SciPy基础入门(一)

SciPy的介绍

在numpy库的基础上增加了众多的数学、科学以及工程计算中的常用的库函数

例如:线性代数、常微分方程数值求解、信号处理、图像处理、稀疏矩阵......

SciPy的constants模块包含了众多的物理常数:

from scipy import constants

print(constants.c)#真空中的光速299792458.0

print(constants.h)#普朗克常数6.62607004e-34

constants模块中还包含了许多单位信息,它们是1单元的量转换成标准单位时的数值:

print(constants.mile)  #1英里等于多少米

print(constants.inch)  #1英寸等于多少米

print(constants.gram)  #1克等于多少千克

print(constants.pound)  #1磅等于多少克

SciPy拟合与优化-optimize

optimize模块提供了许多数值优化算法,可以实现;非线性方程组求解、数据拟合、函数最小值......

最小二乘拟合

optimize库中的leastsq函数:对数据进行最小二乘拟合调用形式为:

leastsq(func,x0)

func(x)是计算方程组误差的函数,它使得误差的平方和最小;x0为待确定参数的初始值。

最小二乘拟合-举例

import numpy as np

from scipy.optimize import leastsq

X = np.array([8.19,2.72,6.39,8.71,4.7,2.66,3.78])

Y = np.array([7.01,2.78,6.47,6.71,4.1,4.23,4.05])

#计算以p为参数的直线和原始数据之间的误差

def f(p):

        k,b = p

        return (Y-(k*X+b))

#leastsq使得f的输出数组的平方和最小,参数初始值为[1,0]

r = leastsq(f,[1,0])

k,b = r[0]

print("k=",k,"b=",b)

非线性方程组求解

optimize库中的fsolve函数:对非线性方程组进行求解,调用形式为:

fsolve(func,x0)

func(x)是计算方程组误差的函数,它的参数x是一个矢量,表示方程组的各个未知数的一组可能解,func返回将x代入方程组之后得到的误差:x0为未知数矢量的初始值。

非线性方程组-举例
使用fsolve求解非线性方程组

误差函数定义:

from math import sin

def f(x):

        #转换为标准的浮点数列表

        x0,x1,x2 = x.tolist()

        return[5*x1+3,

                    4*x0*x0 - 2*sin(x1*x2),

                    x1*x2-1.5]

tolist()将x转换为python的标准浮点数列表,在单个数值运算时,标准浮点数比numpy的浮点数类型更快,从而缩短计算时间

#求解和结果输出:

from scipy.optimize import fsolve

#f是计算的方程组误差函数,[1,1,1]是未知数的初始值

result = fsolve(f,[1,1,1])

#输出方程组的解

print(result)

#输出误差

print(f(result))

程序运行结果

SciPy插值-interpolate

插值:通过已知的离散数据来求解未知数据的方法,要求曲线通过所有的已知数据。

拟合:要求曲线函数与已知数据集的误差最小,不要求曲线通过所有的已知数据。

interpolate模块提供了许多对数据进行插值运算的函数:B样条曲线差值、外推、spline拟合(UnivariateSpline插值运算)、二维插值运算等.....

B样条曲线差值

一维数据的插值运算可以通过interpld()实现,调用形式为:

interpld(x,y,kind='linear',...)

interpld可以计算x的取值范围之内任意点的函数值,并返回新的数组。

参数x和y是一系列已知的数据点

参数kind是插值类型,可以是字符串或整数

kind给出了B样条曲线的阶数

#创建数据点集

import numpy as np

x = np.linspace(0,10,11)

y = np.sin(x)

#绘制数据点集

import pylab as pl

pl.plot(x,y,'ro')

绘制结果

import numpy as np

import pylab as pl

from scipy import interpolate

#创建数据点集并绘制

x = np.linspace(0,10,11)

y = np.sin(x)

pl.plot(x,y,'ro')

#建立插值数据点

xnew = np.linspace(0,10,101)

for kind in ['nearest','zero','linear','quadratic']:

#创建interpld对象f、计算插值结果:

f = interpolate.interp1d(x,y,kind = kind)

ynew = f(xnew) #计算插值结果

pl.plot(xnew,ynew,label = str(kind))#绘制结果

pl.legend(loc = 'lower right')

pl.show()

运行结果
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,456评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,370评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,337评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,583评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,596评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,572评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,936评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,595评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,850评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,601评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,685评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,371评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,951评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,934评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,167评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,636评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,411评论 2 342

推荐阅读更多精彩内容