SciPy 数值计算库

constants 常量模块	from scipy import constants as C C.c #真空中的光速 299792458.0 C.h #普朗克常数
special 特殊函数模块	import scipy.special as S S.gamma(4) #伽玛函数 6.0 S.gammaln(1000) #伽玛函数大范围(超过 双精度浮点数标识范围) 5905.2204232091817
最小二乘法拟合: 如果用p表示函数中需要确定的参数，那么目标就是找到一组p,使得 下面的函数S的值最小	线性函数拟合: # 利用误差计算函数,求 k / b 的最小误差值 import numpy as np from scipy.optimize import leastsq; X = np.array([ 8.19, 2.72, 6.39, 8.71, 4.7 , 2.66, 3.78]) Y = np.array([ 7.01, 2.78, 6.47, 6.71, 4.1 , 4.23, 4.05]) #计算以p为参数的直线和原始数据之间的误差 def residuals(p): k, b = p return Y - (k*X + b) r = leastsq( residuals, [1, 0] ) k, b = r[0] print("k =",k, "b =",b)   正弦波拟合: 调用leastsq进行数据拟合, residuals为计算误差的函数 ''' 使用leastsq()对带噪声的正弦波数据进行拟合。 拟合所得到的参数虽然和 实际的参数有可能完全不同， 但是由于正弦函数具有周期性，实际上拟合 的结果和实际的函数是一致的。 ''' def func(x, p): #数据拟合所用的函数: A*sin(2*pi*k*x + theta) A, k, theta = p return A*np.sin(2*np.pi*k*x+theta) def residuals(p, y, x): #实验数据x, y和拟合函数之间的差，p为拟合需要找到的系数 return y - func(x, p) x = np.linspace(-2*np.pi, 0, 100) A, k, theta = 10, 0.34, np.pi/6 # 真实数据的函数参数 y0 = func(x, [A, k, theta]) # 加入噪声之后的实验数据 y1 = y0 + 2 * np.random.randn(len(x)) # 第一次猜测的函数拟合参数 p0 = [7, 0.2, 0] #args参数，用于指定residuals中使用到的其他参数 plsq = leastsq(residuals, p0, args=(y1, x)) print( u"真实参数:", [A, k, theta] ) print( u"拟合参数", plsq[0] ) # 实验数据拟合后的参数 # 作图部分 import pylab as pl pl.plot(x, y0, label=u"real data") pl.plot(x, y1, label=u"data with wrong") pl.plot(x, func(x, plsq[0]), label=u"拟合数据") pl.legend() pl.show()
求函数最小值 Rosenbrock(罗森布罗克)函数，它经常用来测试最小 化算法的收敛速度

 

转载于:https://my.oschina.net/u/3359005/blog/1812527