python中的scipy库_SciPy库学习
Python库之SciPy
工具:Pycharm2019.01,Python3.5
关于ScipyScipy包中有许多工具用来解决科学计算的一些共同问题。不同的子模块负责不同的应用。比如插值、拟合、最优化、图像处理、数值计算以及特殊函数等等。
Scipy中许多模块都是基于numpy的,scipy命名空间中许多主要的函数实际上就是numpy函数比如scipy.cos就是np.cos,故通常一起导入numpy库和scipy库
File input/output: scipy.io
import numpy as np
from scipy import io as siosio.savemat('file_path',{'key',value}) : 将一个用命名和数组的字典保存到matlab样式的.mat文件中。
sio.loadmat('file_path'):导入.mat格式的文件1
2
3
4
5
6
7
8
9
10
11import numpy as np
import matplotlib.pyplot as plt
from scipy import io as sio
a = np.ones((3, 3))
sio.savemat('file.mat',{'a':a}) # 将命名为‘a’的字典保存为.mat格式的文件,默认保存到当前目录下,(.mat)后缀可以不加
data = sio.loadmat('file.mat')
print(data['a'])
- - - - - - - - -
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
Linear algebra operations: scipy.linalg
线形代数运算
import numpy as np
from scipy import linalg1
2
3
4
5
6
7
8
9a=np.array([[1,2],[3,4]])
print(linalg.det(a)) # 求方阵的行列式,要求必须是方阵
print(linalg.inv(a)) # 求逆,必须可逆,否则报错提示奇异(singular不可逆)矩阵
print(np.allclose(np.dot(a,linalg.inv(a)),np.eye(2))) # 判断是否为单位矩阵
- - - - - - - -
-2.0
[[-2. 1. ]
[ 1.5 -0.5]]
True
奇异值分解:
关于奇异值分解:SVD简介1
2
3
4
5import numpy as np
from scipy import linalg
arr = np.arange(9).reshape((3, 3)) + np.diag([1, 0, 1])
print(arr)
uarr, spec, vharr = linalg.svd(arr) # uarr应该是伪逆
Optimization and fit: scipy.optimize
scipy.optimize提供一种算法来最小化函数值(规模或多维度),曲线拟合和根查找1
2
3import numpy as np
import matplotlib.pyplot as plt
import scipy.optimize as opt
Curve fitting
曲线拟合,这里以sin()曲线为例1
2
3
4
5
6
7
8
9
10def test_func(x, a, b): # 定义函数
return a * np.sin(b * x)
x_data = np.linspace(-5, 5, num=50)
y_data = 2.9 * np.sin(1.5 * x_data) + np.random.normal(size=50) # sin函数存在偏差
params, params_covariance =opt.curve_fit(test_func, x_data, y_data, p0=[2, 2]) # 求上面函数参数a,b
plt.scatter(x_data,y_data,label='Data')
plt.legend(loc='upper right')
plt.plot(x_data,test_func(x_data,params[0],params[1]),label='fitted function') # 拟合
plt.legend(loc='upper right')
plt.show() # 显示效果如下
Finding the minimum of a scalar function
寻找标量函数最小值。
例如:
下面函数全局最优(小)值为-1.3,而局部最优值大概3.8。
用opt.minimize()函数,需要定义函数f(),以及传入起点坐标x0,返回找到的最小值信息(包括函数值,坐标等)。
为什么说是局部最优呢,当x0=5时,返回的函数值是8.3,位于x=3.83处。1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18def f(x):
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
plt.plot(x, f(x))
plt.show()
result=opt.minimize(f,x0=0) # 寻找局部最小值的x坐标
print(result) # 打印返回结果信息,
- - - - - - - - - - -
fun: -7.945823375615215 # 局部最小值
hess_inv: array([[0.08589237]])
jac: array([-1.1920929e-06])
message: 'Optimization terminated successfully.'
nfev: 18
nit: 5
njev: 6
status: 0
success: True
x: array([-1.30644012]) # 局部最小值的坐标
如果我们不知道全局最优点附近信息也就无法合理选择起点X0了,而opt.basinhopping()函数可以找到全局最优解。将上面opt.minimize(f,x0=0)替换成opt.basinhopping(f,x0)即可,x0还是需要赋初值,经测试当x0=7时找到的是全局最优(-1.3,-7.9),而当x0=5时找到的是局部最优值(3.8,8.3),故为了找到全局最优保险的方法还是需要多试几个参数。
试试opt.minimize_scalar()方法:能找到全局最优解
opt.minimize_scalar()是只有一个变量时的最小函数值,而opt.minimize()是变量作为一个参数向量传进去的。1
2
3
4
5
6
7def f(x):
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
result=opt.minimize_scalar(f)
print(result.x, result.fun)
- - - - - - - - - - - - - - - - - - - - -
-1.3064400120612139 -7.945823375615284
Finding the roots of a scalar function
需求:想找到x=?时,f(x)=0。
方法:opt.root(f,x0),x0需要赋初值1
2
3
4
5
6
7
8
9
10def f(x):
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
root=opt.root(f,x0=-3) # 设置起点,只能找到一个,要找到另外一个需要调参使得x0=1
print(root.x,root.fun)
root=opt.root(f,x0=1)
print(root.x,root.fun)
- - - - - - - - - - - - - - - - -
[-2.47948183] [-1.77635684e-15]
[0.] [0.]
将以上三个函数绘制到一张图中:1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43def f(x): # 定义函数
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
# Global optimization
grid = (-10, 10, 0.1)
xmin_global = opt.brute(f, (grid, )) # 暴力找出参数列表中所得解的最优值
print("Global minima found %s" % xmin_global)
# Constrain optimization
xmin_local = opt.fminbound(f, 0, 10) # 在取区间(0,10)找局部最优解
print("Local minimum found %s" % xmin_local)
root = opt.root(f, 1) # our initial guess is 1
print("First root found %s" % root.x)
root2 = opt.root(f, -2.5)
print("Second root found %s" % root2.x)
fig = plt.figure(figsize=(6, 4)) # 新建画布对象指定size
ax = fig.add_subplot(111) # 将画布分成一行一列指定第一块区域作为对象赋给ax
# Plot the function
ax.plot(x, f(x), 'b-', label="f(x)")
# Plot the minima
xmins = np.array([xmin_global[0], xmin_local])
ax.plot(xmins, f(xmins), 'go', label="Minima")
# Plot the roots
roots = np.array([root.x, root2.x])
ax.plot(roots, f(roots), 'kv', label="Roots")
# Decorate the figure
ax.legend(loc='best') # 自适应选择位置
ax.set_xlabel('x')
ax.set_ylabel('f(x)')
ax.axhline(0, color='gray') # 设置y=0画横线
plt.show()
- - - - - - - - - - - - - - - - - -
Global minima found [-1.30641113]
Local minimum found 3.8374671194983834
First root found [0.]
Second root found [-2.47948183]
未完待续…..
python中的scipy库_SciPy库学习相关推荐
- 小结两种在Python中导入C语言扩展库的方法
小结两种在Python中导入C语言扩展库的方法 分类: Pythoner2009-08-18 20:44 2563人阅读 评论(1) 收藏 举报 python扩展c语言importstring 一种是 ...
- 捋一捋Python中的数学运算math库(上篇)
正式的Python专栏第18篇,同学站住,别错过这个从0开始的文章! 很多学习编程的都多多少少学习了一些数学知识. 学委之前也简单吐槽了 Python中奇葩的round函数! 这篇我们讲讲那些常用的数 ...
- linux 下的动态库制作 以及在python 中如何调用 c 函数库
linux 下的动态库制作 以及在python 中如何调用 c 函数库 动态库: 动态库又称动态链接库英文为DLL,是Dynamic Link Library 的缩写形式,DLL是一个包含可由多个程序 ...
- python中的scipy基础知识_python中SciPy是什么?
python中Numpy常用于计算二维数组计算,而python的另一个库SciPy库与Numpy有着密切的关系,是需要通过Numpy为基础,同时也是通过Numpy数据来操控科学计算.常见的是插值运算. ...
- Python中的TCP的客户端UDP学习----第一篇博客
Python中的TCP的客户端&UDP学习--第一篇博客 PS: 每日的怼人句子"我真想把我的脑子放到你的身体里,让你感受一下智慧的光芒" 先说UDP流程 发送: 创建套接 ...
- python中使用scipy.integrate求积分、二重积分、三重积分
python中使用scipy.integrate求积分.二重积分.三重积分 代码如下: import numpy as np from scipy.integrate import quad, tpl ...
- python 中的 scipy.optimize 最优化功能的一些不足
python 中的 scipy 也有最优化的功能,体现在里面的 optimize 中,自己简单使用了下,发现它具有以下缺点: 优化算法比较少,有信頼域.单纯形法.BFGS算法等,能够满足不少常规函数的 ...
- Python 中最强大的错误重试库
作者 | 费弗里 来源丨Python大数据分析 1 简介 我们在编写程序尤其是与网络请求相关的程序,如调用web接口.运行网络爬虫等任务时,经常会遇到一些偶然发生的请求失败的状况,这种时候如果我们仅仅 ...
- Python 中 xpath 语法 与 lxml 库解析 HTML/XML 和 CSS Selector
The lxml.etree Tutorial :https://lxml.de/tutorial.html python3 解析 xml:https://www.cnblogs.com/deadwo ...
- python中对matlab的支持库
1. 简介 matplotlib official website:http://matplotlib.sourceforge.net/index.html The pylab mode provid ...
最新文章
- LA2678最短子序列
- mpython 直接访问_如何从python代码中直接访问Android的Service
- Ruby Variable Scope 简单讲解
- OpenCV的基本数据结构
- 在Linux系统中应用su和sudo
- VS2019离线安装方法
- 《21天学通C语言》
- 【MyEcplise】build workspace卡死
- 怎么把word压缩到最小?
- 网站木马检测_检测病毒,用这几个网站就够了
- 高校如何优雅的使用Ipv6--抱着道长的大腿
- 首先,打破一切常规 学习笔记 之二
- 微信公众号怎么清缓存
- 喜讯 雨笋教育优秀学员荣获望城区网络安全攻防演练二等奖
- 杰理之不带功放,隔直推耳机产品【篇】
- 运维工程师需要掌握什么技能?有哪些要求?
- 光纤软件测试,20m光纤速度怎么测试 20m光纤速度测试方法【详解】
- SQL 注入攻击:简介与原理
- 概率论与数理统计_陈希儒版_第一章:事件的概率
- Waymo二次裁员/特斯拉召回,自动驾驶赛道「新」变化