : LEGUA
unum
Unum

5 Out [ 4 ] : 1 . 0
163
[ legua ]
In
[ 5 ] : KLEGUA = u n i t ( ' k i l o l e g u a ' , 1 0 0 0 LEGUA)
In
[ 6 ] : 2 0 KLEGUA+1LEGUA
8 Out [ 6 ] : 2 0 . 0 0 1
[ kilolegua ]
Uma Aplicao Concreta

Muitas vezes, ao modelar um sistema biolgico, a relao entre
grandezas biolgicas e fsicas no bvia. Nestes casos, a anlise
dimensional pode ajudar a validar nossas formulaes.
Suponha
que um pesquisador deseje determinar o trabalho realizado pelo

corao. Ele se lembra da fsica que:
T rabalho(J) = F orca(N ) dist

ancia(m)
Esta equao no diretamente aplicvel ao corao, pois este no
se desloca e a fora que exerce no facilmente mensurvel. Contudo, a fora exercida pelo corao se reete na presso sangunea,
e o volume de sangue bombeado parece ser anlogo distncia
da frmula original. Ento nosso pesquisador-modelador escreve,
timidamente, a seguinte frmula:
T rabalho = P ress
ao V olume
Mas como saber se esta relao correta? Fazendo a anlise dimensional.
T rabalho(J) = P ress
ao V olume =
Esta denio de Trabalho (N
m),
N
m3 = N m = J
m2
no a mesma da tabela 6.3
mas um pouco de lgebra pode demonstrar a sua validade . Com

o
Unum,
isso seria uma tarefa trivial:
6 Lembre-se
de que Trabalho=Energia.
164
In
[ 8 ] : J == PA
M 3
2 Out [ 8 ] : True
Para que uma anlise dimensional funcione com unidades, devemos nos manter em um mesmo sistema de unidades. O sistema
utilizado em cincia o chamado Sistema Internacional (SI). As
unidades apresentadas nas tabelas 6.2 e 6.3 esto de acordo com o
SI.
Um detalhe em relao a unidades que frequentemente mal
entendido, a aplicao de fatores de escala normalmente expressos
como prexos s unidades (ver tabela 6.4). Devido a este fato o
SI frequentemente denominado sistema MKS (metro, kilograma,
segundo). Um outro sistema que frequentemente confundido com
o SI o CGS (centmetro, grama, segundo). Apesar deste ltimo se
diferenciar do SI apenas nos prexos, um sistema completamente
diferente.
MKS
vs.
CGS
Fora(MKS):
Newton (m
kg/s2 )
Fora(CGS):
Dyne (cm
g/s2 )
Ao adicionar ou modicar prexos de unidades estamos abandonando nosso sistema de unidades original e nossas equaes no
estaro mais equilibradas dimensionalmente, a menos que realizemos as correes necessrias nos demais termos da equao.
Para re-equilibrar dimensionalmente equaes cujas unidades
de uma ou mais de suas variveis tenham sido modicadas, precisamos incluir fatores de correo.
Consideremos a relao entre a massa corporal e a massa do
Corao:
Y = 0.006M
165
Tabela 6.4: Prexos de Unidades

Smbolo
Fator
Prexo
Smbolo
Fator
yocto
deca
da
zepto
hecto
atto
femto
pico
nano
micro
mili
centi
deci
1024
1021
1018
1015
1012
109
106
103
102
101
10
102
103
106
109
1012
1015
1018
1021
1024
Prexo
kilo
mega
giga
tera
peta
exa
zetta
yotta
colocando esta equao em termos dimensionais:
M =1M
se quisermos expressar a massa do corao em gramas (CGS), mantendo a massa corporal em kg (SI/MKS), basta apenas multiplicarmos o lado direito da equao por 1000 para reequilibrar a equao.
Assim, teramos:
Y = 6M
Contudo, nem sempre a determinao dos fatores de correo
to bvia. Vejamos a seguinte equao, que relaciona a massa do
fgado com a massa corporal (ambas em kg):
Mf = 0.082 Mc0.87
(6.2)
Esta relao se mantm, para mamferos, ao longo de vrias ordens

de magnitude de tamanho. Se estivssemos interessados apenas em
pequenos roedores, seria mais conveniente trabalhar com gramas ao
invs de kilogramas. O investigador desavisado, determina a massa
de um hamster (200g), o aplica na equao 6.2: e obtm o seguinte
166
resultado:
Mf = 8.24
Este valor no seria correto nem em gramas e muito menos em
kg!
O que poderia estar errado?
Por desencargo de conscincia,
ele decide realizar o clculo novamente aplicando a massa em kg

(0.2kg):
Mf = 0.020kg
este resultado (20g) parece mais realstico. Analisando dimensionalmente a equao, podemos entender o que deu errado em nossa
converso de unidades:
Mf
0.082 (1000 Mc )0.87
Se esta equao possui apenas duas variveis, ambas de massa,

porque a simples substituio de unidades no funciona?
A res-
posta est no fato de que a massa corporal est elevada a 0.87,

portanto sua unidade no mais
Kg, da mesma forma que 1 metro
quadrado no igual a 1 metro. Para a equao ser vlida dimensionalmente, a constante 0.082 no pode ser adimensional.
Para
descobrir a sua unidade basta rearranjarmos a equao,
Mf
= 0.082
Mc0.87
e resolv-la com o
kg 0.13 .
In
Unum.
Como vemos a unidade de nossa constante
[ 1 3 ] : KG/KG 0 . 8 7
2 Out [ 1 3 ] : 1 . 0
[ kg0 . 1 3 ]
se quisermos multiplicar a unidade da massa do corao por 1000

(Kg
g ),
temos que multiplicar a unidade da constante por 1000
tambm e isso representa multiplic-la por
10000.13 .
Podemos ve-
ricar que esta operao retorna um nmero 1000 vezes o valor em
Kg,
ou seja, o valor em gramas.
6.4. EXERCCIOS
1
In
167
[ 2 0 ] : 1 0 0 0 0 . 1 3 KG 0 . 1 3
1 0 0 0 0 . 8 7 KG
0.87
2 Out [ 2 0 ] : 1 0 0 0 . 0
3
In
[ kg ]
[21]:0.082(10000.13)
(2000.87)
4 Out [ 2 1 ] : 2 0 . 2 1 6 6 8 5 1 9 9 7 9 1 5 6 3
6.4 Exerccios
1. Determine as dimenses das seguintes grandezas (manualmente e depois utilizando o Unum):
a) Volume
b) Acelerao (velocidade/tempo)
c) Densidade (massa/volume)
d) Fora (massa
acelerao)
e) Carga eltrica (corrente
tempo)
2. Utilizando as repostas da questo anterior determine as dimenses das seguintes grandezas:

a) Presso (fora/rea)
b) (volume)
c) Campo eltrico (fora/carga eltrica)

d) Trabalho (fora
distncia)
e) Energia Potencial Gravitacional (=

lerao gravitacional
altura)
mgh =massa
ace-
Captulo 7
Teoria de Grafos
Breve introduo a teoria de grafos e sua representao
computacional. Introduo ao Pacote NetworkX, voltado para a manipulao de grafos. Pr-requisitos:
Programao orientada a objetos.
7.1 Introduo
A teoria de grafos uma disciplina da matemtica cujo objeto de
estudo se presta, muito bem, a uma representao computacional
como um objeto. Matematicamente, um grafo denido por um
conjunto nito de vrtices (V ) e por um segundo conjunto (A) de
relaes entre estes vrtices, denominadas arestas. Grafos tem aplicaes muito variadas, por exemplo: uma rvore genealgica um
grafo onde as pessoas so os vrtices e suas relaes de parentesco
so as arestas do grafo.
Um grafo pode ser denido de forma no ambgua, por sua lista
de arestas (A), que implica no conjunto de vrtices que compem
o grafo. Grafos podem ser descritos ou mensurados atravs de um
conjunto de propriedades:
Grafos podem ser
direcionados
169
ou no;
CAPTULO 7. TEORIA DE GRAFOS
170
ordem
tamanho
de um grafo corresponde ao seu nmero de vrtices;

de um grafo corresponde ao seu nmero de ares-
tas;
Vrtices, conectados por uma aresta, so ditos
adjacentes ;
A
ordem
vizinhos
ou
de um vrtice corresponde ao seu nmero de vizi-
nhos;
Um
caminho
uma lista de arestas que conectam dois vrti-
ces;
Um
ciclo
um caminho que comea e termina no mesmo
vrtice;
Um grafo sem ciclos denominado
acclico.
A lista acima no exaure as propriedades dos grafos, mas

suciente para esta introduo.
Podemos representar um grafo como um objeto Python de vrias maneiras, dependendo de como desejamos utiliz-lo. A forma
mais trivial de representao de um grafo em Python seria feita
utilizando-se um dicionrio. A Listagem 7.1 mostra um dicionrio
representando o grafo da gura 7.1.
Neste dicionrio, utilizamos
como chaves os vrtices do grafo associados a suas respectivas listas

de vizinhos.
Como tudo em Python um objeto, poderamos j
nos aproveitar dos mtodos de dicionrio para analisar nosso grafo

(Listagem 7.2).
Listagem 7.1: Denindo um grafo como um dicionrio.
1 >>> g = { ' a ' : [ ' c ' , ' d ' , ' e ' ] , ' b ' : [ ' d ' , ' e ' ] , ' c '
: [ 'a ' , 'd ' ] , 'd ' : [ 'b ' , ' c ' , 'a ' ] , ' e ' : [ 'a ' , 'b
' ]}
7.1. INTRODUO
171
Figura 7.1: Um grafo simples.
Podemos utilizar o mtodo
keys
para obter uma lista dos vr-
tices de nosso grafo.

Listagem 7.2: Obtendo a lista de vrtices.
1 >>> g . k e y s ( )
2
[ 'a ' ,
'c ' ,
'b ' ,
'e ' ,
'd ' ]
Uma extenso do conceito de grafos o conceito de redes. Redes

so grafos nos quais valores numricos so associados s suas arestas. Redes herdam as propriedade dos grafos e possuem algumas
propriedades especcas.
A representao de redes, a partir de objetos pitnicos simples,
como um dicionrio, tambm possivel.
Porm, para dar mais
alcance aos nossos exemplos sobre teoria de grafos, vamos nos uti-
172
lizar do pacote
NetworkX1
que j implementa uma representao
bastante completa de grafos e redes em Python.
7.2 NetworkX
NetworkX
O pacote
se presta criao, manipulao e estudo da
estrutura, dinmica e funes de redes complexas.

A criao de um objeto grafo a partir de seu conjunto de ares-
A, muito
{W, X, Y, Z}:
tas,
simples.
Seja um grafo
com vrtices
V =
G : A = {(W, Z), (Z, Y ), (Y, X), (X, Z)}

Listagem 7.3: Denindo um grafo atravs de seus vrtices
1 # Disponivel
no
pacote
de
programas
como :
g r a p h 1 . py
import
networkx
a s NX
3
4 G = NX. Graph ( )
5 G . add_edges_from ( [ ( 'W' , ' Z ' ) , ( ' Z ' , 'Y ' ) , ( 'Y ' , '
X ' ) , ( 'X ' , ' Z ' ) ] )
print
G. n o d e s ( ) , G. e d g e s ( )
Executando o cdigo acima, obtemos:
[0 Y 0 ,0 X 0 ,0 Z 0 ,0 W 0 ][(0 Y 0 ,0 X 0 ), (0 Y 0 ,0 Z 0 ), (0 X 0 ,0 Z 0 ), (0 Z 0 ,0 W 0 )]
Ao lidar com grafos, conveniente represent-los gracamente.
Vejamos como obter o diagrama do grafo da listagem 7.3:
Listagem 7.4: Diagrama de um grafo
1 https://networkx.lanl.gov/
7.2. NETWORKX
1 # Disponivel
173
no
pacote
de
programas
como :
g r a p h 2 . py
import
networkx
a s NX
3
4 G = NX. Graph ( )
5 G . add_edges_from ( [ ( 'W' , ' Z ' ) , ( ' Z ' , 'Y ' ) , ( 'Y ' , '
X ' ) , ( 'X ' , ' Z ' ) ] )
6
7
import
pylab
as P
8 NX. draw (G)

9 P . show ( )
A funcionalidade do pacote
NetworkX
bastante ampla.
seguir exploraremos um pouco desta funcionalidade.
Construindo Grafos
O
NetworkX oferece diferentes classes de grafos, dependendo do tipo
de aplicao que desejada. Abaixo, temos uma lista dos comandos

para criar cada tipo de grafo.
G=Graph() Cria um grafo simples e vazio G.

G=DiGraph() Cria grafo direcionado e vazio G.
G=XGraph() Cria uma rede vazia, ou seja, com arestas que podem receber dados.
G=XDiGraph() Cria uma rede direcionada.

G=empty_graph(n) Cria um grafo vazio com n vrtices.
G=empty_graph(n,create_using=DiGraph()) Cria um grafo
direcionado vazio com n vrtices.
G=create_empty_copy(H)
tipo que H.
Cria um novo grafo vazio do mesmo
174
Figura 7.2: Diagrama de um grafo
Manipulando Grafos
Uma vez de posse de um objeto grafo instanciado a partir de uma
das classes listadas anteriormente, de interesse poder manipul-lo
de vrias formas.
O prprio objeto dispe de mtodos para este
m:
G.add_node(n)
Adiciona um nico vrtice a G.
G.add_nodes_from(lista)
G.delete_node(n)
Adiciona uma lista de vrtices a G.
Remove o vrtice
G.delete_nodes_from(lista)
G.
de G.
Remove uma lista de vrtices de
7.2. NETWORKX
G.add_edge(u,v)
175
Adiciona a aresta
(u,v)
a G. Se G for um
grafo direcionado, adiciona uma aresta direcionada

Equivalente a
G.add_edge((u,v)).
G.add_edges_from(lista)
G.delete_edge(u,v)
u v .
Adiciona uma lista de arestas a G.
Remove a aresta
G.delete_edges_from(lista)
(u,v).
Remove uma lista de arestas de
G.
G.add_path(listadevertices)
Adiciona vrtices e arestas de forma
a compor um caminho ordenado.
G.add_cycle(listadevertices)
O mesmo que
add_path,
exceto
que o primeiro e o ltimo vrtice so conectados, formando

um ciclo.
G.clear()
Remove todos os vrtices e arestas de G.
G.copy()
Retorna uma cpia rasa do grafo G.
G.subgraph(listadevertices)
Retorna subgrafo correspondente
lista de vrtices.
Criando Grafos a Partir de Outros Grafos
subgraph(G, listadevertices)
Retorna subgrafo de G correspon-
dente lista de vrtices.
union(G1,G2)
Unio de grafos.
disjoint_union(G1,G2)
Unio disjunta, ou seja, assumindo que
todos os vrtices so diferentes.
2 Uma
cpia rasa signica que se cria um novo objeto grafo referenciando
o mesmo contedo. Ou seja, se algum vrtice ou aresta for alterado no grafo

original, a mudana se reete no novo grafo.
176
cartesian_product(G1,G2)
Produto cartesiano de dois grafos
(Figura 7.3).
compose(G1,G2)
Combina grafos, identicando vrtices com mesmo
nome.
complement(G)
Retorna o complemento do grafo(Figura 7.3).
create_empty_copy(G)
Cpia vazia de G.
convert_to_undirected(G)
Retorna uma cpia no direcionada
de G.
convert_to_directed(G)
Retorna uma cpia no direcionada
de G.
convert_node_labels_to_integers(G)
Retorna uma cpia com
os vrtices renomeados como nmeros inteiros.
Gerando um Grafo Dinamicamente

Muitas vezes, a topologia da associao entre componentes de um
sistema complexo no est dada a priori.
Frequentemente, esta
estrutura dada pela prpria dinmica do sistema.

No exemplo que se segue, simulamos um processo de contgio
entre os elementos de um conjunto de vrtices, observando ao nal,
a estrutura produzida pelo contgio.
Listagem 7.5: Construindo um grafo dinamicamente
1 # Disponivel
no
pacote
de
programas
g r a f o d i n . py
2
3
4
5
import
import
class
networkx
a s NX
t h r e a d i n g , random ,
Contagio :
pylab
as P
como :
7.2. NETWORKX
177
Figura 7.3: Grafo, produto cartesiano e complemento.
def
__init__ ( s e l f , nome ) :
s e l f . nome = nome
s e l f . doente = 0
9
10
11
12
13
def
s e l f . transmite ()
transmite ( s e l f ) :
if
for
G . d o e n t e s == G . o r d e r ( ) :
return
a l v o in
random . s a m p l e (G . n o d e s ( )
,3) :
14
15
16
i f not
alvo . doente :
G . add_edge ( ( s e l f , a l v o ) )
print
"%s
i n f e c t o u %s "%( s e l f
178
. nome ,
a l v o . nome )
17
t = t h r e a d i n g . Thread ( t a r g e t=
18
t . start ()
alvo . contraiu () )
19
def
contraiu ( s e l f ) :
20
s e l f . d o e n t e +=1
21
G . d o e n t e s +=1
22
s e l f . transmite ()
23
24 G = NX. XDiGraph ( )
25 G . d o e n t e s = 0
26
nos =
[ Contagio ( n )
for
in
xrange (80) ]
27 G . add_nodes_from ( n o s )
28
29
30
c a s o _ i n d i c e = G. n o d e s ( ) [ 0 ]
caso_indice . contraiu ()
print
" usamos %s
das
arestas
p o s s i v e i s "%(NX.
d e n s i t y (G) )
31
print
32
nomes = d i c t ( [ ( no , no . nome )
NX. d e g r e e _ h i s t o g r a m (G) , G . d o e n t e s
for
no
in
G. n o d e s
() ])
33 NX. draw (G, l a b e l s =nomes ,

s t y l e= ' d o t t e d ' ,
a l p h a = 0 . 7 , w i d t h =2 ,
n o d e _ s i z e =450 ,
font_size
=14)
34 P . s a v e f i g ( ' c o n t a g i o . png ' , d p i =400)

35 P . show ( )
Mdulo threading:
Permite executar mais de uma parte do
programa em paralelo, em um o de execuo independente.

Este os, compartilham todas as variveis globais e qualquer
alterao nestas imediatamente visvel a todos os outros os.
O objeto grafo do
NetworkX
aceita qualquer objeto como um
vrtice. Na listagem 7.5, nos valemos deste fato para colocar ins-
7.2. NETWORKX
tncias da classe
179
Contagio
como vrtices do grafo
G.
O grafo G
contrudo somente por vrtices (desconectado). Ento infectamos

um vrtice do grafo, chamando o seu mtodo
contraiu().
O vr-
tice, aps declarar-se doente e incrementar o contador de doentes

a nvel do grafo, chama o mtodo
O mtodo
transmite
transmite().
assume que durante seu perodo infec-
cioso, cada vrtice tem contatos efetivos com apenas dez outros
vrtices.
Ento cada vrtice ir transmitir para cada um destes,
desde que no estejam j doentes.

Cada vrtice infectado inicia o mtodo
read separado.
contraiu
em um th-
Isto signica que cada vrtice sai infectando os
restantes, em paralelo. Na verdade, como o interpretador Python

s executa uma instruo por vez, cada um destes objetos recebe
do interpretador uma fatia de tempo por vez, para executar suas
tarefas. Pode ser que o tempo de uma destas fatias seja suciente
para infectar a todos no seu grupo, ou no. Depois que o processo
se desenrola, temos a estrutura do grafo como resultado (Figura
7.4)
Construindo um Grafo a Partir de Dados

O conceito de grafos e redes extremamente til na representao
e anlise de sistemas complexos, com muitos componentes que se
relacionam entre si. Um bom exemplo uma rede social, ou seja,
uma estrutura de interao entre pessoas.
Esta interao pode
ser medida de diversas formas. No exemplo que se segue, vamos

tentar inferir a rede social de um indivduo, por meio de sua caixa
de mensagens.
Listagem 7.6: Construindo uma rede social a partir de e-mails
1 # Disponivel
no
pacote
mnet . py
2
3
import
import
email ,
sys
email . Errors
de
programas
como :
180
Figura 7.4: Resultado da simulao do exemplo 7.5.
4
5
6
7
8
import m a i l b o x
import n e t w o r k x a s NX
from p y l a b import show
def
return e m a i l . m e s s a g e _ f r o m _ f i l e ( f p )
except e m a i l . E r r o r s . M e s s a g e P a r s e E r r o r :
return ' '
10
11
12
13
14
15
msgfactory ( fp ) :
try :
def
s t a r G ( mess , G) :
try :
7.2. NETWORKX
181
16
c e n t r o = me s s . g e t ( ' f r o m ' ) . s p l i t ( )
17
pontas =
1]. s t r i p (
for
'<> ' )
[ j . s p l i t () [
j
in
1]. s t r i p (
split ( ' , ') ]
18
arestas =
'<> ' )
m es s . g e t _ a l l ( ' t o ' ) [ 0 ] .
[ ( centro , k)
for
in
pontas ]
19
G . add_edges_from ( a r e s t a s )
return G
except :
print ' f a l h o u '
20
21
22
23
24
d i r= ' /home/ f l a v i o / M a i l / i n b o x '
25 # V e j a
documentacao
26 # p a r a
outros
tipo
do
de
modulo
27 mbox = m a i l b o x . M a i l d i r ( d i r ,
mailbox
do
mailbox
mailboxes .
msgfactory ) #
kmail
28 G = NX. DiGraph ( )
29
for
in
= mbox . n e x t ( )
30
31
32
xrange (50) :
s t a r G ( i , G)
print
G. n o d e s ( )
33 G = NX. c o n v e r t _ n o d e _ l a b e l s _ t o _ i n t e g e r s (G)
34 NX. draw (G,
w i d t h =2 ,
s t y l e= ' d o t t e d ' ,
alpha
=0.5)
35
show ( )
Na Listagem 7.6, usamos dois mdulos interessantes da bibli-
oteca padro do Python: O mdulo
mailbox.
Mdulo email:
por emails.
email
e o mdulo mailbox.
Mdulo para decodicar, manusear, e com-
182
Mdulo mailbox:
Conjuto de classes para lidar com caixas
de correio no formato Unix, MMDF e MH.

Neste exemplo, utilizei a minha mailbox associada com o programa Kmail; portanto, se voc usa este mesmo programa, basta
substituir o diretrio de sua mailbox e o programa ir funcionar
para voc. Caso use outro tipo de programa de email, consulte a
documentaao do Python para buscar a forma correta de ler o seu
mailbox.
A classe
Maildir
retorna um iterador, que por sua vez, retor-
nar mensagens decodicadas pela funo msgfactory, denida por

ns.
Esta funo se utiliza do mdulo email para decodicar a
mensagem.
Cada mensagem recebida processada para gerar um grafo do
tipo estrela, com o remetente no centro e todos os destinatrios
da mensagem nas pontas. Este grafo ento adicionado ao grafo
original, na forma de uma lista de arestas.
Depois de todas as
mensagens terem sido assim processadas, geramos a visualizao

do grafo (Figura 7.5).
7.3 Exerccios
1. Determine o conjunto de arestas
que maximiza o tamanho
do grafo cujos vrtices so dados por
V = {a, b, c, d, e}.
2. No exemplo do contgio, verique se existe alguma relao

entre o tamanho da amostra de cada vrtice e a densidade
nal do grafo.
3. Ainda no exemplo do contgio, refaa o experimento com um
grafo de topologia dada a priori no qual os vrtices s podem
infectar seus vizinhos.
7.3. EXERCCIOS
183
Figura 7.5: Rede social a partir de mensagens de email.
4. Insira um print no lao for do exemplo 7.6 para ver o formato

de sada do iterador mbox.
5. Modique o programa 7.6 para associar apenas mensagens
que contm uma palavra em comum.
Captulo 8
Interao com Bancos de

Dados
Apresentao dos mdulos de armazenamento de dados

Pickle e Sqlite3 que fazem parte da distribuio padro
do Python. Apresentao do pacote SQLObject para
comunicao com os principais sistemas de bancos de
dados existentes. Pr-requisitos: Conhecimentos bsicos de bancos de dados e SQL.
gerenciamento de dados no se constitui numa disciplina cientca per se. Entretanto, cada vez mais, permeia as atividades
bsicas de trabalho cientco. O volume crescente de dados e o aumento de sua complexidade h muito ultrapassou a capacidade de
gerenciamento atravs de simples planilhas.
Atualmente, muito comum a necessidade de se armazenar dados quantitativos, qualitativos e mdias dos mais diferentes formatos(imagens, vdeos, sons) em uma plataforma integrada de onde
possam ser facilmente acessados para ns de anlise, visualizaco
ou simplesmente consulta.
A linguagem Python dispe de solues simples para resolver
esta necessidade em seus mais distintos nveis de sosticao. Seguindo a losoa de baterias includas do Python, a sua biblioteca
185
186
CAPTULO 8. INTERAO COM BANCOS DE DADOS
padro nos apresenta o mdulo Pickle e cPickle e, a partir da verso

2.5, o banco de dados relacional sqlite3.
8.1 O Mdulo Pickle

O mdulo
pickle
e seu primo mais veloz
cPickle,
implementam
algoritmos que permitem armazenar, em um arquivo, objetos implementados em Python.

Listagem 8.1: Exemplo de uso do mdulo
In
In
3
4
import p i c k l e
[ 2 ] : class o i :
.2.:
def d i g a o i ( s e l f ) :
.2.:
print " o i "
pickle
[1]:
In
[ 3 ] : a= o i ( )
In
[ 4 ] : f = o p e n ( ' p i c t e s t e ' , 'w ' )
In
[ 5 ] : p i c k l e . dump ( a , f )
In
[ 6 ] : f . close ()
In
[ 7 ] : f = open ( ' p i c t e s t e ' , ' r ' )
10
In
[ 8 ] : b=p i c k l e . l o a d ( f )
11
In
[ 9 ] : b . digaoi ()
12
oi
Como vemos na listagem 8.1, com o mdulo pickle podemos armazenar objetos em um arquivo, e recuper-lo sem problemas para uso
posterior.
Contudo, uma caracterstica importante deste mdulo
no ca evidente no exemplo 8.1.

nado por meio do mdulo
pickle,
Quando um objeto armazenem o cdigo da classe, nem
seus dados, so incluidos, apenas os dados da instncia.
In
[10]:
.10.:
.10.:
class
def
oi :
d i g a o i ( s e l f , nome= ' f l a v i o ' ) :
print
' o i %s ! '%nome
4
5
In
[ 1 1 ] : f = open ( ' p i c t e s t e ' , ' r ' )
8.2. O MDULO SQLITE3

6
In
In
[ 1 3 ] : b . digaoi ()
oi
flavio !
187
[ 1 2 ] : b=p i c k l e . l o a d ( f )
Desta forma, podemos modicar a classe, e a instncia armazenada reconhecer o novo cdigo ao ser restaurada a partir do
arquivo, como podemos ver acima.
que os
pickles
Esta caracterstica signica
no se tornam obsoletos quando o cdigo em que
foram baseados atualizado (naturalmente isto vale apenas para

modicaes que no removam atributos j includos nos
O mdulo
pickle
pickles).
no foi construdo para armazenamento de
dados, pura e simplesmente, mas de objetos computacionais complexos, que podem conter em si, dados. Apesar desta versatilidade,
peca por consistir em uma estrutura de armazenamento legvel apenas pelo prprio mdulo
pickle
em um programa Python.
8.2 O mdulo Sqlite3

Este mdulo passa a integrar a biblioteca padro do Python a partir
da verso 2.5.
Portanto, passa a ser uma excelente alternativa
para usurios que requerem a funcionalidade de um banco de dados

relacional compatvel com
SQL1 .
O Sqlite nasceu de uma biblioteca em
que disponibilizava
um banco de dados extremamente leve e que dispensa o conceito

servidor-cliente. No
sqlite,
nipulado atravs da biblioteca
o banco de dados um arquivo ma-
sqlite.
Para utilizar o sqlite em um programa Python, precisamos importar o mdulo
In
[1]:
1 SQL
sqlite3.
import
sqlite3
signica Structured Query Language. o
SQL um padro internaci-
onal na interao com bancos de dados relacionais. Para saber mais, consulte
http://pt.wikipedia.org/wiki/SQL
188

O prximo passo a criao de um objeto conexo, atravs
do qual podemos executar comandos SQL.
In
[2]: c =
s q l i t e 3 . c o n n e c t ( ' /tmp/ e x e m p l o ' )
Agora dispomos de um banco de dados vazio, consistindo no

arquivo
exemplo,
localizado no diretrio
/tmp.
sqlite
tambm
permite a criao de bancos de dados em RAM; para isso basta
:memory:.
substituir o nome do arquivo pela string
Para po-
dermos inserir dados neste banco, precisamos primeiro criar uma

tabela.
In
[3]: c.
execute ( ' ' ' c r e a t e
nome
text ,
altura
2 Out [ 3 ] : < s q l i t e 3 . C u r s o r
Note que os comandos
objeto
Connection,
real ,
table
especimes (
peso
object
at
real ) ' ' ' )

0 x83fed10>
SQL so enviados como strings atravs do

execute. O comando create table
mtodo
cria uma tabela; ele deve ser necessriamente seguido do nome da

tabela e de uma lista de variveis tipadas(entre parnteses), correspondendo s variveis contidas nesta tabela. Este comando cria
apenas a estrutura da tabela.
Cada varivel especicada corres-
ponder a uma coluna da tabela.
Cada registro, inserido subse-
quentemente, formar uma linha da tabela.
In
[4]: c.
execute ( ' ' ' i n s e r t
into
especimes
v a l u e s ( ' tom ' , 1 2 . 5 , 2 . 3 ) ' ' '

O comando
insert
mais um comando
registros em uma tabela.

Apesar dos comandos
SQL
SQL
til para inserir
serem enviados como strings atravs
da conexo, no se recomenda, por questo de segurana, utilizar

os mtodos de formatao de strings ( ' ... values(%s,%s)'%(1,2))
do Python. Ao invs, deve-se fazer o seguinte:
In
[ 5 ] : t = ( ' tom ' , )
In
[ 6 ] : c . execute ( ' s e l e c t
where
nome=? ' , t )
from
especimes
8.2. O MDULO SQLITE3

3
In
[ ( ' tom ' ,
189
[ 7 ] : c . fetchall ()
12.5 ,
2.2999999999999998) ]
No exemplo acima utilizamos o mtodo

rar o resultado da operao.
registro, usaramos
fetchone.
fetchall para recupe-
Caso desejssemos obter um nico
Abaixo, vemos como inserir mais de um registro a partir de

estruturas de dados existentes.
Neste caso, trata-se de repetir a
operao descrita no exemplo anterior, com uma sequncia de tuplas representando a sequncia de registros que se deseja inserir.
In
[ 8 ] : t = ( ( ' j e r r y ' , 5 . 1 , 0 . 2 ) , ( ' butch '
In
[9]:
,42.4 ,10.3) )
for
.9.:
in
t :
c . execute ( ' i n s e r t
into
especimes
values (? ,? ,?) ' , i )
O objeto
cursor
tambm pode ser utilizado como um iterador
para obter o resultado de uma consulta.
In
[ 1 0 ] : c . execute ( ' s e l e c t
by
In
from
especimes
peso ' )
[11]:
for
r e g in c :
print r e g
( ' jerry ' ,5.1 ,0.2)
( ' tom ' ,
( ' butch ' , 4 2 . 4 , 1 0 . 3 )
12.5 ,
2.2999999999999998)
O mdulo sqlite realmente verstil e til, porm, requer que

o usurio conhea, pelo menos, os rudimentos da linguagem
SQL.
A soluo apresentada a seguir procura resolver este problema de

uma forma mais pitnica.
190
8.3 O Pacote SQLObject

O pacote SQLObject
2 estende as solues apresentadas at agora
de duas maneiras: oferece uma interface orientada a objetos para

bancos de dados relacionais e, tambm, nos permite interagir com
diversos bancos de dados sem ter que alterar nosso cdigo.
Para exemplicar o
sqlobject, continuaremos utilizando o sqlite
devido sua praticidade.
Construindo um aranha digital

Neste exemplo, teremos a oportunidade de construir uma aranha
digital que recolher informaes da web (Wikipedia ) e as armazenar em um banco sqlite via sqlobject.
Para este exemplo, precisaremos de algumas ferramentas que
vo alm do banco de dados.
Vamos explorar a capacidade da
biblioteca padro do Python para interagir com a internet, e vamos nos utilizar de um pacote externo para decodicar as pginas
obtidas.
Listagem 8.2: Mdulos necessrios
1 # disponivel
no
pacote
de
programas
como :
a r a n h a . py
2
3
4
import n e t w o r k x a s NX
from B e a u t i f u l S o u p import
from
BeautifulSoup
BeautifulSoup
as
SoupStrainer ,
BS
import
BeautifulStoneSoup
a s XS
5
6
import s y s , o s , u r l l i b 2 ,
from s q l o b j e c t import
2 http://www.sqlobject.org/
3 http://pt.wikipedia.org
urllib ,
re
8.3. O PACOTE SQLOBJECT

O pacote
BeautifulSoup4
191
um destrinchador de pginas da
web. Um dos problemas mais comuns ao se lidar com pginas html,

que muitas delas possuem pequenos defeitos em sua construo
que nossos navegadores ignoram, mas que podem atrapalhar uma
anlise mais minuciosa. Da o valor do
BeautifulSoup;
ele ca-
paz de lidar com pginas defeituosas, retornando uma estrutura de

dados com mtodos que permitem uma rpida e simples extrao
da informao que se deseja.
com outra codicao, o
Alm disso, se a pgina foi criada
BeautifulSoup,
retorna todo o contedo
em Unicode, automaticamente, sem necessidade de interveno do

usurio.
Da biblioteca padro, vamos nos servir dos mdulos
urllib, urllib2
re.
sys, os,
A utilidade de cada um car clara
medida que avanarmos no exemplo.

O primeiro passo especicar o banco de dados. O sqlobject
MySQL, PostgreSQL, sqlite, Firebird,

ADODBAPI. Entretanto, conforme j exrestringiremos ao uso do banco sqlite.
nos permite escolher entre
MAXDB, Sybase, MSSQL,

plicamos, nos
ou
Listagem 8.3: Especicando o banco de dados.
l a r a c n a d i r = os . path . expanduser ( ' ~/. l a r a c n a '
i f not
10
11
os . path . e x i s t s ( l a r a c n a d i r ) :
o s . mkdir ( l a r a c n a d i r )
sqlhub . p r o c e s s C o n n e c t i o n = connectionForURI (
' s q l i t e : / / '+l a r a c n a d i r+ ' / knowdb ' )
Na listagem 8.3, criamos o diretrio(os.mkdir) onde o banco
de dados residir (se necessrio) e denimos a conexo com o

banco.
Utilizamos
os.path.exists
para vericar se o diretrio
existe. Como desejamos que o diretrio que na pasta do usurio,

e no temos como saber, de antemo, qual este diretrio, utiliza-
4 http://www.crummy.com/software/BeautifulSoup/
192
mos
os.path.expanduser
para substituir o
por
/home/usuario
como aconteceria no console unix normalmente.

Na linha 11 da listagem 8.3, vemos o comando que cria a conexo a ser utilizada por todos os objetos criados neste mdulo.
Em seguida, passamos a especicar a tabela do nosso banco
de dados como se fora uma classe, na qual seus atributos so as
colunas da tabela.
Listagem 8.4: Especicando a tabela
16
class
ideia
do banco de dados.
I d e i a ( SQLObject ) :
17
nome = U n i c o d e C o l ( )
18
nlinks = IntCol ()
19
links
20
ender = StringCol ( )
= PickleCol ()
A classe que representa nossa tabela herdeira da classe
SQLObject.
Nesta classe, a cada atributo (coluna da tabela) deve ser atribuido

um objeto que dene o tipo de dados a ser armazenado.
Neste
exemplo, vemos quatro tipos distintos, mas existem vrios outros.
UnicodeCol
representa textos codicados como Unicode, ou seja,
podendo conter caracteres de qualquer lngua.

a nmeros inteiros.
PickleCol
IntCol corresponde
um tipo muito interessante pois
permite armazenar qualquer tipo de objeto Python.
O mais in-
teressante deste tipo de coluna, que no requer que o usurio

invoque o mdulo pickle para armazernar ou ler este tipo de varivel, As variveis so convertidas/reconvertidas automaticamente,
StringCol que uma

UnicodeCol, aceitando apenas strings de
SQL comum termos que especicar dife-
de acordo com a operao. Por m, temos

verso mais simples de
caracteres
ascii.
Em
rentes tipos, de acordo com o comprimento do texto que se deseja

armazenar em uma varivel.
No
sqlobject,
no h limite para
o tamanho do texto que se pode armazenar tanto em

quanto em
UnicodeCol
StringCol
193
A funcionalidade da nossa aranha foi dividida em duas classes:
Crawler,
que o rastejador propriamente dito, e a classe
UrlFac
que constri as urls a partir da palavra que se deseja buscar na

Wikipedia.
Cada pgina puxada pelo mdulo
urllib2.
A funo
urlencode
do mdulo urllib, facilita a adio de dados ao nosso pedido, de

forma a no deixar transparecer que este provm de uma aranha
digital. Sem este disfarce, a Wikipedia recusa a conexo.
o
a
A pginas so ento analisadas pelo mtodo verResp, no qual

BeautifulSoup tem a chance de fazer o seu trabalho. Usando
funo SoupStrainer, podemos ltrar o resto do documento,
que no nos interessa, analizando apenas os links (tags 'a') cujo

destino so urls comeadas pela string /wiki/.
da wikipedia, comeam desta forma.
Todos os artigos
Assim, evitamos perseguir
links externos. A partir da sopa produzida, extramos apenas as

urls, ou seja, o que vem depois de
href=.
Podemos ver na listagem
8.5 que fazemos toda esta ltragem sosticada em duas linhas de

cdigo(55 e 56), graas ao
BeautifulSoup.
Listagem 8.5: Restante do cdigo da aranha.
15
16
urlatual =
class
' '
I d e i a ( SQLObject ) :
17
nome = U n i c o d e C o l ( )
18
nlinks = IntCol ()
19
links
20
ender = StringCol ( )
21
22
23
24
25
= PickleCol ()
class C r a w l e r :
try :
Ideia . createTable ()
27
except :
pass
28
s e l f . SU =
26
, s t a r t u r l , depth ) :
starturl
194
29
s e l f . depth = depth
30
s e l f . f i l a =[]
31
s e l f . depth = depth
32
s e l f . curdepth = 0
33
s e l f . started = 0
34
s e l f . nlinks = 0
35
s e l f . history =
36
s e l f . G = NX. Graph ( )
37
def
[]
parsePag ( s e l f , urlend ) :
38
urlatual = urlend
39
user_agent =
' Mozilla /4.0
compatible ;
MSIE
5.5;
Windows NT
) '
40
v a l u e s = { ' name '
41
' location '
42
' language '
43
Smith ' ,
' Python '
user_agent
data =
' John
' Northampton ' ,

}
' U s e r Agent '
headers = {
44
u r l l i b . urlencode ( values )
45
print
" Abrindo
46
req =
u r l l i b 2 . Request ( u r l e n d , data ,
47
fd =
48
html = f d . r e a d ( )
",
urlend
headers )
return
49
50
51
u r l l i b 2 . urlopen ( req )
def
html
ver Resp ( s e l f , html ) :
52
' ' '
53
Verifica
54
' ' '
55
lnkart = SoupStrainer ( ' a ' ,
se
resposta
e um
c o m p i l e ( ' ^/ w i k i / ' ) )
56
artlist
[ tag [ ' h r e f ' ]
BS ( html ,
hit
for
ou
nao
h r e f=r e .
tag
in
p a r s e O n l y T h e s e=l n k a r t ) ]

if
57
195
a r t l i s t [ 0 ] . e n ds wi t h ( ' Disambig . svg

'):
58
s e l f . f i l a . append ( ' h t t p : / / '+

l a n g a t u a l+ ' . w i k i p e d i a . o r g '+
artlist [3])
59
self . curlinks =
artlist
61
self . curlinks =
artlist
62
I d e i a ( nome=n o m e a t u a l , n l i n k s =
else :
60
len ( a r t l i s t ) ,
links
a r t l i s t , ender = u r l a t u a l )
63
s e l f . G . add_edges_from ( [ (
for
nomeatual , i )
if
64
65
66
in
self .
curlinks ])
s e l f . curdepth >
return
s e l f . depth :
s e l f . f i l a . e x t e n d ( [ ' h t t p : / / '+
l a n g a t u a l+ ' . w i k i p e d i a . o r g ' +
for
67
68
69
70
71
72
73
in
artlist ])
s e l f . c u r d e p t h +=1
def
move ( s e l f ) :
i f not s e l f . f i l a :
i f not s e l f . s t a r t e d :
while
s e l f . f i l a . append ( s e l f . SU )
self . fila :
74
s e l f . started = 1
75
urlatual =
76
nomeatual = u r l a t u a l . s p l i t ( ' / ' )

[ 1]
78
if
if
79
print
77
s e l f . f i l a . pop ( 0 )
":"
in
nomeatual :
nomeatual
in
s e l f . history :
" buscando
continue
[ ' Main_page ' ]+
continue
",
nomeatual ,
196

print
try :
80
81
82
" Faltam
html =
",
len ( s e l f . f i l a )
s e l f . parsePag (
urlatual )
84
except :
continue
85
s e l f . ve rResp ( html )
86
s e l f . nlinks
87
s e l f . h i s t o r y . append ( n o m e a t u a l )
83
+=1
88
89
90
91
92
class U r l F a c :
def __init__ ( s e l f , l a n g= ' e n ' ) :
global l a n g a t u a l
93
s e l f . lang = lang
94
langatual = lang
def
95
u r l i f i c a ( s e l f , palavra ) :
96
nomeatual = p a l a v r a
97
u = " h t t p : / / "+ s e l f . l a n g+" . w i k i p e d i a .
98
urlatual = u
o r g / w i k i / "+p a l a v r a
return
99
100
101
if
__name__=="__main__" :
102
UF = U r l F a c ( ' p t ' )
103
u = UF . u r l i f i c a ( s y s . a r g v [ 1 ] )
104
Cr = C r a w l e r ( u , 1 )
105
Cr . move ( )
A listagem 8.5 mostra o restante do cdigo da aranha e o lei-
tor poder explorar outras soluo implementadas para otimizar

o trabalho da aranha.
Note que no estamos guardando o html
completo das pginas para minimizar o espao de armazenamento,

mas este programa pode ser modicado facilmente de forma a reter
8.4. EXERCCIOS
197
todo o contedo dos artigos.
8.4 Exerccios
1. Modique a aranha apresentada neste captulo, para guardar
os documentos varridos.
2. Crie uma classe capaz de conter os vrios aspectos (links,
guras, etc) de um artigo da wikipedia, e utilize a aranha para
criar instncias desta classe para cada artigo encontrado, a
partir de uma nica palavra chave. Dica: para simplicar a
persistncia, armazene o objeto artigo como um Pickle, no
banco de dados.
Captulo 9
Simulaes Estocsticas
Seleo de problemas relacionados com a simulao e

anlise de processos estocsticos. Pr-requisitos: Conhecimentos avanados de estatstica.
este
captulo, ilustraremos mtodos computacionais voltados
para a gerao e anlise de processos estocsticos.
Em probabilidade, um processo estocstico uma funo que
produz resultados aleatrios.
Se o domnio desta funo for o
tempo, o processo estocstico se manifestar como uma srie temporal. Processos estocsticos espaciais, geram os chamados campos
aleatrios
Exemplos de processo estocticos so sries temporais de preos
de aes, utuaes de populaes, distribuio espacial de poluio particulada.
Muitos processos estocsticos naturais possuem estrutura em
meio aleatoriedade. Muitas das tcnicas desenvolvidas para lidar
com estes processos visam encontrar esta estrutura.
9.1 Nmeros Aleatrios

Ao se estudar processos estocsticos por meio computacional, o
primeiro problema que se precisa resolver o da gerao de nme199
CAPTULO 9. SIMULAES ESTOCSTICAS
200
ros aleatrios de forma convel. Felizmente, hoje em dia, pacotes

como o
numpy
ou o
scipy,
fornecem geradores de nmeros aleat-
rios de qualidade para muitas famlias de distribuies, de forma

que na maioria das vezes no precisamos nos preocupar com este
problema.
Vez por outra, problemas de amostragem mais com-
plexos podem exigir geradores mais sosticados.
Neste captulo
exploraremos algumas destas situaes.
Hipercubo Latino - LHS

A tcnica de amostragem do hipercubo latino, mais conhecida pelo
seu nome original Latin Hypercube Sampling ou simplesmente
LHS, uma tcnica de gerao de amostras aleatrias a partir de
uma distribuio conhecida.
O diferencial deste algoritmo que
ele garante a amostragem de reas de baixa probabilidade, mesmo

em amostras de tamanho pequeno a moderado (Figura 9.1).
A vantagem de se utilizar o LHS est na reduo do custo computacional necessrio para cobrir o espao amostral, sem deixar
brechas signicativas.
O algoritmo do LHS funciona particionando o suporte da varivel em um nmero
de intervalos equiprovveis, onde
nmero de amostras que se deseja obter (Figura 9.2).
Ento re-
tiramos uma amostra de cada intervalo (quantis) denido no eixo
da gura 9.2 .
Isto feito por amostragem uniforme naqueles
intervalos (Linha 8 da listagem 9.1).
Invertendo-se a funo de
x correspondentes.
ppf (percentile point
densidade acumulada, obtemos as amostras de

Esta inverso calculada por meio da funo
function) que o inverso da funo de densidade acumulada (Linha 9 da listagem 9.1).
As amostras assim geradas equivalem a
amostras retiradas da distribuio de

homognea do seu suporte.
x,
mas com uma cobertura
Na listagem 9.1, a amostragem por
Hipercubo Latino implementadada como uma funo de apenas
1 Veja
no programa
lhsexp.py
como o grco da gura 9.2 foi gerado
9.1. NMEROS ALEATRIOS
201
Figura 9.1: Amostragem (n=20) de uma distribuio normal com

mdia 0 por LHS (histograma mais escuro) e amostragem padro
do scipy (histograma mais claro).
trs linhas, graas utizao dos geradores de nmeros aleatrios

disponveis no mdulo
stats do scipy.
Neste mdulo os geradores
rvs
ppf(ou percentile point function)
so classes portadoras de mtodos muito convenientes como o

que gera amostras aleatrias, e o
que representa a inversa da funo de densidade acumulada. Alm

dos mtodos utilizados neste exemplo, existem muitos outros. O
leitor encorajado a explorar estas classes e seus mtodos.
Listagem 9.1: Amostragem por Hipercubo latino (LHS)
1 #! / u s r / b i n / p y t h o n
2 # Disponivel
no
pacote
de
programas
como :
202
Figura 9.2: Distribuio acumulada da varivel
x N (0, 1),
mos-
trando o particionamento do espao amostral em segmentos equiprovveis.
from
l h s . py
pylab
import
plot ,
f i g u r e , h i s t , show ,
savefig
4
5
6
7
import
import
def
scipy . stats
as
stats
numpy
lhs ( dist ,
parms ,
n =100) :
p e r c = numpy . a r a n g e ( 0 , 1 . , 1 . / n )
smp =
10
v =
[ s t a t s . uniform ( i , 1 . / n ) . rvs ( )
in
for
perc ]
d i s t ( parms [ 0 ] , 1 . / parms [ 1 ] ) . p p f ( smp )
9.2. INFERNCIA BAYESIANA

return
11
12
13
if
203
__name__== '__main__ ' :
14
c=l h s ( s t a t s . norm ,
15
hist (c)
16
n =
17
h i s t ( n . r a v e l ( ) , f a c e c o l o r= ' r ' , a l p h a
18
s a v e f i g ( ' l h s . png ' , d p i =400)
19
show ( )
[0 ,1] ,20)
s t a t s . norm . r v s ( s i z e =20)
=0.3)
9.2 Inferncia Bayesiana

Atualmente, a resoluo de problemas de inferncia Bayesiana de
considervel complexidade, tem se tornado cada vez mais acessvel,
graas
utilizao de mtodos computacionais. Isto no signica
que a computao bayesiana seja simples; pelo contrrio.
Entre-
tanto, as vantagens da inferncia Bayesiana sobre a abordagem

frequentista, justicam um certo esforo por parte do pesquisador
no sentido de dominar estas tcnicas.
Antes de chegarmos s tcnicas computacionais utilizadas para
resolver os problemas da inferncia Bayesiana, vamos nos deter
um pouco sobre o porqu da intratabilidade analtica da inferncia
Bayesiana, aplicada a modelos complexos.
Sejam dois eventos
dado
F.
A probabilidade condicional de
dada por:
P (E | F ) =
P (E F )
P (F )
A partir desta frmula, podemos obter a verso mais simples

do teorema de Bayes.
P (E | F ) =
P (F | E)P (E)
P (F )
204
Se particionarmos o eventos
em
eventos, mutuamente ex-
cludentes, pelo teorema da probabilidade total, chegaremos verso mais comumente utilizada da frmula de Bayes:
P (F | Ei )P (Ei )
P (Ei | F ) = Pn
i=1 P (F | Ei )P (Ei )
O teorema de Bayes nos permite calcular as probabilidades de um
conjunto de hipteses explanatrias (Ei ), dado que observamos certos fatos (F ):
P (Ei | F ).
Mas o teorema de Bayes tambm nos
diz que estas probabilidades dependem das probabilidades
ori
das hipteses
P (Ei )
(antes da observao dos fatos).
a pri-
Dadas
estas, o teorema de Bayes nos fornece uma excelente ferramenta

para atualizao de nossos conhecimentos prvios,
novos fatos
P (Ei )
luz de
P (Ei | F ).
A denio acima reete uma situao em que temos um conjunto discreto de hipteses explanatrias (Ei ), sobre as quais desejamos realizar nossa inferncia.
Quando nossas hipteses so
representadas, no por um conjunto enumervel de opes, mas

pelo valor de uma ou mais variveis contnuas,
dos denotados por
X,
representados por distribuies de probabilidade

condicionados s hipteses,
de verossimilhana
e os fatos ou da-
nossos conhecimentos prvios passam a ser
f (x | ),
p()
e os dados,
so representados pela funo
L(; x).
Com a ajuda de alguma lgebra e do teorema da probabilidade

total, em sua verso contnua, chegamos forma contnua do teorema de Bayes:
( | x) = R
p()L(; x)
L(; x)p()d
Ao resolvermos a integral no denominador, este deixa de ser

uma funo de
e torna-se apenas uma constante de proporciona-
lidade que garante que a integral de
( | x)
seja igual a
nos permite re-escrever a equao acima como:
1.
Isto
9.3. SIMULAOES ESTOCSTICAS
205
( | x) p()L(; x)
Logo, a densidade posterior de
a priori
proporcional sua densidade
multiplicada pela verossimilhana.
Conforme vimos acima, a inferncia Bayesiana pode ser bastante intuitiva, conceitualmente. Na prtica, porm, quando queremos calcular a distribuio posterior dos parmetros, nos deparamos com vrios problemas numricos de considervel diculdade.
Para encontrar a constante de proporcionalidade mencionada
na seo anterior, precisamos integrar o produto da distribuio
a priori
.
dos parmetros pela verossimilhana, sobre o suporte de
Se este suporte innito e/ou multidimensional, temos um
problema de integrao numrica complicadssimo.

Uma vez obtida a constante de proporcionalidade, se o espao
de parmetros multidimensional, encontrar as distribuies marginais para cada um deles, tambm um problema de integrao
numrica difcil.
9.3 Simulaoes Estocsticas

Se no podemos determinar de forma exata, analtica ou numericamente, as distribuies posteriores geradas pelo teoremas de Bayes,
s nos resta tentar simular amostras destas distribuies e estudlas.
Esta abordagem denominada mtodo de Monte Carlo, em
homenagem ao famoso cassino de Mnaco.

2
Suponhamos que precisemos resolver a seguinte integral :
2 Para
humanizar um pouco esta equao, imagine que
a probabilidade condicional de y dado x, e que

probabilidade de x.
g(x)
f (y | x)
representa
a funo de densidade de
206
Z
J(y) =
Se
g(x)
f (y | x)g(x)dx = E[f (y | x)] < +
uma densidade da qual podemos amostrar, podemos
aproximar nossa integral da seguinte forma:
X
= 1
J(y)
f (y | xi )
n i=1
onde
xi , . . . , xn g(x).
Pela lei dos grandes nmeros, esta
estimativa se aproximar assintoticamente de
J(y).
Vejamos um exemplo: gostaramos de encontrar a integral da
y = x no intervalo [0, 1]. Pela frmula da rea do trin(base altura)/2 o resultado exato 0.5. Na listagem 9.2,
nosso g(x) passa a ser uma distribuio uniforme entre 0 e 1, visto
funo
gulo,
que este o intervalo sobre qual desejamos integrar nossa funo.

Vemos que quanto maior o nmero de amostras de
estimativa se aproximar de
0.5
Listagem 9.2: Integrao Monte Carlo
1
2
from
from
numpy
import
import
numpy . random
3 # desejamos
rea
4 # dada
funo
5 # ou
6
pela
seja :
y=x
0.5
x = uniform ( 0 , 1 , 5 0 0 0 )
7 # Seja
8
embaixo
f (y | x) = x
J = 1 . / 5 0 0 0 sum ( x )
print
d e uma
reta
x,
mais nossa
9.4. AMOSTRAGEM POR REJEIO
207
9.4 Amostragem por Rejeio

Suponhamos que se deseje obter amostras de uma funo de densidade p(x), com suporte no
x [a, b]. Ento denimos:
intervalo
[a, b],
tal que
p(x) m,
X U [a, b)
e
Y U [0, m)
Geramos
um valor de
x e y a partir destas distribuies e aceitamos x como

p(x) se y < f (x), caso contrario, rejeitamos a amostra
e tentamos novamente. Este procedimento signica que denimos

uma funo constante
f (x) = m, que funciona como um envelope
para o nosso processo de amostragem.

Em suma, geramos um valor
X e
f (x)/m, caso contrrio
a partir do suporte de
aceitamos este valor com uma probabilidade

rejeitamos e tentamos novamente.
A ecincia deste mtodo depende da proporo de pontos

amostrados que so aceitos.
A probabilidade de aceitao para
este mtodo :
P (aceitar) = P ((X, Y ) A)
Z
P ((X, Y ) A | X = x)
=
a
1
f (x)
dx
m
b
a
a
Z b
1
=
f (x) dx
m(b a) a
1
m(b a)
1
dx
ba
208
Se a probabilidade de aceitao for muito baixa, devemos buscar um outro mtodo mais eciente. Especialmente para distribuies com suporte innito, a escolha de uma funo envelope mais
adequada, pode ajudar a aumentar a ecincia da amostragem.
Mtodo do Envelope
Suponhamos que desejemos simular
babilidade (PDF)
f ()
com uma densidade de pro-
e que podemos obter amostras de
X ), cuja PDF
constante a tal que:
possui o mesmo suporte de

ainda que exista uma
g().
(que
Suponhamos
f (x) ag(x), x
ou seja,
Aceitamos
f (x)/g(x).
g(), e U = u U [0, ag(y)].
de X se u < f (y)); caso contr-
um limite superior para
Ento, amostramos
Y = y
de
como uma amostra
rio, rejeitamos e tentamos novamente. Este mtodo funciona pois

distribui pontos uniformemente sobre a regio que envolve
f (x),
aceita apenas os pontos que cumprem o requisito de pertencer

regio delimitada por
f (x).
Qual a probabilidade de aceitao?
P (U < f (Y ) | Y = y)g(y) dy
P (U < f (Y )) =
f (y)
g(y) dy
ag(y)
f (y)
dy
a
1
a

Naturalmente, devemos escolher
209
g(x)
de forma que
seja o
menor possvel.
Vamos ver como podemos representar estas idias em Python.
Listagem 9.3:
Amostragem por rejeio utilizando o mtodo do
envelope
1 # Disponivel
2
3
4
5
6
from
from
from
def
no
pacote
de
import
numpy
import
pylab
amostra ( n ) :
"""
Esta
um v e t o r
funcao
amostra
mais
de
curto
"""
11
x=u n i f o r m ( 0 , 1 , n )
12
y=u n i f o r m ( 0 , 1 , n )
1.5
13
f x =6 x (1 x ) # x
tem
14
#r e t o r n a
so
seguinte
15
os
que
10
retorna
n.
distribuicao
valores
que
beta
satifazem
condicao :
s=c o m p r e s s ( y<f x , x )
return
16
18
como :
import
numpy . random
17
programas
e n v e l o p e . py
def
e f i c i e n c i a ( vector , n) :
19
"""
20
Testa
21
retorna
22
"""
23
24
prob =
25
diff
eficiencia
a
= len ( vector )
l / f l o a t (n)
= n l
da
amostragem .
probabilidade
de
aceitacao .
210
26
#n
necessario
para
obter
as
amostras
que
faltam
27
n2 = i n t ( d i f f / p r o b )
28
v e c 2 = a m o s t r a ( n2 )
29
s = concatenate ( ( vector , vec2 ) )
30
#g e r a
31
nb ,
histograma
bins ,
patches =
hist (s ,
b i n s =50 ,
normed =0)
32
x l a b e l ( ' Amostra ' )
33
ylabel ( ' Probabilidade ' )
34
t i t l e ( ' Histograma
35
s a v e f i g ( ' e n v e l o p e . png ' ,
36
show ( )
return
37
38
39
def
40
de
testRS ( ) :
Esta
"""
43
n =100000
44
s a m p l e=a m o s t r a ( n )
45
e f i c i e n c i a ( sample , n )
48
d p i =400)
"""
42
47
n=%s '% n )
41
46
s:
if
funcao
__name__ ==
testa
modulo
'__main__ ' :
testRS ( )
Aplicando ao Teorema de Bayes

Podemos aplicar o conceito de amostragem por rejeio a problemas de inferncia Bayesiana. Frequentemente, em inferncia Bayesiana, conhecemos bem a distribuio
a priori,
a ponto de poder
amostr-la e, tambm, possuimos dados com os quais podemos

construir a funo de verossimilhana.
211
Figura 9.3: Resultado da amostragem por envelope de uma distribuio beta(1,1)
De posse destes elementos podemos invocar a tcnica de amostragem por rejeio para nos ajudar a amostrar da distribuio
posterior. Dado que:
() = p()L(; x)
temos que, sendo
LM ax
o valor mximo da nossa funo de
verossimilhana,
() p()LM ax
,
()
p()L(; x)
L(; x)
=
=
LM ax p()
LM ax p()
LM ax
212
.
Assim sendo, podemos utilizar o mtodo do envelope, amos-
a priori
trando da distribuio
babilidade igual a
e aceitando as amostras com pro-
L(;x)
LM ax .
Listagem 9.4: Amostragem da Posterior Bayesiana por rejeio.
1 # Disponivel
2
3
4
5
6
from
from
from
def
no
pacote
de
programas
como :
p o s t r e j . py
numpy
import
import
numpy . random
pylab
import
L i k e l i ( data ,
limits ,
nl ) :
n = l e n ( d a t a ) # Numero
data = array ( data )
( l l , ul ) =
de
l i m i t s #l i m i t e s
amostras
do
espaco
de
params .
s t e p = ( ul l l ) / f l o a t ( n l )
10
11
res =
12
s d = s t d ( d a t a ) #DP d o s
[]
#l i s t a
resultados
dados
for
mu
15
lik
= a r r a y ( r e s ) /max ( a r r a y ( r e s ) ) #
16
return
13
14
in
de
arange ( l l , ul , s t e p ) :
r e s . append ( e x p ( 0 . 5 sum ( ( ( d a t a mu) /

sd )
2) ) )
Verossimilhanca
17
18
19
def
lik
amostra ( n ,
d a t a , p l o t t e d =0) :
x=u n i f o r m ( 0 , 1 , n ) #s u p o r t e
20
limits
21
L= L i k e l i ( d a t a ,
22
f x =6 x (1 x ) # p r i o r i , b e t a ( 2 , 2 )
23
s=c o m p r e s s ( L [ : l e n ( x ) ] < f x , x ) #R e j e i c a o
24
i f not
= 0 ,1
plotted :
limits ,
n)

25
p1 =
26
p2 = p l o t ( s o r t ( x ) , L )
27
l e g e n d ( [ p1 , p2 ] , [ ' P r i o r i ' ,
return
28
29
30
def
213
scatter (x , fx )
'
Verossimilhanca ' ] )
s
e f i c i e n c i a ( vector , n ,
data ) :
31
32
prob =
33
diff
34
n2 = i n t ( d i f f / p r o b )
35
v e c 2 = a m o s t r a ( n2 , d a t a , p l o t t e d =1)
36
39
l / f l o a t (n)
= n l
s = concatenate ( ( vector , vec2 ) )
return
37
38
= len ( vector )
def
40
s , prob
main ( ) :
n =90000
41
data = uniform ( 0 , 1 , 3 )
42
s a m p l e=a m o s t r a ( n ,
43
s , prob =
44
f i g u r e ( 2 ) #g e r a
data )
e f i c i e n c i a ( sample , n ,
data )
histograma
45
hist (s ,
46
xlabel ( 'x ' )
47
t e x t ( 0 . 8 , 1 . 2 , ' E f i c i e n c i a :% s '%r o u n d ( pro b
48
ylabel ( ' frequencia ' )
b i n s =50 , normed =1)
,2) )
49
t i t l e ( ' Posterior :
50
s a v e f i g ( ' r e j e i c a o . png ' , d p i =400)
51
show ( )
return
52
53
54
55
if
__name__ ==
main ( )
n=%s '% n )
'__main__ ' :
214
Figura 9.4: Amostragem por rejeio da posterior Bayesiana.
Na linha 22 da listagem 9.4, vemos a rejeio de acordo com a

verossimilhana. Note que a verossimilhana calculada a partir de
um modelo normal enquanto que a distribuio
a priori
apresenta
uma distribuio beta(2,2).

A gura 9.4 mostra o resultado da amostragem da posterior,
junto com a ecincia do processo(canto superior direito).
9.5 Cadeias de Markov

Cadeias de Markov so um tipo particular de processo estocstico
no qual o estado atual do sistema depende apenas do estado imediatamente anterior. Um exemplo muito conhecido de um processo
9.5. CADEIAS DE MARKOV
215
de markov o modelo auto-regressivo de primeira ordem:
Zt = Zt1 + t ,
t N (0, 2 )
O processo apresentado acima, medida em que o nmero de

iteraes cresce, converge para uma distribuio
(z).
Esta distri-
buio denominada distribuio estacionria da cadeia.
Entre-
tanto, a cadeia necessita de um determinado nmero de iteraes

para alcanar
(z).
Se desejamos fazer inferncias sobre
cisamos descartar os resultados iniciais da cadeia.
(z),
pre-
Este perodo
necessrio para a convergncia, denominado de burn-in.

Listagem 9.5: Cadeia de Markov com kernel de transio exponencial
1 # c o d i n g : l a t i n
2 # Disponivel
pacote
no
de
programas
como :
markov . py
3 #g e r a n d o uma c a d e i a
4
5
6
de
markov
from numpy . random import

import random a s r n
7
8 n =10000
9
10
11
12
a l p h a =0.99
x=z e r o s ( 1 0 0 0 0 ,
for
in
Float )
xrange ( 1 , n ) :
x [ i ]= a l p h a x [ i
1]
+ exponential (1 ,1) [ 0 ]
13 # p l o t t i n g
14
subplot (211)
15
t i t l e ( ' Processo
16
plot (x)
17
xlabel (u ' Iteraes ' )
18
ylabel ( 'x ' )
19
subplot (212)
de
Markov ' )
216
20
h i s t ( x , b i n s =50)
21
xlabel ( 'x ' )
22
ylabel (u ' frequncia ' )
23
s a v e f i g ( ' markov . png ' , d p i =400)
24
show ( )
Executando o cdigo apresentado na listagem 9.5 obtm-se a
gura 9.5.
Note o perodo at a convergncia.
Como exerccio,
refaa o histograma eliminando os valores do perodo burn-in, e

compare com o apresentado na gura 9.5.
Figura 9.5: Cadeia de Markov com kernel de transio exponencial.
9.6. MCMC (MARKOV CHAIN MONTE CARLO)
217
9.6 MCMC (Markov Chain Monte Carlo)

Ns j discutimos algumas ferramentas bsicas da simulao estocstica, como o mtodo de Monte Carlo e as cadeias de Markov.
Agora vamos ver como estes dois mtodos podem ser combinados
para dar origem ao famoso mtodo MCMC.
As tcnicas aqui apresentadas, so de grande utilidade na estatstica, particularmente na inferncia Bayesiana.
O MCMC uma classe de algoritmos que tem como objetivo
contruir cadeias de Markov cuja distribuio estacionria seja idntica a de uma distribuio alvo. Aps alcanarem esta distribuio
estacionria, as cadeias podem ser usadas para se obter amostras
da distribuio alvo.
As cadeias de Markov utilizadas na maioria dos algoritmos
de MCMC, percorrem o espao amostral utilizando-se de alguma
forma de passeio aleatrio.
Portanto, podem levar muito tempo
para cobrir o espao desejado. Isto se deve ao fato de que a cadeia

pode voltar atrs percorrendo partes do espao j percorridas. A
seguir descreveremos e implementaremos dois dos mais utilizados
mtodos de MCMC: os amostradores de Metropolis-Hastings e de
Gibbs.
O Amostrador de Metropolis-Hastings
Este amostrador consiste em gerar amostras sequenciais de forma a
aproximar uma distribuio da qual no temos meios de amostrar
diretamente. Este algoritmo pode amostrar de qualquer distribuio de probabilidade
p(x),
desde que a densidade em
possa ser
calculada.
Como qualquer cadeia de markov, o amostrador comea em um
dado valor arbitrrio para a varivel
e prossegue em um passeio
aleatrio, onde cada deslocamento amostrado de uma distribuio
de Propostas. Cada proposta(x ) avaliada de acordo com a seguinte regra:
u amostrado de uma distribuio uniforme, U (0, 1).
218
Se
u<
x0
se torna
xt+1 ,
caso contrrio
p(x0 )
p(xt )
xt+1 = xt .
Listagem 9.6: Amostrador de Metropolis-Hastings
2 # Disponivel
3
4
5
6
7
from
from
. py
numpy
no
pacote
import
scipy . stats
programas
como : MH
import
class A m o s t r a d o r :
de
alvo ,
proposta ) :
"""
Incializa
amostrador
10
alvo :
11
proposta :
12
"""
13
s e l f . a l v o = kde . g a u s s i a n _ k d e ( a l v o )
14
s e l f . prop = p r o p o s t a
dados
definindo
objeto
densidade
gerador
alvo
de
propostas .
15
16
def
Run ( s e l f , n , b u r n i n =100) :
17
' ' '
18
Roda
19
' ' '
20
amostra = z e r o s ( n , f l o a t )
21
alvo =
22
23
24
amostrador
por
passos
s e l f . alvo
= 0
while
i < n 1:
x = amostra [ i ]
25
inova =
26
can = x + i n o v a
s e l f . prop . r v s ( ) [ 0 ]
219
27
a p r o b = min ( [ 1 , a l v o . e v a l u a t e ( c a n
28
u = uniform . rvs ( ) [ 0 ]
) / alvo . evaluate (x) ] )
if
29
u < aprob :
30
a m o s t r a [ i +1] = x = c a n
31
return
32
33
if
34
i += 1
amostra [ burnin : ]
__name__=="__main__" :
35
import
36
d a d o s = c o n c a t e n a t e ( ( norm . r v s ( s i z e =500) ,
37
a = A m o s t r a d o r ( d a d o s , norm ( 0 , 1 ) )
pylab
as P
norm . r v s ( 4 , 1 , s i z e =500) ) )
38
r e s = a . Run ( 1 0 0 0 0 )
39
P. p l o t ( arange (
( arange (
5 ,10 ,.01) , a . alvo . evaluate

5 , 1 0 , . 0 1 ) ) , ' r ' , lw =2)
40
P . h i s t ( r e s , normed =1 , a l p h a = 0 . 5 )
41
P . l e g e n d ( [ ' A l v o ' , ' Amostra ' ] )
42
P . s a v e f i g ( 'MH. png ' , d p i =400)
43
P . show ( )
Normalmente, utiliza-se um amostrador como este para amostrar de distribuies das quais toda a informao que se tem provm de uma amostra.
Portanto, a Listagem 9.6, aceita um con-
junto de dados como alvo.
A partir desta amostra, uma funo
de densidade de probabilidade (PDF) estimada por meio da funo
gaussian_kde do Scipy.
Esta funo ser utilizada como alvo
para o amostrador.
Note que a distribuio de propostas passada para o objeto
Amostrador
uma das classes geradoras de nmeros aleatrios
oferecidos por
scipy.stats3 .
A Figura 9.6, mostra o resultado
3 Estas classes podem ser chamadas diretamente com seus parmetros como
mostrado na linha 36 da listagem 9.6, retornando um objeto frozen com os
220
do amostrador aps a remoo de um nmero de amostras do incio da cadeia determinado pelo parmetro
burnin.
Esta remoo
importante, pois a cadeia leva algum tempo para convergir para

a rea sob a curva alvo.
Figura 9.6: Amostrador de Metropolis-Hastings(n=10000).
O Amostrador de Gibbs
O amostrador de Gibbs foi desenvolvido para permitir a gerao de
amostras a partir de distribuies conjuntas de duas ou mais variveis. O amostrador de Gibbs um caso especial do amostrador
de Metropolis-Hastings. Na listagem 9.7, vemos uma implementamesmos mtodos mas com os parmetros xos
221
o do amostrador de Gibbs, que envolve a denio de uma classe

amostradora.
Listagem 9.7: Amostrador de Gibbs aplicado uma distribuio
tri-variada
1 # Disponivel
no
pacote
de
programas
como :
g i b b s . py
3
4
5
6
7
from
from
import
numpy
numpy . random
zeros ,
class Amostra :
cormat ,
' ' '
10
n , v a r l i s t , loc , scale ,
da
loc
scale
gerador
listas
em
varlist
geradores
normal ,
14
logistic ,
15
' ' '
16
self .n = n
17
s e l f . vars =
18
s e l f . loc = loc
19
self . scale
20
s e l f . r o = cormat
23
def
funes
sao
13
22
de
do numpy
12
21
amostra
lista
geradoras
11
para
cada
testados :
beta ,
gamma ,
lognormal ,
gumbel
wald ,
laplace
varlist
scale
s e l f . burnin = burnin
Run ( s e l f ) :
results
= zeros (( len ( s e l f . vars ) , s e l f
. n) , f l o a t )
24
array
b u r n i n =1000) :
tamanho
varlist
sqrt ,
import
dp = s q r t (1 s e l f . r o
2)
222
25
ms =
26
dps =
27
ro =
for
28
29
s e l f . loc
self . scale
s e l f . ro
i in x r a n g e ( 1 , s e l f . n ) :
for n , j in e n u m e r a t e ( s e l f . v a r s ) :
30
results [n, i ]
= j ( ms [ n ]+ r o [ n ,
n 1 ] ( r e s u l t s [ n 1 , i
1]
ms [ n ] ) / d p s [ n 1 ] , d p s [ n ]
return
31
32
33
if
dp [ n , n 1 ] )
r e s u l t s [ : , s e l f . burnin : ]
__name__=="__main__" :
34
import
35
n = 10000
pylab
36
varlist
37
loc =
as P
= ( b e t a , gamma , n o r m a l )
(2. ,9. ,5 ,)
38
scale
39
cormat = z e r o s ( ( 3 , 3 ) , f l o a t )
40
#c o r m a t = a r r a y
(2 ,.5 ,1.)
([[1 ,0.6 ,0.7] ,[0.6 ,1 ,0.8] ,[0.7 ,0.8 ,1]])
41
s = Amostra ( n , v a r l i s t , l o c , s c a l e , c o r m a t )
42
r e s = s . Run ( )
43
s 1=P . p l o t ( r e s [ 0 ] , r e s [ 2 ] , ' . ' )#m a r k e r = 'p ' ,
44
s 2=P . p l o t ( r e s [ 1 ] , r e s [ 2 ] , '+ ' )#m a r k e r = ' v ' ,
45
P . l e g e n d ( [ ' Beta
c = ' y ' , mec= ' k ' , l w =0)

c = ' y ' , mec= ' k ' , l w =0)
x
Normal ' , 'Gamma x
Normal ' ] )
46
P . s a v e f i g ( ' g i b b s . png ' , d p i =400)
47
P . show ( )
O amostrador de Gibbs pode ser aplicado quando no se co-
nhece a distribuio conjunta, mas a distribuio condicional de
9.7. MTODOS MONTE CARLO SEQUENCIAIS
223
cada varivel conhecida. No amostrador de Gibbs convencional,

cada nova amostra
xit+1
calculada de forma condicional ao valor
de todas outras variveis no tempo t. No exemplo mostrado na listagem 9.7, uma variante deste mtodo implementado, na qual as
variveis so calculadas a partir de uma estrutura de dependncia
circular(Figura 9.7).
Figura 9.7: Estrutura de dependncia circular utilizada na listagem

9.7.
9.7 Mtodos Monte Carlo Sequenciais

Estes mtodos, tambm chamados de ltros de partculas, visam
determinar a distribuio de um processo markoviano pela anlise
seqencial de observaes. Seja
xk
uma sequncia de parmetros
desconhecidos (por exemplo o valor esperado de um sistema dinmico) onde
k = 0, 1, 2, 3, . . .
X (Figura
observaes sobre
yk [y0 , y1 , . . . , yk ]
o conjunto de
9.9).
Os mtodos sequenciais procuram estimar
xk
a partir da distri-
buio posterior
p(xk | y0 , y1 , . . . , yk )
ao passo que os mtodos MCMC, modelam a posterior completa:
p(x + 0, x1 , . . . , xk | y0 , y1 , . . . , yk )
224
Figura 9.8: Amostrador de Gibbs aplicado a uma distribuio trivariada.
Sampling Importance Resampling SIR

O algoritmo de amostragem e re-amostragem por importncia um
dos mtodos Monte Carlo sequenciais mais utilizados. Ele procura
aproximar
p(xk | y0 , y1 , . . . , yk )
por meio de valores de
pondera-
dos por uma funo de importncia,W que uma aproximao da

distribuio posterior de
A descrio de um passo do SIR, a seguinte:
1. Retiramos P amostras (x
) da distribuio
o de
X , p(xk | xk1 );
a priori
de transi-
225
Figura 9.9: Processo markoviano e suas observaes.
2. Calculamos a
p(yk | xk )
(verossimilhana, no caso da distri-
buio alvo ser a posterior Bayesiana);

3. Calculamos
W = p(xk | xk1 )p(yk | xk );
4. Normalizamos W;
5. Re-amostramos P valores de
x
com probabilidades dadas por
W;
A re-amostra (distribuio posterior de
xk )passa
a ser a
a priori
de transio para a o prximo passo.

Listagem 9.8: Filtro de partculas usando algoritmo SIR
2 # Disponivel
s i r . py
no
pacote
de
programas
como :
226
3
4
5
6
7
8
9
from numpy import

import l i k e
class
SMC:
"""
10
Monte
11
"""
12
def
Carlo
Sequencial
__init__ ( s e l f ,
usando
SIR
p r i o r t y p e , pars ,
range
, r e s o l u t i o n =512) :
13
' ' '
14
Inicializa
15
priortype
Filtro .
deve
ser
um RNG d e
scipy .
stats
16
pars
17
' ' '
18
self . priori
19
s e l f . pars = pars
20
s e l f . range = range
21
s e l f . r e s = ( range [1] range [ 0 ] )
so
os
parmetros
da
priori .
= priortype
1./
resolution
22
self . likelihood
23
s e l f . p o s t e r i o r=a r r a y ( [ ] )
24
25
26
def
= None
__call__ ( s e l f , datum ) :
sc =
s e l f . pars [ 1 ]
27
m =
s e l f . range [ 0 ]
28
M =
29
step =
30
s u p = a r a n g e (m,M, s t e p )
31
lik
32
self . likelihood
s e l f . res
= e x p ( a r r a y ( [ l i k e . Normal ( datum , i
, sc )
for
in
=
sup ] ) )
l i k /sum ( l i k )

33
post =
return
34
35
36
37
def
c a l c P o s t e r i o r (1000)
post
calcPosterior ( self ,
n) :
"""
38
Calcula
39
"""
40
self .
227
if
41
distribuio
posterior
s e l f . p o s t e r i o r . any ( ) :
s =
s e l f . p r i o r i . r v s ( s i z e =n , l o c=
s e l f . pars [ 0 ] ,
s c a l e= s e l f .
pars [ 1 ] )
42
#p d e n s= k d e . g a u s s i a n _ k d e ( s e l f .
43
#s= p d e n s . r e s a m p l e ( n )
posterior )
44
else :
45
s =
s e l f . p r i o r i . r v s ( s i z e =n ,
l o c= s e l f . p a r s [ 0 ] ,
s c a l e=
s e l f . pars [ 1 ] )
46
m = array ( [ s e l f . range [ 0 ] ] )
47
M = array ( [ s e l f . range [ 1 ] ] )
48
step =
49
s u p p = a r a n g e (m,M, s t e p )
50
s = c o m p r e s s ( l e s s ( s . r a v e l ( ) ,M) &
51
d = u n i f o r m . r v s ( l o c =0 , s c a l e =1 , s i z e =s
52
if
s e l f . res
g r e a t e r ( s . r a v e l ( ) ,m) , s )
53
54
55
. size )
s e l f . p o s t e r i o r . any ( ) :
w=
else :
w =
s e l f . p r i o r i . p d f ( supp ) s e l f .
likelihood
s e l f . p r i o r i . p d f ( supp , l o c=
s e l f . p a r s [ 0 ] , s c a l e= s e l f . p a r s
[1])
56
w = w/sum (w)
self
. likelihood
228
57
s x = s e a r c h s o r t e d ( supp , s )
58
w = w [ s x 1]
59
w = w. r a v e l ( )
60
p o s t = c o m p r e s s ( d<w , s )
61
post = post . ravel ()
62
s e l f . p o s t e r i o r = post
return
63
64
65
if
post
__name__=="__main__" :
66
p f = SMC( norm , ( 3 , 3 ) , r a n g e =( 10 ,15) )
67
d a t a = 2 s i n ( a r a n g e ( 0 , 7 , . 2 ) ) +2#o n e s ( 1 0 )
68
sup = a r a n g e (
69
priori
70
P. ion ()
71
lin ,
72
pt ,
73
P. grid ()
74
10 ,15 ,25/512.)
= norm . p d f ( sup , l o c =3 , s c a l e =1)
for
= P . p l o t ( sup , p r i o r i )
= P . p l o t ( [ data [ 0 ] ] , [ 0 . 0 5 ] , ' o ' )
i
in
data :
75
est = pf ( [ i ] )
76
l i n . s e t _ y d a t a ( kde . g a u s s i a n _ k d e ( e s t ) .
77
pt . set_xdata ( [ i ] )
78
P . draw ( )
e v a l u a t e ( sup ) )
print
79
i , c o m p r e s s ( p f . l i k e l i h o o d==max (
pf . l i k e l i h o o d ) ,
s u p ) , median ( e s t )
Na Listagem 9.8, vemos uma implementao de um ltro de

partculas utilizando o algoritmo SIR. O ltro denido como uma
classe. Nesta classe denimos o mtodo
de funes.
__call__,
caracterstico
Desta forma, uma vez criado o objeto (instncia da
classe SMC), ele poder ser chamado diretamente pelo nome. Se o

objeto no possusse tal mtodo, teramos que nos utilizar de um
de seus mtodos para acionar sua maquinaria.
Parametrizamos o objeto SMC com uma distribuio
a priori
9.8. FUNES DE VEROSSIMILHANA
229
norm do mdulo scipy.stats com mdia = 3 e

= 3. Tambm precisamos especicar os limites de
algoritmo, o que feito atravs do argumento range pas-
dada pela classe

desvio padro
busca do
sado durante a inicializao. Neste exemplo as funes de clculo

das verossimilhanas foram implementadas de um mdulo separado chamado
like.py.
Este mdulo est no pacote de programas
disponvel no website deste livro.

A convergncia dos mtodos sequenciais, depende fortemente
da qualidade do algoritmo de amostragem da
priori,
uma vez que
estas amostras formam a matria-prima do algoritmo SIR.
9.8 Funes de Verossimilhana

Ser capaz de calcular funes de verossimilhana essencial quando
se deseja utilizar a inferncia Bayesiana.
A verossimilhana o
termo da frmula de Bayes que representa a evidncia contida em

um conjunto de dados, e que utilizada para atualizar nosso conhecimento
a priori
do problema, de forma a gerar uma nova des-
crio para suas varivieis, denominada de distribuio posterior

conjunta.
Denio da funo de verossimilhana
Varivel Discreta
Seja
um espao de parmetros. Seja
{p ; }
uma famla pa-
rametrizada de modelos probabilsticos para um vetor de variveis
X = (X1 , . . . , Xn ).
(x1 , . . . , xn ) dada por:
discretas
A funo de verossimilhana para
L( | x1 , . . . , xn ) , p (x1 , . . . , xn )
e uma funo de
A funo de verossimilhana nos d a probabilidade de que
(X1 , . . . , Xn ) = (x1 , . . . , xn ),
ou seja um determinado conjunto de
230
dados ser amostrado em uma realizao do processo gerador, para

cada valor possvel de
Matematicamente, a funo de verossimi-
lhana apenas uma notao diferente para a funo de probabilidade. Contudo, conceitualmente existe uma distino importante:
Quando se estuda a funo de probabilidade, xa-se o parmetro e
obtm-se a variao da probabilidade em funo do valor da vari-
x. Quando estudamos a verossimilhana, consideramos o valor

x xo e variamos o parmetro, obtendo a verossimilhana de
vel,
de
cada valor. Para uma nica observao de uma varivel discreta,

a verossimilhana igual probabilidade de se observar aquele
valor. Por exemplo: Seja
metro
p, 0 < p < 1.
Pp
uma distribuio Bernoulli com par-
Uma varivel aleatria com uma distribuio
Bernoulli, s pode assumir dois valores,

Para
1.
x = 0,
L(p | 0) = 1 p
Para
x = 1,
L(p | 1) = p
Um pouco de lgebra, nos permite combinar ambas as frmulas

acima escrevendo:
L(p | x) = px (1 p)1x ,
x {0, 1}
Podemos visualizar a forma da verossimilhana com quatro linhas de cdigo:

Listagem 9.9: Funo de verossimilhana para
1 >>>
from
import
in a r a n g e ( 0 , 1 , . 0 1 ) ]
pylab
2 >>> L=[1 p
for
igual a
0.
3 >>> p l o t ( a r a n g e ( 0 , 1 , . 0 1 ) , L )
4 >>> show ( )
Para mltiplas observaes independentes, a funo de verossimilhana caria assim:
L(p | x1 , . . . , xn )
[px1 (1 p)1x1 ][px2 (1 p)1x2 ] . . . [pxn (1 p)1xn ]
= p
Pn
i
xi
Pn
(1 p)n
xi
(9.1)
231
Isto dito, vamos a um exemplo cientco mais concreto:
um
pesquisador deseja comparar duas sequncias de DNA, buscando

quanticar a homologia entre elas, ou seja, em quantas posies
possuem nucleotdeos idnticos. Sejam as duas sequncias:
AT T AGCCCT T GGGAACAT CCC

AT GAGCT CT T GGT T AAGACCC
loci,
Assumindo independncia entre os
podemos representar
esta comparao como uma varivel Bernoulli (Xi )que assume valor
para
loci
com letras iguais e
para
loci
com letras distintas.
Vamos resolver este problema aplicando a equao 9.1.

Listagem 9.10:
Calculando a verossimilhana da comparao de
duas sequncias de DNA
1 # c o d i n g : l a t i n
2 # Disponivel
pacote
no
de
programas
como :
l i k 1 . py
from
a ="ATTAGCCCTTGGGAACATCCC"
pylab
import
5 b ="ATGAGCTCTTGGTTAAGACCC"
6 n = len (a)
7 # Comparando
as
sequncias :
8 comp = [ i n t ( a [ i ]==b [ i ] )
for
in
range ( len ( a
)) ]
9 # Contando nmero d e
10
correspondncias
soma = sum ( a r r a y ( comp ) )
11 # C a l c u l a n d o L
12 L = [ p soma (1 p ) ( nsoma )
(0 ,1 ,.01) ]
13
p l o t ( arange ( 0 , 1 , . 0 1 ) ,
14
s a v e f i g ( ' l i k 1 . png ' , d p i =400)
15
show ( )
L)
for
in
arange
232
A gura 9.10 mostra a funo de verossimilhana gerada pela

listagem 9.10.
Mais adiante usaremos este resultado em outro
exemplo.
Analisando o cdigo da listagem 9.10, utilizamos a tcnica de
list comprehension
para comparar as duas sequncias
locus
retornando 1 quando fossem iguais e 0, caso contrrio.
locus
Como a
comparao retorna verdadeiro (True) ou falso (False), aplicamos
int
1 e 0, respectiva9, convertemos a lista de resultados da comparao

em vetor para poder somar os seus elementos com sum. Na linha
11, usamos tcnica similar da linha 7 para calcular a funo de
a funo
para transformar estas sadas em
mente. Na linha
verossimilhana.
Figura 9.10:
Funo de verossimilhana para a comparao de
sequncias de DNA.
233
Varivel Contnua
A funo de verossimilhana para variveis aleatrias contnuas
similar ao caso discreto apresentado acima. Para uma varivel contnua, substitumos a funo de probabilidade da denio discreta
pela funo de densidade de probabilidade. Se
g (x1 , . . . , xn ),
representa uma famlia de funes de densidade de probabili-
dade conjuntas para
(X1 , . . . , Xn ),
ento
L( | x1 , . . . , xn ) =
n
Y
f (xi )
i=1
X1 , . . . , X n
se
forem independentes e identicamente distribu-
das.
A ttulo de exemplo, vamos escrever a funo de verossimilhana
X com
. Dado
para uma varivel aleatria normal

Neste caso,
o nosso parmetro
(2)1/2 e(x)
/2
mdia
e varincia 1.
Xi
que a densidade de
, para n=3 temos
L( | x1 , x2 , x3 ) = (2)3/2 e1/2
P3
1 (xi )
(9.2)
Como podemos ver pelas equaes 9.2 e 9.1, a verossimilhana

uma famlia de funes que difere por um fator que no depende
de
Portanto, apenas seu valor relativo (forma) nos interessa.
Log-verossimilhana
Na funo de verossimilhana, o termo que no depende de
de-
pende de n (o tamanho amostral), com isso o valor da verossimi-
lhana facilmente torna-se extremo . Devido a esta caracterstica

da funo de verossimilhana, frequentemente utiliza-se o seu logaritmo. Vamos plotar a log-verossimilhana calculada na listagem
9.10.
4 Se
isto no bvio para voc, utilize seus conhecimentos de Python para
investigar numericamente este fato.
5 Modique
a listagem anterior incluindo estas linhas
234
Listagem 9.11: Log-verossimilhana
1 L [ 0 ] = L [ 1 ] #removendo o
zero
do
incio
da
lista
p l o t ( arange ( 0 , 1 , . 0 1 ) ,
show ( )
l o g ( array (L) ) )
?? e 9.11).
Compare agora os dois grcos(
Preste ateno aos va-
lores do eixo y. A funo mudou de forma, porm preservou uma

coisa muito importante: o seu mximo continua com a mesma abscissa. Isto nos leva a uma aplicao muito importante da funo
verossimilhana: a estimao de parmetros por mxima verossimilhana.
Figura 9.11: Log-verossimilhana da funo descrita anteriormente.
9.9. INFERNCIA BAYESIANA COM OBJETOS.
235
Vimos na listagem 9.10 que, quando calculamos a funo de

verossimilhana sobre dados obtidos experimentalmente, ela representa a probabilidade de cada valor de parmetro no eixo x ter
gerado aquele conjunto de dados. Logo, se desejamos estimar este
parmetro a partir dos dados, devemos escolher o valor que maximiza a funo de verossimilhana. Felizmente, este valor o mesmo
para a log-verossimilhana.
Voltando ao problema da comparao de duas sequncias de
DNA, vamos maximizar a funo de verossimilhana para estimar
(ver listagem 9.12).

Listagem 9.12: Maximizando a verossimilhana
1 MLE = c o m p r e s s ( e q u a l ( L , max ( L ) ) , a r a n g e
(0 ,1 ,.01) )
print
MLE
0.67]
1 da listagem 9.12, utiliza-se uma funo proveniente

numpy6 . Esta funo (compress) nos retorna os elementos do segundo argumento arange(0,1,.01), nas posies em que
o vetor de condies, equal(L,max(L)), for verdadeiro. Trocando
em midos: nos retorna o valor do parmetro p para o qual o valor
da verossimilhana mximo. As funes max e equal tambm so
provenientes do mdulo numpy.
Na linha
do mdulo
9.9 Inferncia Bayesiana com Objetos.

Na viso Bayesiana de mundo, nosso conhecimento sobre o mundo
representado por nossas crenas que, por sua vez, so representadas por variveis aleatrias com suas distribuies de probabilidade
(PDFs). Como nosso conhecimento do mundo no perfeito, estas distribuies no tm preciso innita, ou seja, no podem ser
6 Importado,
neste exemplo, pelo mdulo
pylab.
236
representadas por um simples nmero. Por exemplo, minha altura

no
1, 73m mas uma distribuio de valores em torno deste, visto
que depende de vrios fatores tais como postura, quantidade de

cabelo, etc.
Naturalmente, nossas crenas podem ser modicadas. A cada
vez que ns nos expomos a novas evidncias(dados) a respeito de
um fato, podemos reforar nossa crena original (aumentando sua
preciso). Ou podemos car mais confusos, se os dados no concordam com nossa crena original, e esta ltima perder preciso.
O objetivo desta seo, construir um objeto que emule as caractersticas de varivel aleatria Bayesiana, facilitando-nos a realizao das operaes mencionadas acima.
Em computao se desejarmos representar uma distribuio
p(x),
teremos que faz-lo por meio de uma funo (se esta fun-
o for conhecida e computvel) que recebe
como argumento e
na sua probabilidade, ou por alguma outra estrutura de dados que

combine todos valores de
x e suas respectivas probabilidades, como
por exemplo um dicionrio. Naturalmente esta ltima representao se presta apenas a uma gama bastante limitada de variveis.
1 >>> # D i s t r i b u i o
dado
de
probabilidades
d e um
cbico
2 >>> dado =
{1:1/6. ,2:1/6. ,3:1/6. ,4:1/6. ,5:1/6. ,6:1/6.}
Listagem 9.13: Classe Varivel Aleatria Bayesiana Requisitos.
3 # copyright
4 # Licensed
5
6
2007
Flavio
Codeco
Coelho
u n d e r GPL v3
from numpy import

import l i k e , s y s
Como toda varivel Bayesiana, nossa classe deve possuir uma

distribuio
a priori, neste exemplo denida de forma paramtrica.
237
Deve tambm conter dados referentes a ela, e uma distribuio

posterior. Naturalmente deve possuir os mtodos para atualizar a
sua distribuio
a priori, transformando-a em posterior.
Listagem 9.14: Classe Varivel Aleatria Bayesiana Inicializao.
8
9
10
11
from
class
BayesVar :
"""
12
Bayesian
13
"""
14
import
scipy . stats
def
random
variate .
range
, r e s o l u t i o n =512) :
15
' ' '
16
Inicializa
17
Adquire
varivel
mtodos
da
aleatria .
classe
priortype
18
priortype
deve
ser
um RNG d e
scipy .
stats
19
pars
20
' ' '
21
s e l f . p r i o r n = p r i o r t y p e . name
22
s e l f . _ f l a v o r i z e ( p r i o r t y p e ( pars ) ,
23
24
25
so
os
parmetros
da
priori .
priortype )
1./
resolution
26
self . likefun
s e l f . _Likelihood ( s e l f
. priorn )
27
self . likelihood
= None
Esta classe deve solicitar estas informaes na sua inicializao(Listagem 9.14). O pacote
scipy.stats
j possui classes cor-
238
respondendo a vrias famlias paramtricas. Portanto nossa classe

requer que o argumento
priortype
quer tambm os parmetros da
seja uma destas classes. Re-
a priori, a extenso do suporte para
a varivel,e a resoluo da representao das distribuies(nmero

de pontos em se subdividir o suporte).
Durante a inicializao da classe, importamos os mtodos da
distribuio
a priori
para se juntar aos mtodos de nossa classe.
Esta absoro de funcionalidade no poderia ser conseguida atravs

de herana comum, pois no se sabe de antemo de qual classe
desejamos herd-los. Felizmente, a natureza dinmica do Python
nos ajudou neste ponto, permitindo uma herana dinmica. Esta
herana feita no mtodo
_flavorize
(Listagem 9.15).
Listagem 9.15: Classe Varivel Aleatria Bayesiana Herana dinmica de mtodos.
29
30
def
31
_ f l a v o r i z e ( s e l f , pt ,
32
' ' '
33
add
34
' ' '
35
s e l f . c d f = pt . c d f
36
methods
self . isf
if
37
38
40
else :
41
distribution
type
= pt . i s f
i s i n s t a n c e ( ptbase , rv_continuous ) :
elif
39
from
ptbase ) :
s e l f . pdf = pt . pdf
i s i n s t a n c e ( ptbase , r v _ d i s c r e t e ) :
s e l f . p d f = p t . pmf
sys . exit ( ' Invalid
distribution
object ' )
De acordo com o tipo de distribuio
a priori,
o mtodo Like-
lihood escolhe e retorna a funo de verossimilhana adequada(Listagem

9.16).
239
Listagem 9.16: Classe Varivel Aleatria Bayesiana Herana dinmica de mtodos.
return
100
101
102
def
[]
_ Li k e li h oo d ( s e l f , typ ) :
103
' ' '
104
Define
familia
paramtrica
da
verossimilhana .
105
Retorna
106
typ
107
funo
deve
ser
de
uma
verossimilhana .
string .
' ' '
if
108
t y p ==
109
elif
110
111
' norm ' :
return lambda ( x ) : l i k e . Normal ( x

[0] ,x[1] ,1./x[2])
t y p ==
' expon ' :
return lambda ( x ) : ( 1 . / x [ 2 ] ) x
[0]. size
e x p ( ( 1 . / x [ 2 ] ) sum (
x[0]) )
Durante a inicializao da varivel, uma lista vazia de dados
criada. Esta lista conter todos os conjuntos de dados independentes que forem atribudos varivel.
Isto importante pois a
teoria Bayesiana opera por atualizaes sucessivas da distribuio

posterior a cada novo conjunto de evidncias. Uma vez gerada, a
distribuio posterior ca guardada no atributo
posterior.
addData,
Nossa classe possui ainda um mtodo chamado
cuja
funo a de armazenar os dados, e recalcular a funo de verossimilhana chamando o mtodo
_update(Listagem
9.17).
Listagem 9.17: Classe Varivel Aleatria Bayesiana Adio de

dados e clculo da Verossimilhana.
42
43
44
s e l f . ppf = pt . ppf
def
s e l f . r v s = pt . r v s
_update ( s e l f ) :
240
45
"""
46
Calculate
47
"""
if
48
likelihood
function
s e l f . data :
s e l f . data [ 1]
49
d =
50
sc =
51
m =
52
M =
53
step =
54
s e l f . res
#s e l f . l i k e f u n
log
returns
likelihood
55
lik
= exp ( a r r a y ( [ s e l f . l i k e f u n ( ( d
for
, i , sc ) )
in
a r a n g e (m,M,
step ) ] ) )
56
self . likelihood
57
def
58
addData ( s e l f ,
59
"""
60
Adds
dataset
data =
to
[]) :
variable ' s
data
store
61
"""
Os mtodos
getPriorSample
tras e a PDF da distribuio
getPriorDist
a priori,
retornam amos-
respectivamente(Listagem
9.18).
Listagem 9.18: Classe Varivel Aleatria Bayesiana Amostras e
PDF da
a priori.
63
64
65
s e l f . _update ( )
def
getPriorSample ( s e l f , n) :
66
' ' '
67
Returns
sample
distribution
from
the
prior

68
241
' ' '
return
69
70
def
71
s e l f . r v s ( s i z e =n )
getPriorDist ( s e l f ) :
72
"""
73
Returns
the
prior
PDF .
Por m temos o mtodo mais complexo:
getPosteriorSample
(Listagem 9.19). Este mtodo responsvel por atualizar a distribuio posterior da varivel sempre que se solicitar uma amostra.
Utiliza um mtodo de amostragem por importncia no qual se reamostra a distribuio
a priori
com um probabilidade proporcional
ao produto da verossimilhana e da distribuio a
priori.
Vale no-
tar, que se existir alguma posterior j calculada, esta utilizada

como
a priori.
Como deve ser.
Listagem 9.19: Classe Varivel Aleatria Bayesiana Gerando a

posterior.
74
"""
75
return
s e l f . pdf ( arange ( s e l f . range
[ 0 ] , s e l f . range [ 1 ] , s e l f . r e s ) )
76
def
getPosteriorSample ( s e l f ,
77
"""
78
Return
sample
of
the
n) :
posterior
distribution .
79
"""
80
if
s e l f . p o s t e r i o r . any ( ) :#
posterior
as
Use
last
prior
81
k= k d e . g a u s i a n _ k d e ( s e l f .
82
s= k . r e s a m p l e ( n )
posterior )
83
else :
84
85
s =
if
s e l f . getPriorSample (n)
s e l f . data :
242
86
m =
87
M =
88
step =
89
s u p p = a r a n g e (m,M, s t e p )#s u p p o r t
90
s e l f . res
g r e a t e r ( s . r a v e l ( ) ,m) , s )#
removing
o u t o f r a n g e
samples
91
d = u n i f o r m . r v s ( l o c =0 , s c a l e =1 ,
0 1
s i z e =l e n ( s ) )#U n i f o r m
samples
s e l f . p d f ( supp ) s e l f .
92
w =
93
w = w/sum (w) #n o r m a l i z i n g
94
95
w = w [ s x 1]# s e a r c h
likelihood
weights
returns
96
sorted
1 b a s e d
binlist
97
98
return
post
O cdigo completo deste programa(Listagem 9.21) inclui, ainda,

algumas linhas para testar a classe (Listagem 9.20).
Este teste
consiste em inicializar a varivel com uma distribuio a priori

Normal com mdia
= 3
e desvio padro
= 1.
Um pequeno
conjunto de observaes, escolhido de forma a no concordar com

a distribuio
a priori,
utilizado para demonstrar a atualizao
da varivel(Figura 9.12).
Listagem 9.20: Classe Varivel Aleatria Bayesiana Cdigo de
teste.
113
return lambda ( x ) : l i k e . B e t a ( x
[0] ,x[1] ,x[2])

114
115
116
if
243
__name__=="__main__" :
bv = BayesVar ( norm , ( 3 , 1 ) , r a n g e = ( 0 , 5 ) )
117
data = ones ( 2 0 )
118
bv . addData ( d a t a )
119
p = bv . g e t P o s t e r i o r S a m p l e ( 2 0 0 0 0 0 )
120
P . p l o t ( a r a n g e ( bv . r a n g e [ 0 ] , bv . r a n g e [ 1 ] ,
121
122
P. hist (p ,
123
P. legend ( [ ' Likelihood ' , ' Prior ' ] )
bv . r e s ) , bv . l i k e l i h o o d ,
' ro ' ,
l w =2)
bv . r e s ) , bv . g e t P r i o r D i s t ( ) , ' g+ ' , l w =2)

normed =1)
Figura 9.12: Resultado da listagem 9.21.
244
Listagem 9.21:
Classe Varivel Aleatria Bayesiana Listagem
completa
2 # Disponivel
no
pacote
de
programas
como :
B a y e s . py
3 # copyright
4 # Licensed
5
6
7
8
9
10
11
2007
Codeco
from numpy import

import l i k e , s y s
class
Coelho
BayesVar :
"""
12
Bayesian
13
"""
14
Flavio
u n d e r GPL v3
def
random
variate .
range
, r e s o l u t i o n =512) :
15
' ' '
16
Inicializa
17
Adquire
varivel
mtodos
da
aleatria .
classe
priortype
18
priortype
deve
ser
um RNG d e
scipy .
stats
19
pars
20
' ' '
21
s e l f . p r i o r n = p r i o r t y p e . name
22
s e l f . _ f l a v o r i z e ( p r i o r t y p e ( pars ) ,
23
24
25
so
os
parmetros
da
priori .
priortype )
resolution
1./

26
self . likefun
245
s e l f . _Likelihood ( s e l f
. priorn )
27
self . likelihood
28
s e l f . data =
29
30
31
def
= None
[]
_ f l a v o r i z e ( s e l f , pt ,
32
' ' '
33
add
34
' ' '
35
s e l f . c d f = pt . c d f
36
methods
self . isf
if
37
38
40
type
= pt . i s f
s e l f . pdf = pt . pdf
i s i n s t a n c e ( ptbase , r v _ d i s c r e t e ) :
else :
41
distribution
i s i n s t a n c e ( ptbase , rv_continuous ) :
elif
39
from
ptbase ) :
s e l f . p d f = p t . pmf
sys . exit ( ' Invalid
distribution
object ' )
42
43
44
45
s e l f . ppf = pt . ppf
def
s e l f . r v s = pt . r v s
_update ( s e l f ) :
"""
46
Calculate
47
"""
48
if
likelihood
function
s e l f . data :
s e l f . data [ 1]
49
d =
50
sc =
51
m =
52
M =
53
54
step =
s e l f . res
#s e l f . l i k e f u n
returns
log
likelihood
55
lik
= exp ( a r r a y ( [ s e l f . l i k e f u n ( ( d
, i , sc ) )
for
in
a r a n g e (m,M,
246
step ) ] ) )
56
57
58
self . likelihood
def
addData ( s e l f ,
59
"""
60
Adds
dataset
data =
to
[]) :
variable ' s
data
store
61
"""
62
s e l f . d a t a . append ( a r r a y ( d a t a ) )
63
s e l f . _update ( )
64
65
def
getPriorSample ( s e l f , n) :
66
' ' '
67
Returns
sample
from
the
prior
distribution
68
' ' '
return
69
70
71
def
72
getPriorDist ( s e l f ) :
"""
73
Returns
74
"""
return
75
76
s e l f . r v s ( s i z e =n )
def
the
prior
PDF .
s e l f . pdf ( arange ( s e l f . range
[ 0 ] , s e l f . range [ 1 ] , s e l f . r e s ) )
getPosteriorSample ( s e l f ,
77
"""
78
Return
sample
of
the
n) :
posterior
distribution .
79
80
"""
if
s e l f . p o s t e r i o r . any ( ) :# Use
posterior
as
last
prior
81
k= k d e . g a u s i a n _ k d e ( s e l f .
82
s= k . r e s a m p l e ( n )
posterior )
247
else :
83
84
if
85
s =
s e l f . getPriorSample (n)
s e l f . data :
86
m =
87
M =
88
step =
89
s u p p = a r a n g e (m,M, s t e p )#s u p p o r t
90
s e l f . res
g r e a t e r ( s . r a v e l ( ) ,m) , s )#
o u t o f r a n g e
removing
samples
91
d = u n i f o r m . r v s ( l o c =0 , s c a l e =1 ,
s i z e =l e n ( s ) )#U n i f o r m
0 1
samples
s e l f . p d f ( supp ) s e l f .
92
w =
93
w = w/sum (w) #n o r m a l i z i n g
94
95
w = w [ s x 1]#s e a r c h
likelihood
weights
96
return
98
else :
return
99
100
102
binlist
97
101
sorted
1 b a s e d
returns
def
post
[]
_ Li k e li h oo d ( s e l f , typ ) :
103
' ' '
104
Define
familia
paramtrica
da
verossimilhana .
105
Retorna
106
typ
107
' ' '
deve
funo
ser
de
uma
verossimilhana .
string .
248
if
108
t y p ==
109
elif
110
111
' norm ' :
return lambda ( x ) : l i k e . Normal ( x

[0] ,x[1] ,1./x[2])
t y p ==
' expon ' :
return lambda ( x ) : ( 1 . / x [ 2 ] ) x
[0]. size
elif
112
e x p ( ( 1 . / x [ 2 ] ) sum (
x[0]) )
t y p ==
' beta ' :
return lambda ( x ) : l i k e . B e t a ( x
113
[0] ,x[1] ,x[2])
114
115
116
if
__name__=="__main__" :
bv = BayesVar ( norm , ( 3 , 1 ) , r a n g e = ( 0 , 5 ) )
117
data = ones ( 2 0 )
118
bv . addData ( d a t a )
119
p = bv . g e t P o s t e r i o r S a m p l e ( 2 0 0 0 0 0 )
120
121
122
P. hist (p ,
123
P. legend ( [ ' Likelihood ' , ' Prior ' ] )
124
P. t i t l e ( ' Bayesian
125
P . s a v e f i g ( ' b a y e s v a r . png ' , d p i =400)
126
P . show ( )
bv . r e s ) , bv . l i k e l i h o o d ,
' ro ' ,
l w =2)
bv . r e s ) , bv . g e t P r i o r D i s t ( ) , ' g+ ' , l w =2)

normed =1)
inference ' )
9.10 Exerccios
1. Compare a acurcia do amostrador de Metropolis-Hastings
resample do objeto
gaussian kde. Teste com diferentes formas de
O mtodo resample uma mera amostragem
com o amostrador oferecido pelo mtodo

retornado por
distribuio.
com reposio.
9.10. EXERCCIOS
249
2. Verique a importncia do tamanho amostral na atualizao

da distribuio posterior de uma varivel, utilizando o programa da listagem 9.21
3. Experimente diferentes valores para a varincia da distribuio
a priori
do exemplo 9.8, e verique o efeito na conver-
gncia do algoritmo.
4. Utilize o mtodo do hipercubo latino ilustrado na listagem 9.1
para gerar amostras das distribuies
a priori
nos exemplos
9.8 e 9.21 e avalie o seu impacto na qualidade das estimativas.
Apndices
251
Introduo ao Console
Gnu/Linux
Guia de sobrevivncia no console do Gnu/Linux
console
Gnu/Linux um poderoso ambiente de trabalho, em
contraste com a interface limitada, oferecida pelo sistema ope-
racional DOS, ao qual comumente comparado. O console Gnu/Linux tem uma longa histria desde sua origem no Bourne shell,
distribuido com o Sistema operacional(SO) UNIX verso 7.
sua evoluo, deu origem a algumas variantes.
Em
A variante mais
amplamente utilizada e que ser objeto de utilizao e anlise neste

captulo o Bash ou Bourne Again Shell. Ao longo deste captulo o termo console e shell sero utilizados com o mesmo sentido,
ainda que, tecnicamente no sejam sinnimos. Isto se deve falta
de uma traduo mais adequada para a palavra inglesa shell".
Qual a relevncia de um tutorial sobre shell em um livro sobre
computao cientca?
Qualquer cientista com alguma experin-
cia em computao est plenamente consciente do fato de que a

maior parte do seu trabalho, se d atravs da combinao da funcionalidade de diversos aplicativos cientcos para a realizao de
tarefas cientcas de maior complexidade. Neste caso, o ambiente
de trabalho chave para agilizar esta articulao entre aplicativos. Este captulo se prope a demonstrar, atravs de exemplos,
que o GNU/Linux um ambiente muito superior para este tipo
de atividade, se comparado com Sistemas Operacionais voltados
253
Console Gnu/Linux
principalmente para usurios leigos.
Alm do Console e sua linguagem (bash), neste captulo vamos conhecer diversos aplicativos disponveis no sistema operacional Gnu/Linux, desenvolvidos para serem utilizados no console.
A linguagem BASH
A primeira coisa que se deve entender antes de comear a estudar
o shell do Linux, que este uma linguagem de programao bastante poderosa em si mesmo.
O termo Shell, cpsula, traduzido
literalmente, se refere sua funo como uma interface entre o

usurio e o sistema operacional. A shell nos oferece uma interface
textual para invocarmos aplicativos e lidarmos com suas entradas
e sadas. A segunda coisa que se deve entender que a shell no o
sistema operacional, mas um aplicativo que nos facilita a interao
com o SO.
O Shell no depende de interfaces grcas sosticadas, mas comumente utilizado atravs de uma janela, do conforto de uma
interface grca. Na gura 1, vemos um exemplo de uma sesso
do bash rodando em uma janela.
Alguns Comando teis
ls
pwd
Lista arquivos.
cp
Copia arquivos.
mv
completo).
Renomeia ou move arquivos.
rm
Apaga
arquivos
(de
dade!).
ln
Imprime o nome do diretrio corrente (caminho
ver-
mkdir
Cria um diretrio.
rmdir
Remove
Para
mente
de
Cria links para arquivos.
254
um
diretrio.
remover
recursiva-
toda
diretrios
rf(cuidado!).
uma
use
rvore
rm
A linguagem BASH
Figura 1: Konsole: janela contendo uma sesso bash (ou outra) no

KDE.
cat
Joga o arquivo inteiro na
tail
Visualiza
tela.
less
Visualiza
arquivo
com
nl
Visualiza
tao e busca dentro do

mesmo.
Visualiza o incio do arquivo.
nal
do
ar-
com
numerao
das linhas.
possibilidade de movimen-
head
quivo.
od
Visualiza
arquivo
binrio
em base octal.
xxd
Visualiza arquivo binrio

em base hexadecimal.
255
Console Gnu/Linux
gv
Visualiza
arquivos
Posts-
locate
cript/PDF.
xdvi
arquivos
DVI
Mostra atributos dos ar-
(executvel), fontes, e pgina man de um comando.
Conta
bytes/palavras/li-
nhas.
du
grep
Busca
em
texto
retor-
nando linhas.
Uso de espao em disco.
le
cut
Atualiza registro de l-
tima
atualizao
do
exista, criado.
chown
Altera
dono
do
ar-
quivo.
chgrp
Altera o grupo do ar-
quivo.
chmod
paste
Altera as permisses de
sort Ordena linhas.

uniq Localiza linhas idnticas.
gzip Compacta arquivos no formato GNU Zip.
compress Compacta arquivos.

bzip2 Compacta
arquivos(maior compactao do
um arquivo.
chattr
que o gzip,
Altera
atributos
avan-
ados de um arquivo.
lsattr
Lista
atributos
dos do arquivo.
nd
Anexa colunas de um ar-
quivo texto.
ar-
quivo. Caso o arquivo no
Extrai colunas de um arquivo.
Identica tipo do arquivo.
touch
256
por
which Localiza comandos.

whereis Localiza o binrio
quivos.
wc
arquivo
updatedb.
Visualiza
gerados pelo TEX.
stat
Localiza
meio de ndice criado com
Localiza arquivos.
avana-
porm mais
lento.
zip
Compacta arquivos no formato zip(Windows).
di
Compara arquivos linha a

linha.
Entradas e Sadas, redirecionamento e "Pipes".
comm
Compara arquivos orde-
uptime
nados.
cmp
Compara
Retorna tempo desde o
ltimo boot,
arquivos
byte
por byte.
e carga do
sistema.
top
Monitora processos em exe-
cuo.
md5sum Calcula checksums.
df Espao livre em todos os dis- free Mostra memria livre.
cos(pendrives e etc.) mon- kill Mata processos.
tados.
mount
Torna um disco acess-
vel.
fsck
Verica um disco procu-
nice
Ajusta a prioridade de um
processo.
renice
rando por erros.
Altera a prioridade de
um processo.
Executa programas a insync Esvazia caches de disco. watchtervalos

regulares.
ps Lista todos os processos.
crontab Agenda tarefas periw Lista os processos do usurio.
dicas.
Entradas e Sadas, redirecionamento e "Pipes".

O esquema padro de entradas e sadas dos SOs derivados do
UNIX, est baseado em duas idias muito simples: toda comunicaao formada por uma sequncia arbitrria de caracteres (Bytes),
e qualquer elemento do SO que produza ou aceite dados tratado
como um arquivo, desde dispositivos de hardware at programas.
Por conveno um programa UNIX apresenta trs canais de
comunicao com o mundo externo:
entrada padro ou STDIN,
sada padrao ou STDOUT e sada de erros padro ou STDERR.

O Bash(assim como praticamente todas as outras shells) torna
muito simples a utilizao destes canais padro. Normalmente, um
257
Console Gnu/Linux
usurio utiliza estes canais com a nalidade de redirecionar dados
atravs de uma sequncia de passos de processamento. Como este
processo se assemelha ao modo como canalizamos gua para lev-la
de um ponto ao outro, Estas construes receberam o apelido de
pipelines"ou tubulaes onde cada segmento chamado de pipe".
Devido a essa facilidade, muitos dos utilitrios disponveis na
shell do Gnu/Linux foram desenvolvidos para fazer uma nica coisa
bem, uma vez que funes mais complexas poderiam ser obtidas
combinando programas atravs de pipelines".
Redirecionamento
Para redirecionar algum dado para o STDIN de um programa, utili-
<.
zamos o caracter
chamado
nomes
Por exemplo, suponha que temos um arquivo
contendo uma lista de nomes, um por linha.
comando sort < nomes ir lanar na tela os nomes ordenados alfabeticamente. De maneira similar, podemos utilizar o caracter
>
para redirecionar a saida de um programa para um arquivo, por

exemplo.
Listagem 22: Redirecionando STDIN e STDOUT
s o r t < nomes > n o m e s _ o r d e n a d o s
O comando do exemplo 22, cria um novo arquivo com o contedo do arquivo
nomes,
ordenado.
Pipelines
Podemos tambm redirecionar sadas de comandos para outros comandos, ao invs de arquivos, como vimos anteriormente. O caractere que usamos para isto o
conhecido como pipe. Qualquer
linha de comando conectando dois ou mais comandos atravs de

pipes denominada de pipeline.
258
Prolas Cientcas do Console Gnu/Linux
Listagem 23: Lista ordenada dos usurios do sistema.
d : f 1
ajaxterm
cut
avahi
a v a h i a u t o i p d
backup
beagleindex
bin
boinc
...
< / e t c / passwd
| sort
O simples exemplo apresentado d uma idia do poder dos pipelines, alm da sua convenincia para realizar tarefas complexas,
sem a necessidade de armazenar dados intermedirios em arquivos,
antes de redirecion-los a outros programas.

O console Gnu/Linux extrai a maior parte da sua extrema versati-
lidade de uma extensa coleo de aplicativos leves desenvolvidos
para serem utilizados diretamente do console. Nesta seo, vamos

ver alguns exemplos, uma vez que seria impossvel explorar todos
eles, neste simples apndice.
Gnu plotutils
O GNu Ploting Utilities uma suite de aplicativos grcos e
matemticos desenvolvidos para o console Gnu/Linux. So eles:
graph
L um ou mais conjuntos de dados a partir de arquivos ou
de STDIN e prepara um grco;
7 Desenvolvidos
principalmente pelo projeto Gnu
259
Console Gnu/Linux
plot
Converte Gnu metale para qualquer dos formatos listados

acima;
pic2plot
Converte diagramas criados na linguagem
pic para qual-
quer dos formatos acima;
tek2plot
Converte do formato Tektronix para qualquer dos for-
matos acima.
Estes aplicativos grcos podem criar e exportar grcos bi-
SVG, PNG, PNM, pseudo-GIF,

WebCGM, Illustrator, Postscript, PCL 5, HP-GL/2, Fig (editvel
com o editor de desenhos xfig), ReGIS, Tektronix ou GNU Metafile.
dimensionais em treze formatos diferentes:
Aplicativos Matemticos:
ode
Integra numericamente sistemas de equaes diferenciais ordinrias (EDO);
spline
Interpola curvas utilizando splines cbicas ou exponenci-
ais. Pode ser utilizado como ltro em tempo real.
graph
A cada vez que chamamos o programa
graph,
ele l um ou mais
conjuntos de dados a partir de arquivos especicados na linha de

comando, ou diretamente da
STDIN, e produz um grco.
O grco
pode ser mostrado em uma janela, ou salvo em um arquivo em

qualquer dos formatos suportados.
Listagem 24: Plotando dados em um arquivo.
graph
png < a r q u i v o _ d e _ d a d o s _ a s c i i >
p l o t . png
Se o
arquivo_de_dados_ascii contiver duas colunas de nmex e y, respectivamente. Os pares
ros, o programa as atribuir a

260
ordenados que daro origem aos pontos do grco no precisam

estar em linhas diferentes. por exemplo:
echo
Listagem 25: Desenhando um quadrado.

.1
.1
.1
.9
C m
.9
.9
.9
.1
.1
.1
graph
0.3
A listagem 25 plotar um quadrado com vrtices em
(0.1,0.9), (0.9,0.9) e (0.9,0.1).
(0.1,0.1),
A repetio do primeiro vr-
tice garante que o polgono ser fechado. A opo
-m indica
o tipo
da linha utilizada: 1-linha slida, 2-pontilhada, 3-ponto e trao,

4-traos curtos e 5-traos longos.
A opo
-q
indica que o qua-
drado ser preenchido (densidade 30%) com a mesma cor da linha:

vermelho (-C indica grco colorido).
graph
O programa
aceita ainda muitas outras opes. Leia o
manual(man graph) para descobr-las.
spline
O programa funciona de forma similar ao
peito entradas e sadas.
graph
no que diz res-
Como todos os aplicativos de console,
benecia-se muito da interao com outros programas via pipes.
echo
Listagem 26: Uso do

0
spline
spline
|
graph
Spline no serve apenas para interpolar funes, tambm pode

ser usado para interpolar curvas em um espao d-dimensional utilizandose a opao
-d.
Listagem 27: Interpolando uma curva em um plano.
echo
graph
spline
a s
O comando da listagem 27 traar uma curva passando pelos

pontos
(0,0), (1,0), (1,1)
(0,1).
A opo
-d 2
indica que
261
Console Gnu/Linux
Figura 2: Usando
262
spline.
Figura 3: Interpolando uma curva em um plano.
a varivel dependente bi-dimensional. A opo
-a
indica que a
varivel independente deve ser gerada automticamente e depois

removida da sada (opo
-s).
263
Console Gnu/Linux
ode
ode
O utilitrio
capaz de produzir uma soluo numrica de sis-
temas de equaes diferenciais ordinrias.

ser redirecionada para o utilitrio
graph,
A sada de
ode
pode
que j discutimos anteri-
ormente, de forma que as solues sejam plotadas diretamente,

medida em que so calculadas.
Vejamos um exemplo simples:
dy
= y(t)
dt
(3)
A soluo desta equao :
y(t) = et
(4)
Se ns resolvermos esta equao numericamente, a partir do

valor inicial
y(0) = 1,
at
t = 1
e
= 2.718282, com 7 algarismos
esperaramos obter o valor de
como ltimo valor da nossa curva (e
signicativos). Para isso digitamos no console:

Listagem 28: Resolvendo uma equao diferencial simples no console do Linux.
ode
2 y '= y
3
y=1
print
step
t ,y
0 ,1
Aps digitar a ultima linha do exemplo 28, duas colunas de

nmeros aparecero:
a primeira correspondendo ao valor de t e
a segunda ao valor de y; a ultima linha ser
1 2.718282.
Como
espervamos.
Para facilitar a re-utilizao dos modelos, podemos colocar os
comandos do exemplo 28 em um arquivo texto. Abra o seu editor
favorito, e digite o seguinte modelo:
264
Listagem 29: Sistema de trs equaes diferenciais acopladas
1 # O modelo
de
Lorenz
, Um s i s t e m a
de
trs
EDOs a c o p l a d a s ,
2 # com um p a r m e t r o
3 x' =
4 y' =
5
z'
r.
3 (xy )
x z+r xy
x yz
6
7
r = 26
x = 0;
9
10
print
step
y = 1;
x,
0,
z = 0
y
200
Salve o arquivo com o nome
lorenz.
Agora digite no console a
seguinte linha de comandos:
ode <
20
lorenz
graph
C x 10
10
20
E eis que surgir a bela curva da gura 4.
265
Console Gnu/Linux
Figura 4: Atrator de Lorenz.
266
ndice Remissivo
arange, 46
EDO, 258
aranha, 190
elif, 28
array, 46
else, 28
Emacs, 81
.shape, 46
enumerate, 30
bancos de dados, 185
equaes de diferena, 145
break, 32
equaes diferenciais, 148

espao de nomes, 10
cadeias de Markov, 214
excees, 32
classe, 53
except, 32
atributos, 54
mtodos, 55
nally, 32
conjuntos, 27
for, 30
Console Python, 4
FORTRAN, 117
Controle de Verses, 86
funes, 34
lista de argumentos va-
Mercurial, 88
rivel, 36
Ctypes, 105
passando argumentos, 36
decoradores, 38
funoes
dicionrios, 24
argumentos opcionais, 35
mtodos, 25
geradores, 38
Editores, 80
Gibbs, 219
editores, 80
Gnu Nano, 81
267
ndice Remissivo
Grafos, 169
MCMC, 216
graph, 258
Mercurial, 88
Metropolis-Hastings, 217
Herana, 56
IDEs, 83
if, 28
import, 42
Inferncia Bayesiana, 203
modelagem matemtica, 135

modelos dinmicos, 145
modelos exponenciais, 142
modelos lineares, 137
monte carlo, 205
integrao numrica, 148
Nmeros complexos, 10
Ipython, 73
NetworkX, 172
Comandos mgicos, 75
numpy, 45
iterao, 29
objetos, 52
Java, 125
operadores aritmticos, 8
Jedit, 81
Jython, 126
lambda, 37
LHS, 200
listas, 13
mtodos, 16
mdulo
numpy.linalg, 46
scipy, 46
Mdulos
pacotes, 44
Palavras reservadas, 4
pickle, 186
print, 46
pydoc, 47
Pyrex, 106
R, xix
return, 37
scipy, 46
BeautifulSoup, 190
Scite, 81
email, 181
Shedskin, 111
mailbox, 182
sqlite, 187
threading, 178
SQLObject, 190
mdulos, 41
numpy, 45
strings, 22
formatando, 23
Mathematica, xix
Matlab, xix
268
try, 32
tuplas, 19
unidades, 155
unum, 159
urllib, 193
urllib2, 193
uso interativo, 5
verossimilhana, 228
weave, 100
web-spider, 190
while, 29
zip, 31
269
Colophon
Este livro foi formatado usando
AT X, criado por Leslie

L
E
Lamport e a classe memoir. O
corpo do texto utiliza fontes de
tamanho 10 Modern Roman,
criadas por Donald Knuth.
Outras fontes incluem Sans,
Smallcaps, Italic, Slanted and
Typewriter, todas da famlia
Computer Modern desenvolvida
por Knuth.

Computação Científica Com Pyton PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Computação Científica Com Pyton PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Computao

Uma introduo programao

2007 Flvio Codeo Coelho

Todos os direitos reservados.

Este livro dedicado minha esposa e meu lho, sem

Seria impossvel listar todas elas.

guras fundamentais merecem uma meno especial.

Sem o Software Livre tudo o que eu sei

sobre programao, provavelmente se reduziria a alguns comandos de DOS.

Sem o Linux, nunca teria me aproximado o su-

ciente da programao para conhecer a linguagem Python.

Guido van Rossum.

Muito obrigado por esta bela linguagem, e

Obrigado por todas esta extenses ma-

ravilhosas ao Python. comunidade de desenvolvedores do

Prefcio: Computao Cientca

Da Computao Cientca e sua denio pragmtica.

Breve introduo a conceitos bsicos de programao

Execuo a Partir de Scripts . . .

Operaes com Nmeros . . . . . . . . . . . . . . . .

Nomes, Objetos e Espaos de Nomes . . . . . . . . .

Lidando com erros: Excees

Pacotes teis para Computao Cientca . . . . . .

Introduo programao orientada a objetos e sua

Denindo Objetos e seus Atributos em Python

Adicionando Funcionalidade a Objetos . . . . . . . .

Utilizando Classes como Estruturas de Dados Gen2.2

3 Criando Grcos em Python

Adicionando Texto a Grcos . . . . . . . . . . . . .

Exposio de ferramentas voltadas para o aumento da

Controle de Verses em Software

5 Interagindo com Outras Linguagens

Introduo a vrios mtodos de integrao do Python

Integrao com a Linguagem

Integrao com a Linguagem

A Pton que sabia Javans  Integrao com Java

Criando Applets em Jython . . . . . . . . . . . . . 128

Introduo modelagem matemtica e sua implementao computacional. Discusso sobre a importncia da

Construindo Modelos Dinmicos

Modelando Iterativamente . . . . . . . . . . . . . . . 145

Grandezas, Dimenses e Unidades

O Pacote Unum . . . . . . . . . . . . . . . . . . . . . 159

Criando Grafos a Partir de Outros Grafos . . . . . . 175

8 Interao com Bancos de Dados

O mdulo Sqlite3 . . . . . . . . . . . . . . . . . . . . 187

O Pacote SQLObject . . . . . . . . . . . . . . . . . . 190

Seleo de problemas relacionados com a simulao e

Nmeros Aleatrios . . . . . . . . . . . . . . . . . . . 199

Integrao Monte Carlo

Amostragem por Rejeio

Mtodo do Envelope . . . . . . . . . . . . . . . . . . 208

Cadeias de Markov . . . . . . . . . . . . . . . . . . . 214

Mtodos Monte Carlo Sequenciais

Sampling Importance Resampling  SIR . . . . . . . 224

Funes de Verossimilhana . . . . . . . . . . . . . . 229

Inferncia Bayesiana com Objetos.

9.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . 248

Guia de sobrevivncia no console do Gnu/Linux

Alguns Comando teis . . . . . . . . . . . . . . . . . 254

da documentao gerada pelo

Histograma simples a partir da listagem 3.2 . . . . . . .

Reta simples a partir da listagem 3.3 . . . . . . . . . . .

Grco com smbolos circulares a partir da listagem 3.4

Este livro dedicado minha esposa e meu lho, sem

guras fundamentais merecem uma meno especial.

ciente da programao para conhecer a linguagem Python.

Prefcio: Computao Cientca

Da Computao Cientca e sua denio pragmtica.

Pacotes teis para Computao Cientca . . . . . .

Denindo Objetos e seus Atributos em Python

3 Criando Grcos em Python

Adicionando Texto a Grcos . . . . . . . . . . . . .

A Pton que sabia Javans Integrao com Java

Criando Applets em Jython . . . . . . . . . . . . . 128

Sampling Importance Resampling SIR . . . . . . . 224

Grco com smbolos circulares a partir da listagem 3.4

Figura com dois grcos utilizando o comando subplot,

Formatao de texto em guras. Gerada pela listagem

Editor emacs em modo Python e com Code Browser

Editor Jython Jedit

4.11 Modicaes de Bruno.

4.12 Modicaes de Ana. . . . . . . . . . . . . . . . . . . . .

Representao grca de um modelo linear. Efeito do

Representao grca de um modelo linear. Efeito do

Grco com o resultado da integrao do modelo 6.2.

Prexos de Unidades . . . . . . . . . . . . . . . . . . . . 165

Denio da palavra reservada

1.17 Selecionando o nal de uma lista. . . . . . . . . . . .