معرفی شرکت ها
fasterraster-0.0.5
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Fast multi-threaded raster operations with simple IO
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | fasterraster-0.0.5 |
| نام | fasterraster |
| نسخه کتابخانه | 0.0.5 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | asenogles |
| ایمیل نویسنده | - |
| آدرس صفحه اصلی | https://github.com/asenogles/fasterraster |
| آدرس اینترنتی | https://pypi.org/project/fasterraster/ |
| مجوز | BSD |
# Faster-Raster
[](https://pypi.python.org/pypi/fasterraster)
[](https://pypi.python.org/pypi/fasterraster)
[](https://opensource.org/licenses/BSD-3-Clause)
***fasterraster*** is a fast multi-threaded python library for performing raster operations using [openMP](https://www.openmp.org/) and [numpy](https://numpy.org/) objects complete with simple IO.
- Github repository: https://github.com/asenogles/fasterraster
- PyPI: https://pypi.org/project/fasterraster
## Motivation
***fasterraster*** was developed to quickly perform raster operations, enabling self-supervised learning for raster based analyses. ***fasterraster*** provides a cython wrapper for optimized [openMP](https://www.openmp.org/) *c* code. Data objects are handled by [numpy](https://numpy.org/) allowing for straightforward memory management. Currently only computation of visual/morphological features have been implemented however this is open to expansion in the future. All code is still in development and thus it is recommended to test fully before use.
## Installation
***fasterraster*** has currently been tested on Linux and Microsoft windows operating systems. You will need python>=3.6 installed. It is recommended to install ***fasterraster*** within a virtual environment.
### Install using pip
To install ***fasterraster*** from PyPI using pip:
```console
pip install fasterraster
```
### Install from source
To build ***fasterraster*** from source, download this repository and run:
```console
python3 setup.py build_ext --inplace
```
**Note**: You will need to have the required build dependencies installed.
## Example
```python
import timeit
import numpy as np
import fasterraster as fr
from pathlib import Path
NTESTS = 10
# Load a .bil file containing a DEM
fname = Path('./test_data/dem.bil')
dem = fr.read(fname)
# regular python implementation of hillshade function
# from https://www.neonscience.org/resources/learning-hub/tutorials/create-hillshade-py
def py_hillshade(dem, cell_size, azimuth=330, altitude=30):
azimuth = 360.0 - azimuth
dem = dem / cell_size
x, y = np.gradient(dem)
slope = np.pi/2. - np.arctan(np.sqrt(x*x + y*y))
aspect = np.arctan2(-x, y)
azimuthrad = azimuth*np.pi/180.
altituderad = altitude*np.pi/180.
shaded = np.sin(altituderad)*np.sin(slope)
+ np.cos(altituderad)*np.cos(slope) * np.cos(
(azimuthrad - np.pi/2.) - aspect)
return 255*(shaded + 1)/2
# Time hillshade computation using regular python
time = timeit.timeit(lambda: py_hillshade(dem.raster, dem.XDIM), number=NTESTS)
print(f'python hillshade averaged {time/NTESTS:.3f} seconds')
# Time hillshade computation using fasterraster for num-threads
num_threads = [1,2,4,8]
for numt in num_threads:
time = timeit.timeit(lambda: fr.hillshade_faster_mp(dem.raster, numt), number=NTESTS)
print(f'hillshade averaged {time/NTESTS:.3f} seconds for {numt} threads')
```
Example output:
```console
python hillshade averaged 2.880 seconds
hillshade averaged 0.081 seconds for 1 threads
hillshade averaged 0.041 seconds for 2 threads
hillshade averaged 0.034 seconds for 4 threads
hillshade averaged 0.024 seconds for 8 threads
```
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl fasterraster-0.0.5:
pip install fasterraster-0.0.5.whl
نصب پکیج tar.gz fasterraster-0.0.5:
pip install fasterraster-0.0.5.tar.gz