【python学习笔记】scipy在数据分析中的应用

一、了解scipy的特点：

• 优化：Scipy包括了各种数学优化算法，可以用于寻找函数的最小值或最大值。
• 信号处理：Scipy提供了一系列信号处理工具，用于分析和处理信号数据。
• 统计分析：Scipy包括了各种统计分析函数，用于描述和分析数据的统计特性。
• 插值：Scipy提供了插值函数，用于估计在给定数据点之间的值。
• 线性代数：Scipy包括了线性代数工具，用于解决线性方程组和矩阵分解等问题。

总结：方便了优化、信号处理、统计、差值等计算。

二、scipy特定的应用

（一）数学优化：寻找最优解

1.导入minimize函数

from scipy.optimize import minimize

2.优化

def objective(x):
    return x[0] ** 2 + x[1] ** 2


# 初始猜测，给算法提供一个搜索起点
x0 = [1, 1]

（1）无约束优化

# 执行无约束优化
#result = minimize(objective, x0, method='BFGS')  # 拟牛顿方法寻找最小值

（2）约束优化

#约束条件的形式，'ineq'代表线性不等式约束，'fun'包含的是线性不等式的约束条件，x0>=2
consraint = (
    {'type': 'ineq', 'fun': lambda x: x[0] - 2},
    {'type': 'ineq', 'fun': lambda x: x[1] - 2}
)

#执行约束优化
result = minimize(objective, x0, method = 'SLSQP', constraints = consraint)

（二）统计分析

1导入统计模块：stats

from scipy import stats

2 假设检验

data1 = numpy.random.normal(0, 1, 100)
data2 = numpy.random.normal(0, 1, 100)

#执行独立样本t检验
t_statistic, p_value = stats.ttest_ind(data1, data2)

3 统计分布

# 创建一个正态分布随机变量
rv = stats.norm(loc=0, scale=1)
# 计算概率密度函数的值
pdf_value = rv.pdf(0)
# 计算累积分布函数的值
cdf_value = rv.cdf(0.5)

（三）插值

1 导入差值模块：interpolate

from scipy import interpolate

2 差值方法

（1）线性插值：interp1d

x = np.array([0, 1, 2, 3, 4])
y = np.array([0, 1, 4, 9, 16])

#创建线性插值的函数
linear_interp = interpolate.interp1d(x, y)

new_x = np.array([0.5, 2.5])

interpolate_values = linear_interp(new_x)

（2）可视化展现

fig = plt.figure()
plt.scatter(x, y,c='r')
plt.scatter(new_x,new_y,c='b')
plt.show()

（3）结果展示：

---

小白对scipy的初步学习，欢迎各位大佬走过路过补充知识，互相学习~~~

参考：

https://www.jb51.net/python/3048161cl.htm

目录

一、了解scipy的特点：

二、scipy特定的应用

（一）数学优化：寻找最优解

1.导入minimize函数

2.优化

（1）无约束优化

（2）约束优化

（二）统计分析

（三）插值

---