Python scientifico in GX-TXT
di Giux 60 articoli ultimo il 20 Novembre 2026 0 commenti
Impara a usare Python per l’analisi scientifica in GX-TXT. Parti dal primo script nel Viewer Python e arrivi a un progetto riproducibile, passando per NumPy, dataset, metodi numerici, grafici e stima delle incertezze.
Il corso comprende 10 moduli e 60 lezioni. Gli esempi e gli esercizi usano il Viewer Python e le API pubbliche di GX-TXT. Nell’ultimo modulo applicherai quanto appreso per documentare dati, metodi e risultati di un’analisi completa.
Modulo 1 · Fondamenti di Python e primo contatto con GX-TXT
Apri il Viewer Python, scrivi il primo script e avvialo nello Script Runner con una Session aperta. Imparerai a usare il client pubblico di GX-TXT e a lavorare con valori, stringhe, collezioni ed eccezioni.
Modulo 2 · Logica, flussi, funzioni e parametri
Controlla il flusso di un programma con condizioni e cicli. Scrivi funzioni riutilizzabili e impara a fornire parametri tipizzati agli script dello Script Runner.
Modulo 3 · Strutture dati scientifiche, NumPy e file gestiti
Usa gli array NumPy per organizzare e selezionare dati scientifici. Lavora con tipi, precisione, maschere e unità e gestisci i file di output in GX-TXT.
Modulo 4 · Dataset canonici: lettura, schema, metadati e pubblicazione
Riconosci un Dataset nel catalogo e consulta variabili, schema e unità. Leggi i dati per blocchi e pubblica una serie derivata con le API di GX-TXT.
Modulo 5 · Metodi numerici tramite Python e API pubbliche
Applica ai dati metodi di interpolazione, regressione e ottimizzazione con Python e le API numeriche di GX-TXT. Affronta anche la ricerca degli zeri e l’integrazione di equazioni differenziali.
Modulo 6 · Visualizzazione scientifica e Plot API v4
Trasforma i Dataset della Sessione in grafici scientifici con PlotSpec e la Plot API v4. Configura assi, unità, serie, legende, pannelli e annotazioni.
Modulo 7 · Session, parametri, trasformazioni e tracciabilità
Collega parametri, Workspace, note e trasformazioni ai risultati del tuo lavoro. Segui l’esecuzione dei Job e conserva le informazioni necessarie per ripetere l’analisi.
Modulo 8 · Statistica, incertezza, regressione e Curve Fitter
Analizza dati sintetici con la statistica descrittiva e propaga le incertezze. Usa il Curve Fitter per confrontare modelli e valuta i residui prima di interpretare i risultati.
Modulo 9 · Progetti Python, codice mantenibile, debug e parallelismo
Organizza gli script in progetti Python, separa il codice in moduli e verifica il comportamento con il debugger e i test. Usa generatori e parallelismo dove adatti al tipo di lavoro.
Modulo 10 · Progetto scientifico integrato e preparazione alla pubblicazione
Sviluppa uno studio completo su dati sintetici. Definisci la domanda, prepara i Dataset, applica i metodi numerici e documenta risultati e incertezze in una Sessione riproducibile.
Il diario del progetto 60
- 20/11/2026 Variabili, tipi scalari e misure fisiche Distingui interi, decimali e booleani in Python. Calcola la durata di un’acquisizione a partire da numero di campioni e intervallo nel Runner GX-TXT.
- 20/11/2026 Il primo script Python in GX-TXT Apri il Viewer Python di GX-TXT, salva il tuo primo script nella Session ed eseguilo con lo Script Runner. Imparerai a usare print e…
- 20/11/2026 Liste, tuple, indici e slicing Finora abbiamo dato un nome a singoli valori. Per lavorare con più letture o con l’elenco delle API disponibili servono contenitori ordinati.
- 20/11/2026 Dizionari, dati strutturati e introspezione Organizza i dati in dizionari Python e leggi il descrittore delle API di GX-TXT. Impara a usare chiavi, valori e il metodo get.
- 20/11/2026 Eccezioni e sicurezza delle chiamate API Un programma incontra situazioni inattese: un valore non ha il tipo previsto, manca una chiave o una richiesta a un’API non è valida. Python…
- 20/11/2026 Stringhe, Unicode e formattazione scientifica Usa stringhe, Unicode e stringhe formattate in Python per preparare un riepilogo leggibile di valori e unità nel Runner GX-TXT.
- 20/11/2026 Cicli for, enumerate e catalogo Dataset Un ciclo ripete un blocco per ogni elemento di una sequenza. In questa lezione attraverseremo liste e intervalli, poi useremo un ciclo per elencare…
- 20/11/2026 while, contatori e lettura per blocchi Usa un ciclo while, un contatore e un criterio di arresto per leggere un Dataset GX-TXT a blocchi con Python.
- 20/11/2026 Funzioni, argomenti e ritorni Una funzione raccoglie istruzioni sotto un nome e può essere richiamata più volte con dati diversi. Questo aiuta a dare un significato ai passaggi,…
- 20/11/2026 Parametri tipizzati e Runner GX-TXT Dichiara parametri tipizzati nel Python Script Workspace e cambia valori e opzioni tra esecuzioni dallo Script Runner di GX-TXT.
- 20/11/2026 Confronti, booleani e capability Quando uno script deve decidere se un’operazione è disponibile o se un valore rispetta una condizione, il risultato di un confronto è spesso un…
- 20/11/2026 Condizioni if, elif, else e requisiti di esecuzione Scrivi condizioni if, elif ed else in Python. Usa il Runner GX-TXT per verificare i requisiti di versione e disponibilità di un’API.
- 20/11/2026 Precisione, aggregazioni e statistiche di base Una serie di numeri può essere riassunta con somma, media e dispersione. Questi numeri sono utili solo se sappiamo quali dati sono stati inclusi,…
- 20/11/2026 Pathlib, context manager e output gestito Uno script può produrre un file, ma in GX-TXT deve usare i percorsi e le operazioni pubbliche previste per conservarlo nella Session.
- 20/11/2026 Array NumPy, dtype e shape Leggi un Dataset GX-TXT come array NumPy e riconosci forma, assi e tipo degli elementi con shape e dtype.
- 20/11/2026 Indicizzazione e slice di array La forma di un array ci dice quanti assi possiede. In questa lezione selezioniamo righe e colonne di una tabella NumPy, conservando la corrispondenza…
- 20/11/2026 Maschere booleane e selezione dei dati Una maschera booleana associa a ogni elemento una decisione True o False. Possiamo usarla per selezionare valori che rispettano un criterio esplicito, mantenendo documentati…
- 20/11/2026 Vettorizzazione, broadcasting e unità NumPy permette di applicare un’operazione a un intero array con un’espressione concisa. Per ottenere risultati scientificamente interpretabili, però, bisogna controllare sia le forme degli…
- 20/11/2026 Dataset multidimensionali e hyperslab Un Dataset può contenere una variabile organizzata su più dimensioni. Un hyperslab è un sottoinsieme rettangolare definito da una posizione iniziale e da un…
- 20/11/2026 Pubblicazione di una serie derivata Una trasformazione scientifica dovrebbe produrre un risultato distinguibile dai dati di partenza e accompagnato da informazioni sulla sua origine.
- 20/11/2026 Writer strutturato e transazioni La pubblicazione di dati strutturati può richiedere più passaggi: dichiarare dimensioni e variabili, scrivere valori e concludere l’operazione.
- 20/11/2026 Catalogo Dataset e identità stabile Un nome leggibile aiuta a riconoscere un Dataset, ma per richiederlo in modo affidabile uno script ha bisogno di un identificativo.
- 20/11/2026 Variabili, schemi e unità scientifiche Una colonna numerica non è ancora una descrizione completa di un dato scientifico. Per interpretarla servono almeno identità, significato e unità, oltre al contesto…
- 20/11/2026 Lettura progressiva e gestione delle righe Quando un Dataset contiene più variabili correlate, leggere tutte le colonne necessarie nello stesso intervallo aiuta a conservarne l’allineamento.
- 20/11/2026 Ricerca zeri e ottimizzazione Cercare uno zero significa trovare un valore per cui una funzione vale zero. Minimizzare significa invece trovare un valore che renda più piccolo possibile…
- 20/11/2026 Equazioni differenziali e callback ODE Un’equazione differenziale ordinaria descrive come cambia uno stato rispetto a una variabile indipendente, spesso il tempo.
- 20/11/2026 API numeriche e algebra su array In questa lezione mettiamo a confronto due modi di calcolare con le matrici: NumPy nel processo Python e il servizio numerico di GX-TXT, raggiunto…
- 20/11/2026 Interpolazione e campionamento numerico Una serie di valori può essere disponibile solo a determinati istanti. L’interpolazione costruisce una stima fra quei punti secondo un modello scelto.
- 20/11/2026 Regressione lineare e minimi quadrati Una retta può riassumere una relazione approssimata tra due grandezze. In questa lezione stimiamo intercetta e pendenza con l’API numerica di GX-TXT e studiamo…
- 20/11/2026 Funzioni come oggetti e fitting non lineare Passa una funzione Python come callback all’API numerica di GX-TXT e stima i parametri di un decadimento esponenziale sintetico.
- 20/11/2026 Dati, PlotSpec e grafico scientifico Un grafico nasce da dati e da scelte di rappresentazione. Il Dataset conserva le variabili; un PlotSpec descrive quali variabili mostrare, in quale pannello…
- 20/11/2026 Prima curva 2D nel Viewer GX-TXT Creiamo un grafico persistente a partire da un Dataset canonico della Sessione. Useremo il PlotSpec preparato nella lezione precedente e chiederemo a GX-TXT di…
- 20/11/2026 Assi, unità, scala e titoli Lo stesso Dataset può essere mostrato con limiti e titoli diversi. Una buona presentazione rende leggibili le grandezze e non nasconde il significato delle…
- 20/11/2026 Serie multiple, stili e legende Visualizza due serie sintetiche sullo stesso grafico GX-TXT. Usa stili, unità e legenda per distinguere e confrontare i segnali.
- 20/11/2026 Pannelli multipli e asse X condiviso Quando due serie si sovrappongono o hanno significati diversi, pannelli separati possono rendere più chiaro il confronto.
- 20/11/2026 Annotazioni e presentazione dei grafici Un’annotazione aiuta il lettore a individuare un punto o una regione significativa. Deve aggiungere contesto senza modificare i dati o suggerire conclusioni non supportate.
- 20/11/2026 Avanzamento, cancellazione e limiti dei Job Un’operazione lunga dovrebbe comunicare ciò che sta facendo senza bloccare inutilmente l’interfaccia.
- 20/11/2026 Output, salvataggi e ripetibilità verificata Un’analisi ripetibile richiede di sapere quali dati, codice, parametri e ambiente hanno prodotto un risultato.
- 20/11/2026 Parametri avanzati e validazione del modello I parametri permettono di riutilizzare lo stesso script con valori diversi senza modificarne il codice.
- 20/11/2026 Session, Workspace e note scientifiche Una Sessione raccoglie dati e risultati del lavoro. Un Workspace conserva uno stato di lavoro gestito da un provider; una nota può documentare un…
- 20/11/2026 Trasformazioni di Dataset: descrizione e piano Prima di trasformare un Dataset è utile descrivere cosa vogliamo ottenere e controllare le precondizioni.
- 20/11/2026 Esecuzione della trasformazione e provenienza Esegui una trasformazione di Dataset in GX-TXT. Rileggi i dati derivati, confronta i valori con l’origine e verifica la provenienza.
- 20/11/2026 Confronto di modelli e residui Un modello più complesso non è automaticamente migliore. Confrontiamo un polinomio di primo grado e uno di secondo grado sugli stessi quattro punti sintetici,…
- 20/11/2026 Interpretazione statistica e rapporto scientifico Un rapporto scientifico deve permettere a chi legge di distinguere dati, stime, incertezze e interpretazioni. In questa lezione costruiamo un breve rapporto didattico a…
- 20/11/2026 Statistica descrittiva con API numeriche La statistica descrittiva riassume un insieme di valori. In questa lezione confrontiamo i risultati dell’API numerica di GX-TXT con NumPy per una serie sintetica…
- 20/11/2026 Incertezza, pesi e propagazione Una stima numerica acquista significato quando chiariamo anche quanto è incerta e quali ipotesi sostengono il calcolo. In questa lezione confrontiamo media semplice e…
- 20/11/2026 Test d’ipotesi, bootstrap e limiti inferenziali Un test statistico valuta quanto un risultato sia compatibile con un modello e un’ipotesi specificati. Il bootstrap usa ricampionamenti dei dati disponibili per esplorare…
- 20/11/2026 Curve Fitter: modelli e risultati Il Curve Fitter permette di adattare un modello a una curva di un Dataset e di esaminare parametri e residui.
- 20/11/2026 Script Projects e import di moduli propri Quando uno script cresce, separare il punto di ingresso dalle funzioni riutilizzabili aiuta a leggere e mantenere il codice.
- 20/11/2026 Type hints, dataclass e oggetti del dominio Un piccolo oggetto Python può raccogliere l’identità di un Dataset e le variabili da usare, rendendo più chiaro il codice.
- 20/11/2026 Iteratori, generatori e streaming scientifico Uno stream legge dati progressivamente, senza richiedere di caricare tutta una tabella in una volta. Un generatore Python può consegnare un blocco alla volta…
- 20/11/2026 Eccezioni, logging e qualità del codice Un programma affidabile segnala chiaramente gli input non validi e non trasforma un errore di lettura in un risultato apparentemente corretto.
- 20/11/2026 Debugger GUI e test dei progetti Il debugger permette di fermare un programma, osservare il punto di esecuzione e ispezionare le variabili. I test verificano invece comportamenti attesi in modo…
- 20/11/2026 Parallelismo controllato e policy risorse Il parallelismo può essere utile per compiti indipendenti, ma consuma risorse e introduce costi di coordinamento. Prima di avviare worker leggiamo la policy comunicata…
- 20/11/2026 Generazione del Dataset e pubblicazione nativa Generiamo le due serie previste dal protocollo e le pubblichiamo nella Sessione con segnale ideale, segnale sintetico rumoroso e incertezza standard esplicita.
- 20/11/2026 Preprocessing e metodi numerici riproducibili Prima del fit prepariamo una vista dei dati necessaria all’analisi e controlliamo che i valori e le incertezze siano utilizzabili. Manteniamo la sorgente sintetica…
- 20/11/2026 Fitting, incertezze e diagnostica dei residui Stimiamo ampiezza e costante di decadimento delle due serie sintetiche, usando le incertezze dichiarate. Confrontiamo le stime con i parametri di generazione, noti perché…
- 20/11/2026 Grafici, Sessione e rapporto integrato Visualizziamo insieme i dati sintetici e le curve ottenute dai fit. La figura rende confrontabili le due condizioni; il rapporto numerico della lezione precedente…
- 20/11/2026 Riproducibilità e preparazione alla pubblicazione Concludiamo lo studio sintetico verificando che i Dataset pubblicati corrispondano al protocollo e raccogliendo i materiali necessari a spiegare e ripetere l’analisi.
- 20/11/2026 Domanda scientifica, modello e piano dell’esperimento In questo progetto finale confrontiamo due decadimenti del primo ordine costruiti al computer. La domanda didattica è: riusciremo a stimare le costanti di decadimento…