python数据分析第三方库scipy_Python数据分析工具库-Scipy 矩阵支持库

SciPy函数库在NumPy库的基础上增加了众多的数学、科学以及工程计算中常用的库函数。例如线性代数、常微分方程数值求解、信号处理、图像处理、稀疏矩阵等等。可以进行插值处理、信号滤波以及用C语言加速计算。

1、积分（scipy.integrate）

scipy.integrate.quad 计算定积分

scipy.integrate.quad(func, a, b, args=(), full_output=0, epsabs=1.49e-08, epsrel=1.49e-08, limit=50, points=None, weight=None, wvar=None, wopts=None, maxp1=50, limlst=50)

常见输入参数介绍：

func：表示定积分的函数

a：float，表示积分上限（使用numpy.inf表示正无穷）

b：float，表示积分下限（使用-numpy.inf表示负无穷）

输出参数：

y：float，从b到a函数func的积分

abserr：float，对结果y绝对误差的估计

计算定积分

>>> from scipy import integrate

>>> x2 = lambda x: x**2

>>> integrate.quad(x2, 0, 4)

(21.333333333333332, 2.3684757858670003e-13)

>>> print(4**3 / 3.) # analytical result

21.3333333333

计算定积分

>>> invexp = lambda x: np.exp(-x)

>>> integrate.quad(invexp, 0, np.inf)

(1.0, 5.842605999138044e-11)

SciPy常见的积分如下：

2、插值（scipy.interpolate）

插值是在直线或曲线上的两点之间找到值的过程。这种插值工具不仅适用于统计学，而且在科学，商业或需要预测两个现有数据点内的值时也很有用。

class scipy.interpolate.interp1d(x, y, kind='linear', axis=-1, copy=True, bounds_error=None, fill_value=nan, assume_sorted=False)

用x和y来逼近指定函数f：y=f(X)。interp1d返回一个函数，调用该方法可使用插值来查找新点的值。

输入参数：

x：一维数组；

y：插值函数中x对应值；

kind：插值的类型，包含‘linear’, ‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘previous’, ‘next’等。

>>> import matplotlib.pyplot as plt

>>> from scipy import interpolate

>>> x = np.arange(0, 10)

>>> y = np.exp(-x/3.0)

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

>>> xnew = np.arange(0, 9, 0.1)

>>> ynew = f(xnew) # 使用线性插值方法返回xnew对应的插值

>>> plt.plot(x, y, 'o', xnew, ynew, ‘-‘)

>>> plt.show()

result：

3、文件操作（scipy.io）

scipy的文件操作可以对matlab、HB-format、WAV、NetCDF、IDL.sav、arff等格式文件进行操作。

scipy.io.loadmat(file_name, mdict=None, appendmat=True, **kwargs)

加载matlab文件，返回一个dict，key为变量名，value为加载的矩阵。

scipy.io.savemat(file_name, mdict, appendmat=True, format='5', long_field_names=False, do_compression=False, oned_as='row')

保存mat格式文件，file_name为保存文件名，mdict为保存的键值对。

from scipy import io as spio

>>>spio.savemat("test.mat", {'a':a})

读取图片文件导包：from scipy import misc 读取：data = misc.imread("123.png”)

与matplotlib中plt.imread('fname.png')类似；执行misc.imread时可能提醒不存在这个模块，那就安装pillow的包。

4、scipy中的线性代数（scipy.linalg）

最好结合矩阵分析或线性代数课程书一起看

numpy中也有线性代数库Linear algebra (numpy.linalg)，但是推荐用scipy.linalg代替numpy.linalg，scipy.linalg中包含大部分numpy.linalg中的函数，且在同名函数中包含更多的功能。

求矩阵的逆

scipy.linalg.inv(a, overwrite_a=False, check_finite=True)

>>> from scipy import linalg

>>> a = np.array([[1., 2.], [3., 4.]])

>>> linalg.inv(a)

array([[-2. , 1. ],

[ 1.5, -0.5]])

如果矩阵a不可逆，则会抛异常LinAlgError: singular matrix

求解线性方程组Ax=b

scipy.linalg.solve(a, b, sym_pos=False, lower=False, overwrite_a=False, overwrite_b=False, debug=None, check_finite=True, assume_a='gen', transposed=False)

>>> a = np.array([[3, 2, 0], [1, -1, 0], [0, 5, 1]])

>>> b = np.array([2, 4, -1])

>>> from scipy import linalg

>>> x = linalg.solve(a, b)

>>> x

array([ 2., -2., 9.])

Eigenvalue Problems 求特征值及特征向量

奇异值分解

scipy.linalg.svd(a, full_matrices=True, compute_uv=True, overwrite_a=False, check_finite=True, lapack_driver='gesdd’)

>>> from scipy import linalg

>>> m, n = 9, 6

>>> a = np.random.randn(m, n) + 1.j*np.random.randn(m, n)

>>> U, s, Vh = linalg.svd(a)

>>> U.shape, s.shape, Vh.shape

((9, 9), (6,), (6, 6))

5、优化算法（scipy.optimize）

该模块包含以下几个算法：

使用各种算法(例如BFGS，Nelder-Mead单纯形，牛顿共轭梯度，COBYLA或SLSQP)的无约束和约束最小化多元标量函数minimize()

全局(蛮力)优化程序(例如，anneal()，basinhopping())

最小二乘最小化(leastsq())和曲线拟合(curve_fit())算法

标量单变量函数最小化(minim_scalar())和根查找(newton())

使用多种算法(例如，Powell，Levenberg-Marquardt混合或Newton-Krylov等大规模方法)的多元方程系统求解

6、统计函数（scipy.stats）

所有的统计函数都位于子包scipy.stats中，该模块包含大量的概率分布以及不断增长的统计函数库。

T-检验stats.ttest_ind

scipy.stats.ttest_ind(a, b, axis=0, equal_var=True, nan_policy='propagate’)

>>> from scipy import stats

>>> np.random.seed(12345678)

>>> rvs1 = stats.norm.rvs(loc=5,scale=10,size=500)

>>> rvs2 = stats.norm.rvs(loc=5,scale=10,size=500)

>>> stats.ttest_ind(rvs1,rvs2)

(0.26833823296239279, 0.78849443369564776)

输出第一个参数为T-检验值，第二个为概率p: 两个过程相同的概率。如果其值接近1，那么两个过程几乎可以确定是相同的，如果其值接近0，那么它们很可能拥有不同的均值。

参考文献

python数据分析第三方库scipy_Python数据分析工具库-Scipy 矩阵支持库相关推荐

Python 数据分析三剑客之 NumPy（六）：矩阵 / 线性代数库与 IO 操作
CSDN 课程推荐:<Python 数据分析与挖掘>,讲师刘顺祥,浙江工商大学统计学硕士,数据分析师,曾担任唯品会大数据部担任数据分析师一职,负责支付环节的数据分析业务.曾与联想.亨氏.网 ...
c开发易语言支持库,易写易库-用易语言开发易语言支持库.pdf
易写易库-用易语言开发易语言支持库易写易库(EXEK)用户手册版本:0.2 作者:liigo,/liigo 时间:2008.10 概述 EXEK EXEK "易写易库(EEXXEEKK) ...
易语言支持库配置闪退丨支持库配置崩溃_易语言打开支持库配置就闪退怎么办?
易语言支持库配置闪退打不开怎么办? 易语言支持库配置闪退解决方法丨支持库配置崩溃_易语言打开支持易语言支持库配置闪退丨支持库配置崩溃_易语言打开支持库配置就闪退怎么办? 很多人都遇到过打开易语言支 ...
python可视化窗口库_Python可视化工具介绍——找到合适的库
Python有很多可视化工具,大体上可以分为基于matplotlib的工具库和基于JS的工具库. 有如此丰富的选择是幸福的,无论你要画什么图,都能找到相对的库.但与此同时,弄清楚使用哪个工具更合适可能 ...
我整理了一些Python测试的库，看一下有没有你需要的库
测试开发 Web UI测试自动化 splinter - web UI测试工具,基于selnium封装. selenium - web UI自动化测试. –推荐 mechanize- Python中有状 ...
java支持库易语言_易语言支持库简单安装加载添加
1,首先,准备好欲安装的易语言支持库文件(fne.fnr或lib为后缀名等文件) 2,接下来,有必要对易语言支持库的文件做重要讲解.要安装支持库之前,先要弄明白易语言安装目录下的两个文件夹:lib和s ...
易语言外部数据库MySQL支持库Access数据库Sqlite数据应用
语言虽然有自己的数据库, 但易数据库只是以简单的.类似表格的形式组织数据信息,是一个小型数据库管理系统.有时编程中必须使用其它数据库.易语言支持以ODBC方式和ADO方式操作外部数据库. 一.ODBC ...
Android支持库
# 支持库支持库命名规范引入支持库时的命名规范为:"group:name:version" 例如: implementation 'com.android.support:ap ...
DCMTK 3.6.2（MD支持库）与Microsoft Visual Studio 2017开发环境的搭建
DCMTK 3.6.2(MD支持库)与Microsoft Visual Studio 2017开发环境的搭建 DCMTK 362MD支持库与Microsoft Visual Studio 2017开发 ...
【Xamarin.Android】掌握android支持库
Android支持库是每个Android应用程序中必不可少的一部分,你会发现它们无处不在.支持库为开发人员提供了将Android的最新和最强大功能添加到应用程序的能力,同时保持与旧版本Android的 ...

python数据分析第三方库scipy_Python数据分析工具库-Scipy 矩阵支持库

python数据分析第三方库scipy_Python数据分析工具库-Scipy 矩阵支持库相关推荐

最新文章

热门文章