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。由于其涉及的领域众多、本书没有能力对其一一的进行介绍。作为入门介绍，让我们看看如何用SciPy进行插值处理、信号滤波以及用C语言加速计算。

SciPy是世界上著名的Python开源科学计算库，建立在Numpy之上。它增加的功能包括数值积分、最优化、统计和一些专用函数。

本篇文档包括以下内容：

1、文件的输入/输出；

2、统计；

3、信号处理；

导入相关依赖包

>>> from scipy import io as spio

>>> import numpy as np创建一个数组并保存到文件中

>>> a = np.ones((3,3))

>>> a

array([[ 1., 1., 1.],

[ 1., 1., 1.],

[ 1., 1., 1.]])

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

>>>

>>> data = spio.loadmat('file.mat', struct_as_record=True)

>>> data

{'a': array([[ 1., 1., 1.],

[ 1., 1., 1.],

[ 1., 1., 1.]]), '__version__': '1.0', '__header__': 'MATLAB 5.0 MAT-file Platform: posix, Created on: Wed May 17 16:19:49 2017', '__globals__': []}

>>> data['a']

array([[ 1., 1., 1.],

[ 1., 1., 1.],

[ 1., 1., 1.]])

载入txt文件：numpy.loadtxt()/numpy.savetxt()

智能导入文本/csv文件：numpy.genfromtxt()/numpy.recfromcsv()

高速，有效率但numpy特有的二进制格式：numpy.save()/numpy.load()

2. 统计

2.1 分析随机数

>>> import scipy.stats as stats

>>> generated = stats.norm.rvs(size = 900)

>>> generated.dtype

dtype('float64')

>>> Mean, std = stats.norm.fit(generated)

>>> Mean

-0.00098392245844106043

>>> std

0.96347564118451801

>>>

偏度(skewnes)描述的是概率分布的偏斜程度，我们需要做一个偏度检验。该检验有两个返回值，其中第二个返回值是p-value，即观察到的数据服从正态分布的概率，取值为0-1

>>> stats.skewtest(generated)

SkewtestResult(statistic=-0.4167400083108363, pvalue=0.67686858714771658)

我们有67%把握认为其服从正态分布

峰度(kurtosis)描述的是概率分布的陡峭程度。该检验和偏度检验类似。

>>> stats.kurtosistest(generated)

KurtosistestResult(statistic=1.6452313569108934, pvalue=0.099922109358986863)

>>> stats.normaltest(generated)

NormaltestResult(statistic=2.8804584522897754, pvalue=0.23687345486954675)

使用Scipy我们很方便的得到数据所在区域中某一百分比处的数值

例如获取到95%处的值

>>> stats.scoreatpercentile(generated, 95)

1.5367563534669961

同样返过来也可以通过某一个数值获取其百分比

>>> stats.percentileofscore(generated, 1)

85.888888888888886

2.2 样本比对(比较股票对数收益率)

>>> a1 = np.random.rand(10)

>>> a2 = np.random.rand(10)

>>> a1

array([ 0.19910597, 0.16902027, 0.46305597, 0.29216104, 0.52134258,

0.0849457 , 0.1391109 , 0.44985439, 0.78996225, 0.06177391])

>>> a2

array([ 0.23200311, 0.47033435, 0.05213133, 0.00768839, 0.86955667,

0.69786845, 0.04830981, 0.00823025, 0.31119304, 0.19254339])

>>> stats.ttest_ind(a1,a2)

Ttest_indResult(statistic=0.23215451698313397, pvalue=0.81903697972304368)

均值检验可以检验两组不同的样本是否有相同的均值，返回值有两个，其中第二个为p-value,取值范围问为0~1

Kolmogorov-Smirnov检验可以判断两组样本同分布的可能性

>>> stats.ks_2samp(a1,a2)

Ks_2sampResult(statistic=0.40000000000000002, pvalue=0.31285267601695582)

在两组数据对数收益率的差值上运用Jarque-Bera正态性检验

>>> stats.jarque_bera(a1-a2)

(0.70085877257661988, 0.70438557126873813)

>>> stats.jarque_bera(a1-a2)[-1]

0.70438557126873813