Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Add Chinese translations #456

Open
wants to merge 6 commits into
base: main
Choose a base branch
from
Open
Show file tree
Hide file tree
Changes from all commits
Commits
File filter

Filter by extension

Filter by extension

Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
10 changes: 9 additions & 1 deletion config.yaml.in
Original file line number Diff line number Diff line change
Expand Up @@ -12,7 +12,7 @@ markup:
# Uncomment this to disable the translations for the specified languages.
# This may be useful to be able to merge partial translations without deploying
# them to numpy.org immediately.
disableLanguages: ["pt", "ja"]
disableLanguages: ["pt", "ja", "zh"]

params:
images:
Expand Down Expand Up @@ -44,3 +44,11 @@ languages:
contentDir: content/ja
< content/ja/config.yaml >
< content/ja/tabcontents.yaml >

# Chinese
zh:
title: NumPy
weight: 3
contentDir: content/zh
< content/zh/config.yaml >
< content/zh/tabcontents.yaml >
8 changes: 8 additions & 0 deletions content/zh/404.md
Original file line number Diff line number Diff line change
@@ -0,0 +1,8 @@
---
title: 404
sidebar: false
---

抱歉······ 目标网页并不存在。

如果您认为这个页面应该展示些什么东西,请在 GitHub 上面 [发起一个 issue](https://github.com/numpy/numpy.org/issues).
84 changes: 84 additions & 0 deletions content/zh/about.md
Original file line number Diff line number Diff line change
@@ -0,0 +1,84 @@
---
title: 关于我们
sidebar: false
---

_下面是 NumPy 项目和社区的一些信息:_

NumPy 是一个使 Python 支持数值计算的开源项目, 它诞生于 2005 年,早期由 Numeric 和 Numarray 库发展而来。 NumPy 将始终保证项目完整开源,所有人都可以根据 [修改后的 BSD 条款](https://github.com/numpy/numpy/blob/master/LICENSE.txt) 免费对其进行使用和分发。

经过 NumPy 和 Python 科学计算社区协商讨论,最终决定将 NumPy 在 GitHub 上开源。 想要了解更多与社区治理有关的信息,请参阅我们的[治理文件](https://www.numpy.org/devdocs/dev/governance/index.html)。


## 指导委员会

指导委员会的成员们通过与 NumPy 社区合作并提供服务的形式来确保项目的长期发展,包括技术层面和社区层面。 NumPy 指导委员会目前由下列成员组成(按字母顺序排列):

- Sebastian Berg
- Ralf Gommers
- Charles Harris
- Stephan Hoyer
- Melissa Weber Mendonça
- Inessa Pawson
- Matti Picus
- Stéfan van der Walt
- Eric Wieser

荣誉会员:

- Travis Oliphant(项目创始人,2005-2012年)
- Alex Griffing(2015-2017年)
- Marten van Kerkwijk (2017-2019年)
- Allan Haldane (2015-2021)
- Nathaniel Smith (2012-2021)
- Julian Taylor (2013-2021)
- Pauli Virtanen (2008-2021)
- Jaime Fernández del Río (2014-2021)


## 团队

NumPy 项目正在不断发展中,我们的团队成员负责:

- 编码
- 文档
- 网站
- 分类
- 资金和赠款

查看[团队](/gallery/team.html)页面以了解每个独立团队的成员信息。

## NumFOCUS小组委员会

- Charles Harris
- Ralf Gommers
- Melissa Weber Mendonça
- Sebastian Berg
- 外部成员:Thomas Caswell

## 赞助商

NumPy 直接从下列来源获得资金:
{{< sponsors >}}


## 机构合作伙伴

机构合作伙伴指那些通过雇用为 NumPy 做贡献的人来支持该项目的组织。 目前的机构伙伴包括:

- UC Berkeley (Stefan van der Walt, Sebastian Berg, Ross Barnowski)
- Quansight(Ralf Gommers、Melissa Weber Mendonceda、Mars Lee、Matti Picus、Pearu Peterson)

{{< partners >}}


## 捐赠

如果您发现 NumPy 对您的工作、研究或公司有用,请考虑向该项目发起捐款。 任何金额都有帮助! 所有捐款将严格用于 NumPy 开源软件、文档和社区的开发。

NumPy 是美国 501(c)(3) 非营利慈善机构 NumFOCUS 的一个赞助项目。 NumFOCUS 向 NumPy 提供财政、法律和行政支助,帮助确保该项目的健康和可持续性。 访问 [numfocus.org](https://numfocus.org) 获取更多信息。

对 NumPy 的捐赠将由 [NumFOCUS](https://numfocus.org) 进行管理。 对于在美国的捐赠者,在法律规定的范围内,你的赠品可以免税。 如同任何捐赠一样,您应该与您的税务顾问商讨您的特定税务状况。

NumPy 指导委员会将就如何最佳利用收到的任何资金作出决定。 技术和基础设施相关的优先事项已记录在 [NumPy 路线图](https://www.numpy.org/neps/index.html#roadmap) 上。
{{< numfocus >}}
21 changes: 21 additions & 0 deletions content/zh/arraycomputing.md
Original file line number Diff line number Diff line change
@@ -0,0 +1,21 @@
---
title: 数组计算
sidebar: false
---

*数组计算是统计学、数学和当代数据科学及应用(如数据可视化、数字信号处理、图像处理、生物信息学、机器学习、AI等) 中的科学计算领域的基础。*

大规模数据操作和转换取决于高效率高性能的数组计算。 数据分析、机器学习和数值计算首选的语言是 **Python**。

NumPy 是 Python 语言中支持大型、多维数组和矩阵计算、并附有大量高级数学功能的默认标准库。

自2006年NumPy推出以来,Pandas于2008年出现,直到几年前,更多数组计算库才连续出现,充实数组计算领域。 许多这些较新库都具有类似NumPy的功能,包含较新的算法和功能,适合机器学习和人工智能应用。

<img
src="/images/content_images/array_c_landscape.png"
alt="arraycl"
title="Array Computing Landscape" />

**数组计算** 基于 **数组** 这一数据结构。 *数组*用于处理大量数据,使他们便于有效存储、搜索、计算和变换。

数组计算是 *独特*的 ,因为它需要 *同时*操作整个数据阵列。 这意味着任何数组操作应用于整个数组的每个值。 这种向量化的方法使得程序员能够对数据进行整体操作,无需使用循环操作标量,从而使代码更高效和简洁。
70 changes: 70 additions & 0 deletions content/zh/case-studies/blackhole-image.md
Original file line number Diff line number Diff line change
@@ -0,0 +1,70 @@
---
title: "案例研究:人类有史以来首张黑洞照片"
sidebar: false
---

{{{< figure src="/images/content_images/cs/blackhole.jpg" caption="**Black Hole M87**" alt="black hole image" attr="*(Image Credits: Event Horizon Telesmall Collection Collaboration)*" attrlink="https://www.jpl.nasa.gov/images/universse/20190410/blackhole20190410.jpg" >}}

<blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs">
<p>理论上黑洞不可能被“看见”,M87黑洞的成像正试图打破这种限制</p>
<footer align="right">Katie Bouman, <cite>Assistant Professor, Computing & Mathocal Sciences, Caltech</cite></footer>
</blockquote>

## 一架和地球大小相当的望远镜

[事件视界望远镜(EHT)](https://eventhorizontelescope.org) 是由八个地面射电望远镜组成的虚拟的类似地球大小的望远镜, 可以前所未有的敏感度和分辨率来了解宇宙。 这台巨大的虚拟望远镜使用一种称为超长基线干涉法 (VLBI)的技术, 其角分辨率为 [20 微弧秒][resolution] - EHT的分辨本领相当于从巴黎的一家人行道上的咖啡馆里阅读纽约的报纸!

### 关键目标和成果

* **关于宇宙的新观点:** 100年前,当 [亚瑟.爱丁顿爵士][eddington] 提出爱因斯坦的广义相对论的第一个观测证据时,就为EHT的开创性形象奠定了基础.

* **黑洞成像:** EHT 在距离地球约5500万光年的超大质量黑洞上进行了训练,该黑洞位于处女座星系团梅西埃87(M87) 的中心。 它的质量是太阳的65亿倍。 它已经被研究了 [100多年](https://www.jpl.nasa.gov/news/news.php?feature=7385),但从来没有一个黑洞被真正“看见”过。

* **将观察结果与理论进行比较:** 从爱因斯坦的广义相对论来看, 科学家期望找到由引力弯曲和光捕获引发的阴影状区域。 科学家可以用它来测量黑洞的巨大质量。

### 面临的挑战

* **庞大的计算规模**

EHT带来了巨大的数据处理挑战,其中包括快速的大气层相位波动、极高的记录带宽以及相异且地理位置分散的望远镜。

* **巨大的信息量**

EHT每天生成超过350TB的观测值,这些数据存储在充满氦气的硬盘驱动器中。 减少这么多数据的数量和复杂性是极其困难的。

* **对未知的探索**

当目标是看到前所未见的事物时,科学家怎么才能确定图像是正确的?

{{< figure src="/images/content_images/cs/dataprocessbh.png" class="csfigcaption" caption="**EHT Data Processing Pipeline**" alt="data pipeline" align="middle" attr="(Diagram Credits: The Astrophysical Journal, Event Horizon Telesrole Collection Collaboration)" attrlink="https://iopscience.op.org/article/10.3847/2041-8213/ab0c57" >}}

## NumPy的角色

如果数据有问题,怎么办? 或者一个算法过于依赖某个特定的假设。 如果单个参数被更改,图像是否会发生剧烈变化?

EHT协作组织为了应对上述挑战,让不同的独立小组使用现有的最先进的图像重建技术来评估数据。 当结果被证明是一致时,将这些结果合并以产生黑洞的第一张图像。

他们的工作说明了Python科学生态系统通过协作数据分析在 推进科学方面发挥的重要作用。

{{< figure src="/images/content_images/cs/bh_numpy_role.png" class="fig-center" alt="role of numpy" caption="**NumPy在黑洞成像中的作用**" >}}

例如, [`eht-imaging`][ehtim] 这个Python 软件包提供了 在 VLBI 数据上模拟和执行图像重建的工具。 NumPy 是这个包中使用的数组数据处理的核心,下面的部分软件 依赖关系图说明了这一点。

{{< figure src="/images/content_images/cs/ehtim_numpy.png" class="fig-center" alt="numpy在ehtim软件依赖关系中的地位" caption="**numpy在ehtim软件依赖关系中的重要地位**" >}}

除了NumPy以外,许多其他软件包,例如 [SciPy](https://www.scipy.org) 和 [Pandas](https://pandas.io), 也是用于黑洞成像的数据处理管道的一部分。 标准天文学文件格式和时间/坐标转换 由 [Astropy][astropy]处理, 而 [Matplotlib][mpl] 被用于在整个分析管道中的数据可视化,包括生成黑洞的最终图像。

## 总结

作为NumPy的核心功能,高效且拓展性强的N维数组使研究人员能够操作大规模数据集,从而为人类有史以来首张黑洞的成像提供坚实基础。 这是整个科学史中具有里程碑意义的时刻,它为爱因斯坦的理论提供了有力的佐证。 这项成就不仅包括技术突破,还见证了包括200多位科学家与世界上最好的无线电观测站之间的国际合作。 创新的算法和数据处理技术改进了现有的天文模型,帮助我们揭开宇宙的神秘面纱。

{{< figure src="/images/content_images/cs/numpy_bh_benefits.png" class="fig-center" alt="numpy benefits" caption="**NumPy核心能力的运用**" >}}

[resolution]: https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole

[eddington]: https://en.wikipedia.org/wiki/Eddington_experiment

[ehtim]: https://github.com/achael/eht-imaging

[astropy]: https://www.astropy.org/
[mpl]: https://matplotlib.org/
68 changes: 68 additions & 0 deletions content/zh/case-studies/cricket-analytics.md
Original file line number Diff line number Diff line change
@@ -0,0 +1,68 @@
---
title: "案例研究:通过数据分析玩转板球!"
sidebar: false
---

{{< figure src="/images/content_images/cs/ipl-stadium.png"
caption="**IPLT20, 印度最大的板球节**"
alt="印度高级板球联赛体育场和冠军奖杯"
attr="*(图片来源:IPLT20 (奖杯和标志) & Akash Yadav(体育场))*"
attrlink="https://unsplash.com/@aksh1802" >}}

<blockquote cite="https://www.scoopwhoop.com/sports/ms-dhoni/">
<p>你不是为人群而战,而是为国家而战。</p>
<footer align="right">— — M S Dhoni, <cite>International Cricket Player, ex-Captain, Indian team, plays for Chennai Super Kings in IPL</cite></footer>
</blockquote>

## 关于板球

印度人喜欢板球几乎人尽皆知。 这个游戏几乎在印度的任何角落都可以玩,无论是农村还是城市,与其它任何运动项目相比,只有板球可以轻松连接印度的数十亿年轻人和老年人。 板球受到了媒体的广泛关注。 无数 [金钱](https://www.statista.com/topics/4543/indian-premier-league-ipl/) 和 荣誉都压宝在这项运动上。 在过去的几年中,数据技术分析确实成为了运动场上的常胜将军。 流媒体、锦标赛、在移动设备上实时的观看板球等形式让不同观众的观看欲望得到最大满足。

印度超级联赛(IPL) 是成立于2008年的Twenty20板球职业联赛。 它是世界上参与人数最多的板球赛事之一,2019年价值为 [67亿美元](https://en.wikipedia.org/wiki/Indian_Premier_League) 。

板球本质上是关于数字的游戏-击球方的跑动得分,投球手击中门柱的次数,板球队赢得回合的次数,击球手以特定方式还击的次数等等。 借助类似NumPy等功能强大的数值计算分析软件,可以充分挖掘板球得分背后的原理,并对板球的商业化、市场化和经济效益提供重要的参考价值。 板球数据分析为比赛提供了独特的视角,并提供了有关比赛结果的智能预测。

时至今日,板球比赛的记录和统计数据非常丰富,几乎无穷无尽。例如[ESPN cricinfo](https://stats.espncricinfo.com/ci/engine/stats/index.html) 和 [cricsheet](https://cricsheet.org)。 这些板球数据库使用最新的机器学习和预测建模算法来进行 [板球分析](https://www.researchgate.net/publication/336886516_Data_visualization_and_toss_related_analysis_of_IPL_teams_and_batsmen_performances)。 媒体和娱乐平台以及与游戏相关联的专业体育机构使用技术分析来确定关键指标,以提高比赛获胜机率:

* 击球时跑动步数均值的表现
* 分数预测
* 深入了解球员在面对不同对手时的身体表现状况
* 在团队组成的决策过程中考察球员对比赛输赢的贡献值

{{< figure src="/images/content_images/cs/cricket-pitch.png" class="csfigcaption" caption="**万众瞩目的板球场**" alt="板球赛场上投球手和击球手蓄势待发" align="middle" attr="*(Image credit: Debarghya Das)*" attrlink="http://debarghyadas.com/files/IPLpaper.pdf" >}}

### 关键数据分析目标

* 运动数据分析不仅用于板球运动,还适用于 [其它运动](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) 中,以改善团队的整体表现并最大程度的提高获胜机会。
* 实时数据分析甚至可以在比赛过程中帮助提高洞察力,从而使团队和相关投资方改变比赛策略以获取更高的经济效益。
* 除了历史数据分析之外,预测模型也被使用来确定可能的比赛结果,这些结果需要大量的数值处理和数据科学专业知识, 可视化工具以及在分析中增加新观察项的能力。

{{< figure src="/images/content_images/cs/player-pose-estimator.png" class="fig-center" alt="post estimator" caption="**板球姿势预测**" tot="*(Image credit: connect.vin)*" attrlink="https://connect.vin/2019/05/ai-for-cricket-batsman-pose-analysis/" >}}

### 面临的挑战

* **数据清理和预处理**

IPL已经将板球运动从经典的测试赛扩展到更广的比赛形式。 每个赛季各种形式的比赛场次都有所增加,相应的数据规模、新算法、新的数据分析技术和模拟模型也有所增加。 板球数据分析需要对现场数据进行全方位跟踪,包括球员追踪、球的追踪、球员击球数据分析以及与如何传递球、球的角度、旋转、速度和轨迹有关的方面。 所有这些因素共同增加了数据清理和预处理的复杂性。

* **数据动态建模**

在板球运动中,就像任何其他体育运动一样,可能存在大量的变量,这些变量包括跟踪球场上各种球员的状态、球员的属性、球本身以及球员多种可能的潜在动作。 数据分析和建模的复杂性与分析过程中提出的预测问题的种类成正比,并且高度依赖数据表示和模型建模能力。 在要求实时动态的预测板球比赛的结果时,对计算性能、数据比对质量提出了更高的挑战,比如击球手以不同角度或速度击球对比赛结果会产生何种影响。

* **预测分析的复杂性**

板球比赛中的很多决定大都基于如下问题的答案:“针对特定类型的投球手,击球手特殊攻击的频率是多少”或者“如果击球手发动特殊攻击的话,投球手会如何改变他的投球位和投球距离”。 这些预测性分析的答案需要高精度且可用的数据集以及合成数据和构建高精度模型的能力。

## NumPy在板球数据分析中的角色

体育分析是一个蓬勃发展的领域。 除了使用最新的机器学习和AI技术之外,许多研究人员和公司[使用NumPy](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx)和其它Python数据处理包,例如Scikit-learn, SciPy, Matplotlib和Jupyter。 NumPy已用于各种与板球相关的体育分析中,例如:

* **统计分析:** NumPy的数值计算功能有助于在各种球员和比赛策略下估算观察数据或比赛事件的统计意义,并通过与生成模型或静态模型进行比较来预测比赛结果。 [因果分析](https://amplitude.com/blog/2017/01/19/causation-correlation) 和 [大数据分析](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/) 就常用于战术分析。

* **数据可视化:** 数据图形化和 [可视化](https://towardsdatascience.com/advanced-sports-visualization-with-pandas-matplotlib-and-seaborn-9c16df80a81b) 对各种数据集之间的关系提供了有价值的见解。

## 总结

在专业赛事中,特别是需要战略决策的比赛,运动数据分析常常能起到力挽狂澜的效果,哪怕是现在,主要还是依赖“勇气和直觉”或对过去传统的经验来完成分析。 NumPy为大量的 Python 软件包奠定了坚实的基础,这些软件包提供了与数据分析, 机器学习和AI算法相关的更高层级的函数。 这些软件包被广泛应用以获取实时赛况的分析,从而有助于在现场做出最有利于自己的决策,实现在板球比赛过程中的商业利益最大化。 找出影响板球比赛结果的隐藏参数、模式和属性,有助于投资方获得隐藏在数字和统计数据背后的比赛洞察力。

{{< figure src="/images/content_images/cs/numpy_ca_benefits.png" class="fig-center" alt="numpy benefits" caption="**NumPy核心能力的运用**" >}}
Loading