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.

  1. Il primo script Python in GX-TXT
  2. Variabili, tipi scalari e misure fisiche
  3. Stringhe, Unicode e formattazione scientifica
  4. Liste, tuple, indici e slicing
  5. Dizionari, dati strutturati e introspezione
  6. Eccezioni e sicurezza delle chiamate API

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.

  1. Confronti, booleani e predicati sulle capability
  2. Condizioni if/elif/else e requisiti di esecuzione
  3. Cicli for, enumerate e catalogo Dataset
  4. While, contatori e lettura per blocchi
  5. Funzioni, argomenti e ritorni
  6. Parametri tipizzati e Runner GX-TXT

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.

  1. Array NumPy, dtype, shape e trasporto tipizzato
  2. Indicizzazione avanzata e slice di array
  3. Maschere booleane e selezione dei dati
  4. Vettorizzazione, broadcasting e unità
  5. Precisione, aggregazioni e statistiche di base
  6. Pathlib, context manager e output

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.

  1. Catalogo Dataset e identità stabile
  2. Variabili, schemi e unità scientifiche
  3. Lettura progressiva e gestione delle righe
  4. Dataset multidimensionali e hyperslab
  5. Pubblicazione di una serie derivata
  6. Writer strutturato e transazioni

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.

  1. API numeriche e algebra su array
  2. Interpolazione e campionamento numerico
  3. Regressione lineare e minimi quadrati
  4. Funzioni come oggetti e fitting non lineare
  5. Ricerca zeri e ottimizzazione
  6. Equazioni differenziali e callback ODE

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.

  1. Dati, PlotSpec e grafico scientifico
  2. Prima curva 2D nel Viewer GX-TXT
  3. Assi, unità, scala e titoli
  4. Serie multiple, stili e legende
  5. Pannelli multipli e asse X condiviso
  6. Annotazioni e presentazione dei grafici

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.

  1. Parametri avanzati e validazione del modello
  2. Session, Workspace e note scientifiche
  3. Trasformazioni di Dataset: descrizione e piano
  4. Esecuzione della trasformazione e provenienza
  5. Avanzamento, cancellazione e limiti dei Job
  6. Output, salvataggi e ripetibilità verificata

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.

  1. Statistica descrittiva con API numeriche
  2. Incertezza, pesi e propagazione
  3. Test d’ipotesi, bootstrap e limiti inferenziali
  4. Curve Fitter: modelli e risultati
  5. Confronto di modelli e residui
  6. Interpretazione statistica e rapporto scientifico

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.

  1. Script Projects e import di moduli propri
  2. Type hints, dataclass e oggetti del dominio
  3. Iteratori, generatori e streaming scientifico
  4. Eccezioni, logging e qualità del codice
  5. Debugger GUI e test dei progetti
  6. Parallelismo controllato e policy risorse

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.

  1. Domanda scientifica, modello e piano
  2. Generazione del Dataset e pubblicazione nativa
  3. Preprocessing e metodi numerici riproducibili
  4. Fitting, incertezze e diagnostica dei residui
  5. Grafici, Sessione e rapporto integrato
  6. Riproducibilità e preparazione alla pubblicazione

Il diario del progetto 60

  1. 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.
  2. 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…
  3. 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.
  4. 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.
  5. 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…
  6. 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.
  7. 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…
  8. 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.
  9. 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,…
  10. 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.
  11. 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…
  12. 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.
  13. 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,…
  14. 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.
  15. 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.
  16. 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…
  17. 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…
  18. 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…
  19. 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. 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.
  21. 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.
  22. 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.
  23. 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…
  24. 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.
  25. 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…
  26. 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.
  27. 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…
  28. 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.
  29. 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…
  30. 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.
  31. 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…
  32. 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…
  33. 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…
  34. 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.
  35. 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.
  36. 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.
  37. 20/11/2026 Avanzamento, cancellazione e limiti dei Job Un’operazione lunga dovrebbe comunicare ciò che sta facendo senza bloccare inutilmente l’interfaccia.
  38. 20/11/2026 Output, salvataggi e ripetibilità verificata Un’analisi ripetibile richiede di sapere quali dati, codice, parametri e ambiente hanno prodotto un risultato.
  39. 20/11/2026 Parametri avanzati e validazione del modello I parametri permettono di riutilizzare lo stesso script con valori diversi senza modificarne il codice.
  40. 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…
  41. 20/11/2026 Trasformazioni di Dataset: descrizione e piano Prima di trasformare un Dataset è utile descrivere cosa vogliamo ottenere e controllare le precondizioni.
  42. 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.
  43. 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,…
  44. 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…
  45. 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…
  46. 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…
  47. 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…
  48. 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.
  49. 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.
  50. 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.
  51. 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…
  52. 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.
  53. 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…
  54. 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…
  55. 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.
  56. 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…
  57. 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…
  58. 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…
  59. 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.
  60. 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…

Tutti i progetti