Sviluppatori NumPy Freelance Italiani

Serve conoscere NumPy se usiamo già pandas?

Per l'uso quotidiano no, perché pandas lo nasconde. Diventa necessario in tre situazioni ben precise.

Quando il codice è lento: la causa più comune è un ciclo che elabora una riga alla volta. Riscriverlo in forma vettorizzata è l'intervento che dà il guadagno maggiore, e richiede di ragionare in termini di array.
Quando serve un calcolo che pandas non ha: algebra lineare, trasformate, algoritmi numerici su misura.
Quando si lavora con immagini o segnali, che sono array a tutti gli effetti.

Nella pratica, chiedere in un profilo «esperienza con NumPy» significa chiedere se quella persona sa rendere veloce un'elaborazione lenta.

Il nostro progetto non si installa più dopo un aggiornamento: dipende da NumPy?

È una causa molto frequente, e dipende dal passaggio alla versione 2 avvenuto nel 2024.

Compatibilità binaria rotta: i pacchetti che contengono codice compilato contro la versione precedente vanno ricompilati. Se una libreria che usi non è stata aggiornata dal suo autore, il problema è lì, non nel tuo codice.
Circa cento elementi rimossi dallo spazio dei nomi principale: il codice che li usava va adattato, con sostituzioni per lo più meccaniche.
Regole di promozione dei tipi cambiate: è la parte insidiosa, perché non produce errori ma può cambiare i risultati numerici. Su calcoli che finiscono in un bilancio o in un referto, va verificata con test.

Esiste una guida ufficiale alla migrazione, e nella maggior parte dei casi l'adeguamento è breve — a patto di avere qualche test che confermi che i numeri non sono cambiati.

Quanto si guadagna in velocità davvero?

Dipende dal caso, ma l'ordine di grandezza è quello che sorprende chi lo vede la prima volta: elaborazioni scritte con cicli espliciti e riscritte in forma vettorizzata passano spesso da minuti a secondi.

Perché succede: l'operazione viene eseguita da codice compilato altamente ottimizzato su tutto l'insieme, invece che dall'interprete Python un elemento alla volta.
Dove non aiuta: quando il lavoro è intrinsecamente sequenziale, o quando il tempo se ne va in attese di rete o di disco.
Come si verifica: misurando prima e dopo. Un intervento di ottimizzazione serio comincia sempre con una misura, non con un'intuizione.

Chi sviluppa NumPy e quanto è solido come investimento?

È uno dei progetti più stabili dell'ecosistema Python. È governato da un consiglio direttivo, è un progetto sostenuto da NumFOCUS — l'ente non profit che fornisce supporto amministrativo e legale a molti progetti scientifici — ed è distribuito con licenza BSD, quindi utilizzabile senza vincoli anche in software commerciale.

Perché conta per un'azienda: non dipende da una singola società e non può essere ritirato o cambiato di licenza per decisione di un proprietario.
Il rovescio: l'evoluzione segue i tempi della comunità, e i cambiamenti importanti — come quello alla versione 2 — vengono annunciati con largo anticipo ma richiedono comunque lavoro da parte di chi li subisce.

Quando conviene chiamare uno specialista invece di cavarsela internamente?

Tre segnali che vediamo ricorrere.

Un'elaborazione che dura ore e che blocca il lavoro di qualcuno. Quasi sempre si riduce in modo drastico, e l'intervento si ripaga in poche settimane.
Risultati numerici che non tornano fra due sistemi o dopo un aggiornamento: è un problema di precisione o di tipi, e richiede qualcuno che sappia dove guardare.
Memoria insufficiente su dati che sulla carta dovrebbero starci: di solito è una questione di tipi scelti male, e si risolve senza comprare hardware.