做网站ps分辨率给多少,网站建设 中企动力南通,做网站 超速云,腾讯企业邮箱怎么开通注册scipy 是什么常用方法 是什么 scipy是Python语言的一个开源数值计算库#xff0c;主要目的是为科学、工程、计算等领域提供有用的数学算法和函数#xff0c;包括线性代数、优化、信号处理、傅里叶变换、统计函数等。它是Python科学计算环境的重要组成部分#xff0c;通常与N… scipy 是什么常用方法 是什么 scipy是Python语言的一个开源数值计算库主要目的是为科学、工程、计算等领域提供有用的数学算法和函数包括线性代数、优化、信号处理、傅里叶变换、统计函数等。它是Python科学计算环境的重要组成部分通常与NumPy和Matplotlib等库一起使用。 常用方法
线性代数scipy.linalg solve解线性方程组det计算矩阵的行列式eig计算矩阵的特征值和特征向量inv计算矩阵的逆矩阵svd计算矩阵的奇异值分解
import numpy as np
from scipy import linalg# 创建一个2x2的矩阵
A np.array([[1, 2], [3, 4]])# 计算矩阵的行列式
det_A linalg.det(A)
print(det(A) , det_A)# 计算矩阵的逆矩阵
inv_A linalg.inv(A)
print(inv(A) \n, inv_A)# 解线性方程组 Ax b
b np.array([5, 6])
x linalg.solve(A, b)
print(x , x)# 计算矩阵的奇异值分解
U, s, V linalg.svd(A)
print(U \n, U)
print(s , s)
print(V \n, V)
结果
det(A) -2.0
inv(A) [[-2. 1. ][ 1.5 -0.5]]
x [-4. 4.5]
U [[-0.40455358 -0.9145143 ][-0.9145143 0.40455358]]
s [5.4649857 0.36596619]
V [[-0.57604844 -0.81741556][ 0.81741556 -0.57604844]]
优化scipy.optimize minimize对一个目标函数进行最小化root求解方程组curve_fit拟合数据曲线minimize_scalar对一个一元函数进行最小化
import numpy as np
from scipy import optimize# 定义需要最小化的函数
def f(x):return x ** 2 - 4 * x 3# 使用Brent算法求取函数的最小值
result optimize.minimize_scalar(f, methodbrent)
print(minimum value: , result.fun)
print(minimum point: , result.x)
结果
minimum value: 1.0
minimum point: 2.0
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt# 构造正弦函数
def sin_func(x, a, b, c, d):return a * np.sin(b * x c) d# 构造数据
x_data np.linspace(0, 2 * np.pi, 50)
y_data sin_func(x_data, 3, 1.5, np.pi / 3, 2) 0.5 * np.random.normal(sizelen(x_data))# 使用curve_fit拟合数据
popt, pcov curve_fit(sin_func, x_data, y_data)# 绘制原始数据和拟合结果
plt.scatter(x_data, y_data, labelOriginal data)
plt.plot(x_data, sin_func(x_data, *popt), r-, labelFit resultfrom scipy.optimize import root
import numpy as np# 定义方程
def func(x):return x**2 2*np.sin(x)# 求解方程的根
sol root(func, 0.3)# 输出结果
print(sol.x) # [0.]
from scipy.optimize import root
import numpy as np# 定义方程组
def func(x):return [x[0]**2 x[1]**2 - 1, x[0] x[1] - np.sqrt(2)]# 求解方程组的根
sol root(func, [1, 1])# 输出结果
print(sol.x)
# [0.70710679 0.70710678]
from scipy.optimize import minimize
import numpy as np# 定义目标函数
def rosen(x):Rosenbrock函数return sum(100.0 * (x[1:] - x[:-1]**2.0)**2.0 (1 - x[:-1])**2.0)# 定义约束条件
cons ({type: ineq, fun: lambda x: x[0] - 1},{type: ineq, fun: lambda x: -x[0] - 1},{type: ineq, fun: lambda x: x[1] - 1},{type: ineq, fun: lambda x: -x[1] - 1})# 求解最小值
x0 np.array([0, 0])
res minimize(rosen, x0, methodSLSQP, constraintscons)# 输出结果
print(res)
message: Positive directional derivative for linesearchsuccess: Falsestatus: 8fun: 0.9999999999965967x: [ 1.702e-12 1.692e-14]nit: 8jac: [-2.000e00 1.490e-06]nfev: 42njev: 4插值scipy.interpolate interp1d一维插值interp2d二维插值griddata多维插值
import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei]
plt.rcParams[axes.unicode_minus] False
# 创建一些随机数据点
x np.linspace(0, 10, 10)
y np.sin(x)# 使用线性插值生成更多的数据点
f_linear interp1d(x, y, kindlinear)
x_new np.linspace(0, 10, 30)
y_linear f_linear(x_new)# 使用样条插值生成更多的数据点
f_cubic interp1d(x, y, kindcubic)
y_cubic f_cubic(x_new)# 绘制原始数据和插值曲线
plt.plot(x, y, o, label原始数据点)
plt.plot(x_new, y_linear, -, label线性插值)
plt.plot(x_new, y_cubic, --, label样条插值)
plt.legend()
plt.show() 信号处理scipy.signal fft快速傅里叶变换convolve卷积运算resample重新采样spectrogram信号的谱分析
import numpy as np
from scipy import signal
import matplotlib.pyplot as plt# 生成一个带噪声的信号
t np.linspace(0, 10, 1000)
y np.sin(t) np.random.normal(0, 0.1, t.shape)# 设计一个低通滤波器并应用于信号
b, a signal.butter(4, 0.1, low) # 4 表示滤波器阶数0.1 表示截止频率
y_filtered signal.filtfilt(b, a, y) # Filtfilt 函数应用前向和反向滤波器可以减少滤波器导致的相位延迟# 绘制原始信号和滤波后的信号
plt.figure(figsize(6, 6))
plt.subplot(2, 1, 1)
plt.plot(t, y, label原始信号)
plt.xlabel(时间)
plt.ylabel(幅度)
plt.legend()plt.subplot(2, 1, 2)
plt.plot(t, y_filtered, label滤波后的信号)
plt.xlabel(时间)
plt.ylabel(幅度)
plt.legend()plt.show() 统计scipy.stats ttest_indt检验pearsonr计算Pearson相关系数chi2_contingency卡方检验f_oneway方差分析
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt# 生成 1000 个随机变量
x np.random.normal(0, 1, 1000)# 计算随机变量的均值和方差
mean stats.mean(x)
variance stats.variation(x)# 计算随机变量的概率密度函数PDF并绘制出来
pdf_x np.linspace(-4, 4, 1000)
pdf_y stats.norm.pdf(pdf_x, locmean, scalenp.sqrt(variance))plt.plot(pdf_x, pdf_y, labelPDF)
plt.xlabel(随机变量)
plt.ylabel(概率密度)
plt.legend()
plt.show()
