scipy包含各种专用于科学计算中常见问题的工具箱。其不同的子模块对应不同的应用，如插值、积分、优化、图像处理、统计、特殊函数等。
scipy可以与其他标准科学计算库进行比较，例如 GSL（用于 C 和 C++ 的 GNU 科学库）或 Matlab 的工具箱。scipy是 Python 中科学计算的核心包；它旨在有效地在numpy 数组上运行，以便 numpy 和 scipy 共同使用。
目录
scipy 非常丰富，这里我们只介绍一些重点部分，帮助我们了解如何将scipy用于科学计算。
scipy 由特定于任务的子模块组成：
| scipy.cluster | 矢量量化/Kmeans |
| scipy.constants | 物理和数学常数 |
| scipy.fftpack | 傅里叶变换 |
| scipy.integrate | 积分 |
| scipy.interpolate | 插值 |
| scipy.io | 数据输入输出 |
| scipy.linalg | 线性代数 |
| scipy.ndimage | n维图像包 |
| scipy.odr | Orthogonal distance regression |
| 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 | 任何特殊的数学函数 |
| scipy.stats | 统计数据 |
它们都依赖于numpy，但大多是相互独立的。导入 Numpy 和这些 Scipy 模块的标准方法是：
>>> import numpy as np
>>> from scipy import stats主scipy命名空间大部分包含了真正的numpy函数(scipy.cos ， np.cos)。这些都是由于历史原因造成的;没有理由在代码中使用import scipy。
1. 文件输入/输出：scipy.io
Matlab 文件：加载和保存：
>>> from scipy import io as spio
>>> a = np.ones((3, 3))
>>> spio.savemat('file.mat', {'a': a})
>>> data = spio.loadmat('file.mat')
>>> data['a']
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])Python/Matlab 不匹配，例如
>>> a = np.ones(3)
>>> a
array([1., 1., 1.])
>>> spio.savemat('file.mat', {'a': a})
>>> spio.loadmat('file.mat')['a']
array([[1., 1., 1.]])图像文件：读取图像：
>>> import imageio
>>> imageio.imread('fname.png')
Array(...)
>>> # Matplotlib also has a similar function
>>> import matplotlib.pyplot as plt
>>> plt.imread('fname.png')
array(...)- 加载文本文件：numpy.loadtxt()/numpy.savetxt()
- 巧妙加载文本/csv文件： numpy.genfromtxt()/numpy.recfromcsv()
- 快速高效，但特定于numpy的二进制格式： numpy.save()/numpy.load()
- scikit-image 中更高级的图像输入/输出： skimage.io
2. 特殊函数：scipy.special
特殊函数是超越函数。scipy.special模块的文档写得很好，所以我们不会在这里列出所有的函数。常用的有：
贝塞尔函数，如scipy.special.jn()（nth integer order Bessel function）
椭圆函数（scipy.special.ellipj()对于雅可比椭圆函数，...）
Gamma function: scipy.special.gamma()，还要注意 scipy.special.gammaln()这将使 Gamma 的对数具有更高的数值精度。
Erf，高斯曲线下的面积： scipy.special.erf()
3. 线性代数运算：scipy.linalg
scipy.linalg模块提供标准的线性代数运算。
from scipy import linalg
>>> arr = np.array([[1, 2],
... [3, 4]])
>>> linalg.det(arr)
-2.0
>>> arr = np.array([[3, 2],
... [6, 4]])
>>> linalg.det(arr)
0.0
>>> linalg.det(np.ones((3, 4)))
Traceback (most recent call last):
...
ValueError: expected square matrix- scipy.linalg.inv()函数计算方阵的逆：
>>> arr = np.array([[1, 2],
... [3, 4]])
>>> iarr = linalg.inv(arr)
>>> iarr
array([[-2. , 1. ],
[ 1.5, -0.5]])
>>> np.allclose(np.dot(arr, iarr), np.eye(2))
True- 可以使用更高级的操作，例如奇异值分解(SVD)：
arr = np.array([[3, 2], ... [6, 4]])
>>> linalg.inv(arr) Traceback (most recent call last): ... ...
LinAlgError: singular matrix
- 得到的数组谱为：
>>> spec array([14.88982544, 0.45294236, 0.29654967])- 原始矩阵可以通过svdwith的输出的矩阵乘法重新组合
np.dot：
>>> sarr = np.diag(spec)
>>> svd_mat = uarr.dot(sarr).dot(vharr) >>> np.allclose(svd_mat, arr) True
- SVD 常用于统计和信号处理。许多其他标准分解（QR、LU、Cholesky、Schur）以及线性系统的求解器都包含在scipy.linalg.
4. 插值：scipy.interpolate
scipy.interpolate对于从实验数据拟合函数非常有用，因此可以对不存在测度的点进行评估。该模块基于FITPACK Fortran。
通过想象接近正弦函数的实验数据：
>>> measured_time = np.linspace(0, 1, 10)
>>> noise = (np.random.random(10)*2 - 1) * 1e-1
>>> measures = np.sin(2 * np.pi * measured_time) + noisescipy.interpolate.interp1d 可以创建一个线性插值函数：
>>> from scipy.interpolate import interp1d
>>> linear_interp = interp1d(measured_time, measures)可以在感兴趣的点估算结果：
>>> interpolation_time = np.linspace(0, 1, 50)
>>> linear_results = linear_interp(interpolation_time)三次插值也可以通过提供kind可选关键字参数来选择：
>>> cubic_interp = interp1d(measured_time, measures, kind='cubic')
>>> cubic_results = cubic_interp(interpolation_time)scipy.interpolate.interp2d类似于 scipy.interpolate.interp1d，但适用于二维数组。请注意，对于interp系列，插值点必须保持在给定数据点的范围内。
5. 优化和拟合：scipy.optimize
优化是找到最小化或相等的数值解的问题。
该scipy.optimize模块提供函数最小化（标量或多维）、曲线拟合和求根的算法。
>>> from scipy import optimize6. 统计和随机数：scipy.stats
该模块scipy.stats包含随机过程的统计工具和概率描述。各种随机过程的随机数生成器可以在 numpy.random 中找到。
6.1 分布：直方图和概率密度函数
对给定随机过程的观察，它们的直方图是随机过程 PDF（概率密度函数）的估计量：
>>> samples = np.random.normal(size=1000)
>>> bins = np.arange(-4, 5)
>>> bins
array([-4, -3, -2, -1, 0, 1, 2, 3, 4])
>>> histogram = np.histogram(samples, bins=bins, density=True)[0]
>>> bins = 0.5*(bins[1:] + bins[:-1])
>>> bins
array([-3.5, -2.5, -1.5, -0.5, 0.5, 1.5, 2.5, 3.5])
>>> from scipy import stats
>>> pdf = stats.norm.pdf(bins) # norm is a distribution object
>>> plt.plot(bins, histogram)
[<matplotlib.lines.Line2D object at ...>]
>>> plt.plot(bins, pdf)
[<matplotlib.lines.Line2D object at ...>]分布对象
scipy.stats.norm是一个分布对象：每个分布都表示为一个对象。norm 是正态分布，包含有 PDF、CDF 等等。
如果我们知道随机过程属于给定的随机过程族，例如正态过程，我们可以对观测值进行最大似然拟合以估计基础分布的参数。在这里，我们将正态过程拟合到观察到的数据：
loc, std = stats.norm.fit(samples)
print(loc,std)
-0.004822316383745015 1.00504468911998366.2 平均值、中位数和百分位数
均值
>>> np.mean(samples)
-0.004822316383745015中位数
>>> np.median(samples)
0.03361659877914626与平均值不同，中位数对分布的尾部不敏感。
中位数也是百分位数 50，因为 50% 的观察值低于它：
>>> stats.scoreatpercentile(samples, 50)
0.03361659877914626同样，我们可以计算百分位数 90：
>>> stats.scoreatpercentile(samples, 90)
1.2565894469998924百分位数是累积分布函数估计量：。
6.3 统计检验
统计检验是一个决策指标。例如，如果我们有两组观察值，我们假设它们是从高斯过程生成的，我们可以使用 T 检验来确定两组观察值的均值是否显着不同：
a = np.random.normal(0, 1, size=100)
b = np.random.normal(1, 1, size=10)
stats.ttest_ind(a, b)
Out[14]: Ttest_indResult(statistic=-3.6062755503726986, pvalue=0.0004718656448315962)输出结果由以下部分组成:
- T统计值: 它是一个数字，其符号与两个随机过程的差值成正比，其大小与这个差值的显著性有关。
- p值:两个过程相同的概率。如果它接近于1，那么这两个过程几乎肯定是相同的。它越接近于零，过程就越有可能有不同的方法。
7. 数值积分：scipy.integrate
7.1 函数积分
最通用的是scipy.integrate.quad(). 计算
>>> from scipy.integrate import quad
>>> res, err = quad(np.sin, 0, np.pi/2)
>>> np.allclose(res, 1) # Res是结果，应该接近1
True
>>> np.allclose(err, 1 - res) # Err是误差
True7.2 积分微分方程
scipy.integrate还具有用于常微分方程 (ODE) 的例程。特别是scipy.integrate.odeint()求解以下形式的 ODE：
dy/dt = rhs(y1, y2, .., t0,...)作为介绍，让我们计算在t=0-4之间的常微分方程 dy/dt = -2y，其初始条件y(t=0) = 1。首先需要定义计算位置导数的函数:
>>> def calc_derivative(ypos, time):
... return -2 * ypos8. 快速傅里叶变换：scipy.fftpack
scipy.fftpack模块计算快速傅里叶变换 (FFT) 并提供处理它们的实用程序。主要功能有：
- scipy.fftpack.fft() 计算 FFT
- scipy.fftpack.fftfreq() 生成采样频率
- scipy.fftpack.ifft() 计算从频率空间到信号空间的逆 FFT
例如，一个（噪声）输入信号 ( sig) 及其 FFT：
>>> from scipy import fftpack
>>> sig_fft = fftpack.fft(sig)
>>> freqs = fftpack.fftfreq(sig.size, d=time_step)9. 信号处理：scipy.signal
scipy.signal 用于典型的信号处理：一维、规则采样信号。
10. 图像处理：scipy.ndimage
scipy.ndimage 提供将 n 维数组作为图像进行操作。
10.1 图像的几何变换
改变方向，分辨率，..
>>> from scipy import misc # Load an image
>>> face = misc.face(gray=True)
>>> from scipy import ndimage # Shift, roate and zoom it
>>> shifted_face = ndimage.shift(face, (50, 50))
>>> shifted_face2 = ndimage.shift(face, (50, 50), mode='nearest')
>>> rotated_face = ndimage.rotate(face, 30)
>>> cropped_face = face[50:-50, 50:-50]
>>> zoomed_face = ndimage.zoom(face, 2)
>>> zoomed_face.shape
(1536, 2048)>>> plt.subplot(151)
<matplotlib.axes._subplots.AxesSubplot object at 0x...>
>>> plt.imshow(shifted_face, cmap=plt.cm.gray)
<matplotlib.image.AxesImage object at 0x...>
>>> plt.axis('off')
(-0.5, 1023.5, 767.5, -0.5)
>>> # etc.10.2 图像过滤
生成一张嘈杂的脸：
>>> from scipy import misc
>>> face = misc.face(gray=True)
>>> face = face[:512, -512:] # crop out square on right
>>> import numpy as np
>>> noisy_face = np.copy(face).astype(np.float)
>>> noisy_face += face.std() * 0.5 * np.random.standard_normal(face.shape)在其上应用各种过滤器：
>>> blurred_face = ndimage.gaussian_filter(noisy_face, sigma=3)
>>> median_face = ndimage.median_filter(noisy_face, size=5)
>>> from scipy import signal
>>> wiener_face = signal.wiener(noisy_face, (5, 5))在其它过滤器scipy.ndimage.filters和scipy.signal 可应用于图像。
10.3 数学形态学
数学形态学源于集合论。它表征和转换几何结构。尤其是二进制（黑白）图像，可以使用该理论进行转换：要转换的集合是相邻非零值像素的集合。该理论还扩展到灰度图像。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
