在科学研究或工程设计中，经常依靠数学建模，将复杂问题转化为数学公式；我们对数学公式的求解过程，就是科学计算。
说白了，就是高中数学、大学数学，当年我们用手算，现在编写程序来算；当年我们关注公式推导，现在关注计算过程。
数学理论是科学计算的基础，python仅仅提供了合适的语法和函数，是“名副其实的计算工具”；如果要从事科学计算，先买本数学书吧。
涉及的数学知识面很广，
可以在用到的时候，根据分类找到模块名称，然后百度这个模块下包含哪些函数。
我的数学水平有限，咱就找个
简单
函数调用一下吧。问题：计算正弦波在区间[0, 2]中的面积。思路：对函数sin(x)进行积分运算，记作：∫₀² sin(x) dx代码：
关注点
一切数学函数，都可以表达成y=f(x)；其中，f是算法，x是输入： ①我们通过公式推导，可以将 f 简化为若干基础函数，然后直接调用； ②x 则可能是 “1个数字/1个数组/1个矩阵/n维数组”，越往后越复杂； ③为了获得直观且感性的了解，还需要用图形呈现数据。python通过3个库来支持科学计算：① NumPy：支持n维数组计算，以及计算相关的基础功能(面向 x)② SciPy：在Numpy基础上，扩展大量数学函数(面向 f)③ Matplotlib：以图形方式呈现数据pip install numpy scipy matplotlib
安装科学计算相关的库
1.n维数组计算
毕业多年，很多数学知识都还给了老师，先做个简单复习吧。二维数组比一维数组复杂，原理又与多维数组相同，所以我们从它开始入手；二维数组看上去像一个矩阵，因此又叫 矩阵计算，建议参考这篇文章。精华内容提取如下：①矩阵 转置：就是行列互换②矩阵 与数字运算：将数字运算分配到每个元素上③矩阵 +矩阵：同型矩阵，在相同位置上的元素相加④矩阵 *矩阵：将第1个矩阵的每一行视为一个向量，第2个矩阵的每一列视为一个向量；两个向量的每个元素，相乘再求和，又被成为内积；第1个向量的行，第2个向量的列，就是内积在结果矩阵中的位置先简单熟悉一下Numpy的矩阵计算语法：http://www2.edu-edu.com.cn/lesson_crs78/self/j_0022/soft/ch0605.html
矩阵计算
import numpy as np# 创建多维数组一维数组 = np.array([1, 3, 5, 7, 0, 2, 4, 6, 8])print('\n一维数组:')print(一维数组)# 维度变换矩阵 = 一维数组.reshape(3, 3)print('\n矩阵(二维数组):')print(矩阵)# 切片：多个维度的范围交集切片 = 矩阵[:2, :]print('\n切片:')print(切片)# 矩阵 转置：行列互换矩阵转置 = 切片.Tprint('\n矩阵 转置:')print(矩阵转置)# 矩阵 与数字运算：每个元素都参与matrixNum = 切片 * 2 + 1print('\n矩阵 与数字运算:')print(matrixNum)# 矩阵 +矩阵：每个相同位置上的元素相加矩阵相加 = matrixNum + 切片print('\n矩阵 +矩阵:')print(矩阵相加)# 矩阵 *矩阵：列向量*行向量矩阵相乘 = np.dot(matrixNum, 矩阵转置)print('\n矩阵 *矩阵:')print(矩阵相乘)
示例代码如下：方差 = Σ(样本 - 平均值)² / 样本量
标准差 = 方差½
差异系数 = 标准差 / 平均值
差异系数公式
import numpy as np# 用随机数模拟100个学校的生均图书册数样本 = np.random.randint(30, 50, size=100)样本量 = 样本.size平均值 = np.mean(样本)print('样本：' + str(样本))print('样本量：' + str(样本量))print('平均值：' + str(平均值))# 方差 = Σ(样本 - 平均值)² / 样本量# 1)用到一个技巧：数组求和时，可以利用矩阵乘法，乘以一个全部元素为1的向量# 2)使用numpy提供的方差函数方差 = np.dot(np.power(样本 - 平均值, 2), np.ones(100, int)) / 样本量方差2 = np.var(样本)print('方差：' + str(方差))print('方差2：' + str(方差2))# 标准差 = 方差½# 1)使用numpy提供的平方根函数# 2)使用numpy提供的标准差函数标准差 = np.sqrt(方差)标准差2 = np.std(样本)print('标准差：' + str(标准差))print('标准差2：' + str(标准差2))# 差异系数 = 标准差 / 平均值差异系数 = 标准差 / 平均值差异系数2 = 标准差2 / 平均值print('差异系数：' + str(差异系数))print('差异系数2：' + str(差异系数2))使用了两种计算方式：复杂的方式是为了演示矩阵计算的技巧，简单的方式是直接调用numpy提供的统计函数
两个例子足够了，主要演示 基于多维数组的计算。2.数学函数
SciPy提供了大量数学函数，并且按模块分类：
| cluster | 向量计算 / Kmeans |
| constants | 物理和数学常量 |
| fftpack | 傅里叶变换 |
| integrate | 积分程序 |
| interpolate | 插值 |
| io | 数据输入和输出 |
| linalg | 线性代数 |
| ndimage | n-维图像包 |
| odr | 正交距离回归 |
| optimize | 优化 |
| signal | 信号处理 |
| sparse | 稀疏矩阵 |
| spatial | 空间数据结构和算法 |
| special | 特殊数学函数 |
| stats | 统计 |
import numpy as npfrom scipy import integrate# ∫₀² sin(x) dx# 积分函数是 integrate.quad(函数, 下限, 上限)# 正弦函数是 np.sin# 区间是 [0, 2]# 返回元组类型 (面积, 计算精度)area, precision = integrate.quad(np.sin, 0, 2)print('面积：' + str(area))print('计算精度：' + str(precision))
3.数据图表
matplotlib给图表定义了这样一组概念：呈现画面的窗口是一张画布figure，可以将它均匀切分成几个部分；每个部分画一个子图axes，子图的画法依赖坐标系；坐标系由多个坐标轴axis组成，在轴上填好数据，图形自然呈现。画图的语法如下：
①图形元素的包含关系： figure(画布) > axes(子图) > axis(坐标轴) > data(数据)②画图由pyplot模块支持，需要将其导入 “ from matplotlib import pyplot as plt”③创建画布的语法为 “ figure = plt.figure()”④创建子图的语法为 “ ax = fig.add_subplot(行/列/顺序)”，行和列将画布均匀切分，顺序指定了子图的位置⑤创建坐标轴的语法为 “ ax.set(xlim=[x轴min, x轴max], ylim=[y轴min, y轴max], , ylabel="y轴", xlabel="x轴")”⑥填充数据的语法为 “ ax.plot/bar/scatter(x轴数组, x轴数组)”，plot/bar/scatter 分别对应 曲线填充/柱状填充/散点填充 ⑦如果有汉字，需要指定中文字体 “plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']”⑧所有图形元素创建完之后，用 “ plt.show()” 呈现图形标准代码模板如下：
import numpy as npimport matplotlib.pyplot as plt# 1)创建画布fig = plt.figure()# 2)创建子图ax1 = fig.add_subplot(221)ax2 = fig.add_subplot(222)ax3 = fig.add_subplot(223)ax4 = fig.add_subplot(224)# 3)创建坐标轴ax1.set(xlim=[10, 40], ylim=[0, 50], title="折线图", ylabel="y轴", xlabel="x轴")ax2.set(xlim=[0, 50], ylim=[0, 50], title="柱状图", ylabel="y轴", xlabel="x轴")ax3.set(xlim=[0, 60], ylim=[0, 50], title="饼状图")ax4.set(xlim=[-10, 60], ylim=[0, 60], title="散点图")# 4)填充数据x = np.array([10, 20, 30, 40])y = np.array([10, 20, 25, 40])# 折线图：x,y, 颜色,线宽，用来看趋势ax1.plot(x, y, color='lightblue', linewidth=3)# 柱状图：x,y, 颜色,柱宽，用来对比ax2.bar(x, y, color='red', width=2)ax2.bar(x + 2, y * 1.2, color='blue', width=2)# 饼状图：x，用来看比例ax3.pie(x)# 散点图：x,y, 颜色,大小，用来看密集程度ax4.scatter(x, y, color='red', s=1)# 中文字体plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']plt.show()VSCode运行结果：
在我们用图形呈现函数规律的时候，取值范围不可能是无限的，只能从区间范围内选择有限的点，这时要用到 “np.arange(起点, 终点, 步长)” 或 “np.linspace(起点, 终点, 个数)” ；而且，我们还可以移动坐标轴的位置、设置轴上的刻度。
具体以正弦曲线为例：
import numpy as npimport matplotlib.pyplot as plt# 1)创建画布fig = plt.figure()# 2)创建子图ax1 = fig.add_subplot(111)# 3)创建坐标轴ax1.set( xlim=[-2 * np.pi, 2 * np.pi], ylim=[-2, 2], title="正弦函数", ylabel="y轴", xlabel="x轴", # 设置坐标轴刻度 xticks=[-2 * np.pi, -np.pi, 0, np.pi, 2 * np.pi], yticks=[-1, 0, 1])# 让坐标轴居中ax1.spines['right'].set_color('none')ax1.spines['top'].set_color('none')ax1.xaxis.set_ticks_position('bottom')ax1.spines['bottom'].set_position(('data', 0))ax1.yaxis.set_ticks_position('left')ax1.spines['left'].set_position(('data', 0))# 4)填充数据x = np.linspace(-2 * np.pi, 2 * np.pi, 100)y = np.sin(x)# 折线图：x,y, 颜色,线宽，用来看趋势ax1.plot(x, y, color='lightblue', linewidth=1)# 中文字体plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']plt.show()采样点取10，画出的效果是：
采样点取100，画出的效果是：
总结：
①Python做科学计算需要用到3个库：NumPy + SciPy + Matplotlib
②Numpy提供基于多维数组的计算，SciPy提供丰富的数学函数，Matplotlib提供画图工具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
