掌握SciPy，速通Python科学计算。
微信搜索关注《AI科技论谈》
SciPy是一个用于数学、科学和工程计算的开源Python库。
SciPy基础
-
使用
pip install scipy安装SciPy。 -
使用
import scipy导入SciPy。 -
通过
scipy.__version__获取SciPy的版本。 -
从SciPy中导入特定模块，例如
from scipy import stats。 -
使用
scipy.constants获取物理和数学常数。
积分与微分
-
使用
scipy.integrate.quad()对函数进行积分。 -
使用
dblquad()进行二重积分。 -
使用
scipy.misc.derivative()对函数进行数值微分。
线性代数
-
使用
scipy.linalg.solve()求解线性方程组。 -
使用
scipy.linalg.det()计算矩阵的行列式。 -
使用
scipy.linalg.eig()计算矩阵的特征值和特征向量。
稀疏矩阵运算
-
使用
scipy.sparse.csr_matrix()创建一个稀疏矩阵。 -
为提高效率，使用
dot()进行稀疏矩阵与向量的乘法运算。
插值
-
使用
scipy.interpolate.interp1d()对数据点进行插值。 -
使用
scipy.interpolate.splrep()利用样条进行平滑插值。
优化
-
使用
scipy.optimize.minimize()最小化一个函数。 -
使用
scipy.optimize.differential_evolution()实现全局优化。 -
使用
scipy.optimize.linprog()解决线性规划问题。
曲线拟合
-
使用
scipy.optimize.curve_fit()将曲线拟合到数据点上。 -
使用
scipy.stats.linregress()进行线性回归。
信号处理
-
使用
scipy.signal.lfilter()应用数字滤波器。 -
使用
scipy.signal.find_peaks()检测信号中的峰值。 -
使用
scipy.signal.convolve()进行卷积运算。
傅里叶变换
-
使用
scipy.fft.fft()计算离散傅里叶变换。 -
使用
scipy.fft.ifft()应用逆傅里叶变换。
统计函数
-
使用
scipy.stats.describe()计算描述性统计量。 -
使用诸如
scipy.stats.ttest_ind()等函数进行假设检验。 -
使用
scipy.stats从各种分布中生成随机样本。
距离度量
-
使用
scipy.spatial.distance.euclidean()计算欧几里得距离。 -
使用
scipy.spatial.distance.cdist()计算点与点之间的成对距离。
聚类
-
使用
scipy.cluster.hierarchy.linkage()进行层次聚类。 -
使用
scipy.cluster.hierarchy.dendrogram()进行可视化展示。
图像处理
-
使用
scipy.ndimage.imread()和scipy.ndimage.imsave()读取和保存图像。 -
使用
scipy.ndimage中的函数对图像应用滤镜。
特殊函数
-
使用像贝塞尔函数（scipy.special）这样的数学特殊函数进行高级计算。
-
探究像误差函数（scipy.special.erf()）这样的统计函数。
与NumPy的集成
-
将SciPy与NumPy无缝集成以进行高级数值运算。
-
结合使用
scipy.stats函数和NumPy数组进行统计分析。
其他
-
使用
scipy.sparse.linalg.eigs()解决稀疏特征值问题。 -
使用
scipy.optimize.minimize()对带有不等式和等式约束的函数进行优化。 -
使用
scipy.optimize.root()求非线性方程的根。 -
使用
scipy.integrate.solve_ivp()求解常微分方程（ODEs）。 -
使用
scipy.poly1d()对多项式进行运算。 -
使用
scipy.linalg.svd()实现主成分分析。 -
使用
scipy.stats.zscore()进行时间序列分析。 -
使用
scipy.stats对概率分布进行建模和分析。 -
使用
scipy.stats从各种分布中生成随机数。 -
使用
scipy.interpolate.griddata()进行二维插值。 -
使用
scipy.stats.gaussian_kde()估计概率密度函数。 -
使用
scipy.optimize.fsolve()求解非线性方程组。 -
使用
scipy.interpolate.Rbf进行局部径向基函数插值。 -
使用
scipy.svm实现用于分类和回归的支持向量机。 -
使用
scipy.sparse.csgraph表示和操作稀疏图。 -
使用
scipy.linalg.expm()计算矩阵指数。 -
使用
scipy.spatial.distance.squareform()进行多维缩放以实现降维。 -
使用快速傅里叶变换高效地计算卷积和相关。
-
使用
scipy.optimize.nnls()应用非负矩阵分解进行特征提取和降维。 -
探究连接函数用于对多元相关性进行建模。
-
使用
scipy.integrate.odeint()求解随机微分方程。 -
使用
scipy.spatial进行地理空间操作。 -
使用
scipy.stats.linregress()实现加权最小二乘法回归。 -
使用
scipy.signal分析时频关系。 -
使用
scipy.interpolate.interp2d()在二元空间中进行插值。 -
使用
scipy.signal.lfilter()应用因果时间序列滤波器。 -
使用
scipy.optimize.minimize()进行参数的最大似然估计。 -
使用
scipy.sparse.linalg.svds()实现用于协同过滤的矩阵分解。 -
使用
scipy.sparse.linalg.spsolve()利用雅可比迭代求解线性方程组。 -
利用超几何函数scipy.special.hyp2f1(1, 1, 2, 0.5)进行高级数学计算。
-
使用
scipy.interpolate.BSpline()进行B样条插值。 -
使用
scipy.stats中的统计方法识别数据中的异常值。 -
使用
scipy.interpolate.pchip进行分段三次埃尔米特插值。 -
应用
scipy.io.wavfile倒谱分析来检测信号中的音高。 -
使用
scipy.spatial.distance.pdist()定义自定义距离度量。 -
使用
scipy.linalg.svd()将矩阵分解为奇异值分解（SVD）形式。 -
使用傅里叶分析来分析信号中的谐波成分。
-
使用
scipy.signal.filtfilt()实现时域滤波。 -
进行QR分解以高效求解线性方程组。
-
使用
scipy.ndimage.morphology对图像应用形态学操作。 -
使用
scipy.optimize.anneal()利用模拟退火进行全局优化。 -
实现哈密顿蒙特卡洛用于贝叶斯推断。
-
使用
scipy.spatial.Delaunay()为点集创建德劳内三角剖分。 -
使用
scipy.ndimage.register_translation()进行图像配准。 -
使用典型相关分析（CCA）进行多元分析。
-
使用
scipy.stats.multivariate_normal()将高斯混合模型拟合到数据上。 -
使用
scipy.interpolate.griddata()和matplotlib创建三维绘图。 -
使用
scipy.optimize.minimize()利用内尔德-米德算法优化函数。 -
使用
scipy.optimize.nnls()进行非负最小二乘法回归。 -
使用
scipy.stats.mstats实现用于贝叶斯建模的马尔可夫链蒙特卡洛。 -
使用
scipy.stats.wasserstein_distance()计算两个分布之间的地球移动距离。 -
进行柯尔莫哥洛夫-斯米尔诺夫检验以评估拟合优度。
-
使用
scipy.ndimage中的直方图均衡化增强图像对比度。 -
使用
scipy.signal.butter()为信号处理设计巴特沃斯滤波器。 -
使用
scipy.signal.savgol_filter()应用萨维茨基-戈莱平滑滤波器。 -
使用
scipy.interpolate.griddata()实现反距离加权插值。 -
使用
scipy.signal.hurst()估计分形时间序列的赫斯特指数。 -
进行舒尔分解以实现三角矩阵分解。
-
使用
scipy.signal.convolve2d()实现二维卷积。 -
使用
scipy.stats.wasserstein_barycenter()计算一组分布的瓦瑟斯坦重心。 -
使用
scipy.signal.hilbert()应用希尔伯特变换来提取解析信号。 -
结合
sympy使用scipy.integrate.quad对符号表达式进行符号积分。
总结
这100个小技巧涵盖了广泛的SciPy功能，从基本的数值运算到优化、信号处理、统计分析等高级主题，有助于你熟练地在Python中使用SciPy进行科学和技术计算。
推荐书单
《利用Python进行数据分析》（原书第3版）
本书是Python数据分析经典畅销书的升级版，由Python pandas项目的创始人Wes McKinney撰写。自2012年第1版出版以来，迅速成为该领域的权威指南，并且为了与时俱进，作者也在对本书内容进行持续更新，以摒弃一些过时、不兼容的工具，添加新的内容，用以介绍一些新特性、新工具及方法。
本书第3版针对Python 3.10和pandas 1.4进行了更新，并通过实操讲解和实际案例向读者展示了如何高效解决一系列数据分析问题。读者将在阅读过程中学习新版本的pandas、NumPy、IPython和Jupyter。
【5折促销中】：https://item.jd.com/14260998.html
扫一扫
1306
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
