Awesome GitHub RepositoriesNumPy Array Integration

pybind11 is a header-only C++ binding library that exposes C++ functions and classes as Python modules. It serves as a language bridge, mapping native types, inheritance hierarchies, and lambda functions into compatible Python objects to enable high-performance native code execution. The library includes specialized integration for NumPy arrays, utilizing buffer protocols to bind native C++ data without copying memory. It provides a toolkit for mapping C++ standard library data structures and smart pointers into the Python environment while maintaining cross-language memory management. The p

This project is a Python wrapper for the TA-Lib C library, serving as a financial technical analysis library and quantitative trading tool. It provides a collection of mathematical functions designed to analyze market price movements, identify trading signals, and recognize candlestick patterns within financial data. The library focuses on the computation of trend, momentum, and volume metrics. It includes specialized tools for candlestick pattern recognition to detect recurring price action shapes in both historical and real-time data. The system integrates with NumPy arrays to process cont

This project is a reference collection of statistical learning algorithms built from scratch using NumPy for linear algebra and matrix operations. It serves as an educational resource for studying the mathematical foundations and inner workings of machine learning models through manual implementations. The codebase provides hand-coded implementations of both supervised and unsupervised learning. This includes classification and regression models such as support vector machines, decision trees, and Naive Bayes, as well as data clustering and pattern discovery methods like k-means and hierarchi

CuPy es una biblioteca de computación de matrices CUDA que implementa una interfaz compatible con NumPy para ejecutar operaciones de matrices y computación numérica en GPUs NVIDIA. Sirve como una biblioteca numérica acelerada por GPU y una implementación de SciPy basada en CUDA, descargando cálculos pesados al hardware gráfico para aumentar la velocidad de procesamiento para cargas de trabajo científicas y de ingeniería. La biblioteca permite el intercambio de tensores entre múltiples frameworks, permitiendo que los búferes de datos se compartan entre diferentes frameworks de aprendizaje profundo utilizando diseños de memoria estandarizados para evitar copias de memoria. También admite la integración de kernels de GPU personalizados, permitiendo que los datos de las matrices se conecten a APIs de bajo nivel para un control preciso sobre la ejecución del hardware. En términos generales, el proyecto cubre flujos de trabajo de procesamiento de matrices y computación científica de alto rendimiento. Sus capacidades incluyen la aceleración de cálculos de matrices y la provisión de herramientas para cálculos numéricos a gran escala.

Einops is a tensor manipulation library that provides a framework-agnostic interface for reshaping, Einstein summation, and multi-dimensional array operations. It serves as an abstraction layer that works across NumPy, PyTorch, TensorFlow, and JAX, allowing for tensor transformations without changing the API. The library distinguishes itself through a declarative notation system that uses readable string patterns to describe tensor rearrangements and reductions. This approach includes an extended Einstein summation interface that supports multi-letter axis names and a named dimension mapping

pysheeet es una biblioteca de referencia técnica que proporciona una colección curada de fragmentos de código y patrones de implementación para el desarrollo avanzado en Python, integración de sistemas y computación de alto rendimiento. Sirve como una guía completa para implementar programación de red de bajo nivel, extensiones nativas en C y programación asíncrona y concurrente. El proyecto proporciona frameworks especializados para el desarrollo y despliegue de modelos de lenguaje de gran tamaño, incluyendo herramientas para inferencia distribuida en GPU y servicio de alto rendimiento. También incluye patrones detallados para la orquestación de clústeres de computación de alto rendimiento, cubriendo la asignación de recursos de GPU y la gestión de cargas de trabajo en múltiples nodos. La biblioteca cubre una amplia superficie de capacidades, incluyendo comunicación de red segura y criptografía, mapeo objeto-relacional y gestión de bases de datos, y la implementación de estructuras de datos y algoritmos complejos. También proporciona utilidades para la gestión de memoria, interoperabilidad nativa a través de interfaces de funciones externas e integración de sistemas operativos a nivel de sistema.

orjson is a high-performance Python library for serializing and deserializing JSON data. It functions as both a JSON parsing library and a serialization engine, converting data between native Python objects and UTF-8 encoded bytes. The project provides specialized support for converting complex Python data structures, including dataclasses, datetime objects, and NumPy arrays and scalars, into JSON format. It also allows for the insertion of pre-serialized JSON blobs into documents to maintain processing speed. The library includes capabilities for memory-efficient deserialization through key

BertViz es un conjunto de herramientas de diagnóstico para visualizar cabezas de atención y comportamientos internos del modelo para interpretar cómo los modelos de lenguaje procesan el texto. Sirve como una herramienta de interpretabilidad y depurador para modelos de procesamiento de lenguaje natural, proporcionando específicamente mapas interactivos de mecanismos de atención dentro de arquitecturas Transformer. El proyecto permite el análisis de las relaciones entre tokens a través de vistas detalladas de cabezas y capas de atención específicas. Admite la visualización de atención global en todas las capas, mapeo de atención codificador-decodificador y la inspección de neuronas individuales dentro de vectores de consulta y clave para revelar su contribución a los cálculos de atención. La herramienta proporciona capacidades para filtrar vistas por capa, cabeza o pares de oraciones. Las visualizaciones se renderizan directamente dentro de entornos de notebook mediante inyección de HTML y JavaScript, y pueden exportarse como archivos HTML independientes para compartirlos externamente.

scikit-image is a Python image processing library and scientific image analysis toolkit. It provides a framework for digital image processing and computer vision, utilizing numerical arrays for pixel-level manipulations. The library enables the quantification of image properties and the detection of visual features, such as edges and blobs. It includes tools for image segmentation and the extraction of textures and patterns to characterize objects within visual data. Capabilities cover image manipulation through color space conversion, geometric transformations, and digital restoration. It a

pyAudioAnalysis es una librería y framework de Python para el procesamiento y análisis de señales de audio. Proporciona herramientas para extraer representaciones matemáticas del sonido, como espectrogramas, e implementa un sistema para entrenar y evaluar modelos de machine learning para clasificar segmentos de audio basados en patrones acústicos. El proyecto incluye utilidades dedicadas para la segmentación de audio, que permiten la eliminación de silencios y la detección de eventos de audio específicos para dividir grabaciones en secciones significativas. También proporciona capacidades de visualización de datos que utilizan reducción de dimensionalidad para mapear similitudes de contenido e identificar clusters dentro de los datos de sonido. La librería cubre un amplio rango de capacidades de procesamiento de señales, incluyendo extracción de características en el dominio espectral, análisis temporal y regresión de audio para estimar valores continuos. Estas funciones son accesibles tanto como librería programable como a través de una interfaz de línea de comandos para el procesamiento por lotes de archivos de audio.

PRMLT provides self-contained MATLAB implementations of every algorithm from the Pattern Recognition and Machine Learning textbook by Christopher Bishop. The code reproduces the book's exact formulas and notation, making each implementation directly traceable to the source material for educational verification and study. The implementations cover the full range of core machine learning methods from the textbook, including classification, clustering, regression, density estimation, and neural network algorithms. Each module is self-contained with heavy comments, and the code uses compact, vect

Warp is a Python framework that JIT-compiles Python functions into CUDA kernels for GPU-accelerated parallel computation, with built-in automatic differentiation and multi-framework array interoperability. At its core, it provides a GPU kernel compilation system that enables writing and executing custom GPU kernels directly from Python, while supporting automatic gradient computation through those kernels for integration with machine learning pipelines. The framework also includes tile-based cooperative computing, where thread blocks partition into tiles for shared-memory and tensor-core opera

Anomalib is a PyTorch-based library for visual anomaly detection, offering a modular framework, a comprehensive model zoo, and a benchmarking suite designed for industrial defect detection. It provides a wide range of algorithms—including generative, discriminative, teacher-student, and vision-language approaches—that support unsupervised, few-shot, and zero-shot settings. The library enables deployment through model export to ONNX and OpenVINO for edge devices, and includes a no-code web application for training and inference. It also features a command-line interface for orchestrating multi

Orange3 is a visual data mining platform that provides an interactive canvas for building data analysis workflows without writing code. At its core, it offers a widget-based visual programming environment where users connect configurable components to perform data preprocessing, machine learning model training, statistical evaluation, and interactive visualization. The platform is built on NumPy-backed data tables with domain descriptors that define variable names, types, and roles, and includes a lazy SQL query proxy for working with database tables without loading all data into memory. The

GluonTS es una librería de series temporales probabilísticas y framework de pronóstico de aprendizaje profundo. Proporciona un kit de herramientas para construir, entrenar y evaluar arquitecturas de redes neuronales que predicen valores futuros como distribuciones de probabilidad para cuantificar la incertidumbre. El proyecto se distingue por soportar el pronóstico zero-shot e integrar diversos enfoques de modelado, incluyendo redes neuronales probabilísticas profundas y envoltorios para librerías estadísticas externas como Prophet y R forecast. Implementa primitivas arquitectónicas especializadas como convoluciones causales y redes residuales invertibles para prevenir la fuga de información y mapear representaciones latentes en distribuciones de probabilidad válidas. El framework cubre una superficie de ingeniería de datos integral, incluyendo escalado de series temporales, transformaciones biyectivas y modelado jerárquico. Utiliza Apache Arrow y Parquet para el streaming de conjuntos de datos de alto rendimiento y la gestión de acceso aleatorio. Para la evaluación de modelos, incluye una suite de evaluación para medir la precisión del pronóstico y la cobertura probabilística utilizando métricas como la pérdida de cuantiles y puntuaciones de probabilidad de rango continuo. La librería soporta el despliegue de modelos a través de la integración con Amazon SageMaker.

r4ds es un currículo de ciencia de datos y recurso educativo diseñado para dominar el lenguaje de programación R. Proporciona una ruta de aprendizaje estructurada para el proceso de extremo a extremo de importar, limpiar, transformar y visualizar datos. El proyecto enfatiza una guía de ciencia de datos reproducible y un currículo integral para la manipulación de datos (data wrangling). Incluye tutoriales especializados sobre la gramática de gráficos para la visualización de datos en capas y publicaciones técnicas creadas con Quarto que combinan código ejecutable con prosa narrativa. El material cubre una amplia gama de capacidades analíticas, incluyendo la ingesta de datos de diversas fuentes, unión de datos relacionales y la gestión de variables categóricas. También aborda la limpieza de datos, modelado matemático y la generación de informes y presentaciones profesionales en múltiples formatos. El currículo se centra en la aplicación práctica de la programación funcional y los principios de datos ordenados (tidy data) para crear análisis transparentes y repetibles.

Lepton es una herramienta especializada y un formato de archivo diseñado para la compresión sin pérdida y el almacenamiento eficiente de datos de imagen JPEG. Funciona como un compresor sin pérdida y optimizador de almacenamiento que reduce el tamaño de los archivos sin alterar los datos originales de los píxeles, garantizando una reconstrucción bit a bit de las imágenes. El proyecto se centra en reducir el espacio en disco y los requisitos de ancho de banda de red para archivos de imágenes digitales. Proporciona capacidades tanto para la compresión como para la descompresión de archivos JPEG, manteniendo un almacenamiento de imágenes de alta calidad y minimizando la huella de datos general. La implementación utiliza diversas técnicas de codificación de entropía y procesamiento de datos, incluyendo codificación aritmética y de Huffman, modelado predictivo y procesamiento basado en flujos. También integra operaciones de matriz optimizadas para el procesamiento de grandes bloques de datos de imagen.

Este proyecto es una biblioteca de aprendizaje automático de Python y un kit de herramientas de ciencia de datos diseñado para construir modelos predictivos y analizar conjuntos de datos complejos. Proporciona una colección de implementaciones para algoritmos supervisados y no supervisados comunes utilizando el framework Scikit-Learn. El kit de herramientas incluye una suite de modelado predictivo para generar predicciones a partir de datos históricos y un framework de análisis estadístico para aplicar modelado bayesiano y pruebas de causalidad. También cuenta con una suite de visualización de datos basada en Matplotlib para renderizar gráficos y tablas estáticas para interpretar los límites de los clasificadores y las tendencias de los datos. El proyecto cubre flujos de trabajo de agrupamiento de datos para identificar patrones y segmentos, análisis exploratorio de datos y el preprocesamiento de datos utilizando Pandas y NumPy.

Este proyecto es un framework de computación científica para el ecosistema .NET, que proporciona un conjunto completo de librerías para análisis numérico, estadística y optimización matemática. Sirve como kit de herramientas fundamental para desarrollar aplicaciones en aprendizaje automático (machine learning), procesamiento de señales digitales y visión artificial. El framework proporciona kits de herramientas especializados para entrenar y desplegar modelos predictivos, incluyendo redes neuronales, máquinas de vectores de soporte y árboles de decisión. Se distingue además por integraciones profundas para el análisis visual en tiempo real, como el seguimiento de objetos y la detección de rasgos faciales, junto con una librería dedicada al procesamiento de señales digitales para capturar y filtrar señales de audio y sensores. La superficie de capacidades se extiende a la descomposición de matrices de alto nivel y álgebra lineal, modelado de estados probabilísticos y algoritmos de búsqueda heurística. También cubre una amplia gama de utilidades de manipulación de datos, desde la reducción de dimensionalidad y normalización hasta la organización de datos espaciales y componentes de visualización científica. El sistema incluye controladores de integración de hardware para la configuración de cámaras, gestión de puertos GPIO y hardware especializado de detección de profundidad.

PyQtGraph is a scientific plotting and graphics framework built for PyQt and PySide applications, providing fast, interactive 2D and 3D visualizations with GPU-accelerated rendering. It serves as both a real-time signal monitoring system for streaming time-series data and a toolkit for constructing interactive data dashboards with dockable panels, parameter trees, and custom widgets. The library also includes a node-based visual flowchart tool for building data processing pipelines and a scientific graphics export system that saves plots as PNG, SVG, or CSV and converts items to Matplotlib for