标签：使用 ons 功能 理由 线性代数 san 工作 机器 class
scipy包包含致力于科学计算中常见问题的各个工具箱。它的不同子模块相应于不同的应用。像插值，积分，优化，图像处理，，特殊函数等等。
scipy可以与其它标准科学计算程序库进行比较，比如GSL(GNU C或C++科学计算库)，或者Matlab工具箱。scipy是Python中科学计算程序的核心包;它用于有效地计算numpy矩阵，来让numpy和scipy协同工作。
在实现一个程序之前，值得检查下所需的数据处理方式是否已经在scipy中存在了。作为非专业程序员，科学家总是喜欢重新发明造轮子，导致了充满漏洞的，未经优化的，很难分享和维护的代码。相反，Scipy程序经过优化和测试，因此应该尽可能使用。
scipy 由一些特定功能的子模块组成：
| 模块 | 功能 |
|---|---|
| scipy.cluster | 矢量量化 / K-均值 |
| scipy.constants | 物理和数学常数 |
| scipy.fftpack | 傅里叶变换 |
| scipy.integrate | 积分程序 |
| scipy.interpolate | 插值 |
| scipy.io | 数据输入输出 |
| scipy.linalg | 线性代数程序 |
| scipy.ndimage | n维图像包 |
| scipy.odr | 正交距离回归 |
| scipy.optimize | 优化 |
| scipy.signal | 信号处理 |
| scipy.sparse | 稀疏矩阵 |
| scipy.spatial | 空间数据结构和算法 |
| scipy.special | 任何特殊数学函数 |
| scipy.stats | 统计 |
它们全依赖numpy,但是每个之间基本独立。导入Numpy和这些scipy模块的标准方式是：
1 import numpy as np 2 from scipy import stats # 其它子模块相同
主scipy命名空间大多包含真正的numpy函数(尝试 scipy.cos 就是 np.cos)。这些仅仅是由于历史原因，通常没有理由在你的代码中使用import scipy。
【注】：import scipy as sp 后sp.子模块 会失败，所以建议采用上文的 from import 方法。
由于scipy包过于完备复杂，并且暂时看来我的需求也并不是特别急迫，所以简单的介绍几个我感觉蛮有意思的函数部分，以后在sklearn的机器学习中还会继续打交道的，所以，sp，接下来还请多多指教。
导入积分包，插值包
1 import numpy as np 2 import matplotlib.pyplot as plt 3 from scipy import integrate,interpolate
一维积分尝试：
integrate.quad(lambda x:np.exp(-x**2),-10,10)：原函数，下限，上限
1 ‘‘‘数值积分‘‘‘ 2 3 # 专用包sciyp.intergrate 4 5 print(integrate.quad(lambda x:np.exp(-x**2),-10,10))
二维积分：
1 def half_circle(x): 2 return (1-x**2)**0.5 3 def half_sphere(x, y): 4 return (1-x**2-y**2)**0.5 5 res = integrate.dblquad(half_sphere, -1, 1, # 原函数，x下限，y下限 6 lambda x:-half_circle(x), # y积分区域下限 7 lambda x:half_circle(x)) # y积分区域上限 8 print(res[0])
尝试绘张图：
1 import matplotlib.pyplot as plt 2 from mpl_toolkits.mplot3d import Axes3D 3 u = np.linspace(-1,1,100) 4 x,y = np.meshgrid(u,u) # 网格坐标生成函数 5 z = np.abs((1-x**2-y**2))**0.5 6 fig = plt.figure() 7 ax = Axes3D(fig) 8 ax.plot_surface(x,y,z,rstride=4,cstride=4,cmap=‘rainbow‘) 9 plt.show()
interpolate.interp1d(x,signal)
interpolate.interp1d(x,signal,kind=‘cubic‘)
1 ‘‘‘插值‘‘‘ 2 3 # 创建信号 4 x = np.linspace(-18,18,36) 5 noise = 0.1*np.random.random(len(x)) 6 signal = np.sinc(x) + noise 7 8 # 生成一次插值函数 9 interpreted = interpolate.interp1d(x,signal) #<--------- 10 x2 = np.linspace(-18,18,180) 11 y = interpreted(x2) 12 13 # 生成三次插值函数 14 cubic = interpolate.interp1d(x,signal,kind=‘cubic‘) #<--------- 15 y2 = cubic(x2) 16 17 plt.plot(x,signal,marker=‘o‘,label=‘data‘) 18 plt.plot(x2,y,linestyle=‘-‘,label=‘linear‘) 19 plt.plot(x2,y2,‘-‘,lw=2,label=‘cubic‘) 20 plt.legend() 21 plt.show()
对于本书（《NumPy学习指南》）的学习到此就告一段落了，由于numpy对于python的特殊地位，对于她的熟悉学习过程必然会伴随我剩余人生相当长的一部分，所以也没什么伤感的，只是新坑已经准备好了，准备继续大干一场。中二一次，在这用魔兽过往版本的一句转场结束系列：燃烧的远征仍将继续，而我们将踏着灰烬前行！
『Python』Numpy学习指南第十章_高端科学计算库scipy入门（系列完结）
标签：使用 ons 功能 理由 线性代数 san 工作 机器 class
原文地址：http://www.cnblogs.com/hellcat/p/6884140.html
