~~stoggle_buttons~~
====== PDEs ======
para ecuaciones en derivadas parciales por elementos finitos, ''skfdiff'' (siempre que no sean deformaciones de sólidos, etc. que en teoría están mejor en ''sfepy'')
  * Interfaz muy sencilla
  * Barra de progreso (weeee)
  * Soporta como backend numpy o numba y paraleliza usando todos los cores
====== numpy ======

<code python>
import numpy as np

np.squeeze(array)
# Elmina arrays tontos que suceden cuando np.array(algo) y algo ya es un array de numpy, o cuando un array
# tiene elementos que son arrays unidimensionales en vez de números directamente.
# Para detectarlo, la forma de resolverlo sin usar esto es algo de la forma:
array = array[0]
array = np.array([x[0] for x in array])

np.einsum('ij,jk->ik', A, B, C)
# Permite indicar la estructura de índices con convenio de Einstein para no tenerla que adivinar con np.dot()
# La descripción de indices es un str como primer parámetro y el resto son arrays de numpy

# Varias condiciones lógicas sobre un array de numpy
# Las condiciones no funcionan si se hacen sobre una lista
ind = np.where((condicion1) &
               (condicion2) &
               .
               .
               .
               (condicionN))
               
np.memmap permite guardar arrays en disco sin que ocupen toda la memoria
</code>

===== Optimización =====
[[https://medium.com/free-code-camp/if-you-have-slow-loops-in-python-you-can-fix-it-until-you-cant-3a39e03b6f35|If you have slow loops in Python, you can fix it... until you can't]]

''np.einsum'' es un poco más rápido que ''np.sum'' porque especificas los índices

Para aplicar funciones elemento a elemento en vez de con un ''for'', usar ''np.fromiter'', aunque si hay una versión "vectorizada por defecto" con ''lambda'' o similar, es lo más rápido.

''np.frompyfunc'' parece que vectoriza y además convierte en ''ufunc'', muy útil cuando una librería tiene una función que no soporta broadcasting (todavía no lo he probado)

[[https://stackoverflow.com/questions/35215161/most-efficient-way-to-map-function-over-numpy-array]]

''np.memmap'' para cargar arrays en disco sin que ocupen espacio en memoria. Para tampoco cargarlos en memoria, hay que iterar sí o sí con ''for''.