python中的scipy基础知识_3.Python scipy笔记（进行科学计算）

最新推荐文章于 2024-11-22 14:17:53 发布

weixin_39720662

最新推荐文章于 2024-11-22 14:17:53 发布

阅读量968

点赞数

文章标签： python中的scipy基础知识

本文链接：https://blog.csdn.net/weixin_39720662/article/details/114412287

版权

本文介绍了Python的Scipy库在科学计算中的应用，特别是插值和径向基函数（RBF）插值。通过示例展示了如何使用interp1d进行一维插值，包括线性和二次插值，并探讨了径向基函数如高斯、多元二次和逆二次函数。同时，还提供了RBF插值的代码示例。

摘要由CSDN通过智能技术生成

1 简介

1.1 定义

scipy是一个以numpy为基础的用来进行科学计算的一个第三方库。

1.2 构成

子模块描述

cluster 聚类算法

constants 物理数学常数

fftpack 快速傅里叶变换

integrate 积分和常微分方程求解

interpolate 插值

io 输入输出

linalg 线性代数

odr 正交距离回归

optimize 优化和求根

signal 信号处理

sparse 稀疏矩阵

spatial 空间数据结构和算法

special 特殊方程

stats 统计分布和函数

weave C/C++ 积分

2 插值

2.1 一维插值

from scipy.interpolate import interp1d

interp1d(x,y,kind='linear',...)

参数 x,y是一系列已知的点，kind参数是插值的类型

候选值

作用

‘zero’、‘nearest’

0阶插值、最近邻插值

‘slinear’、‘linear’

线性插值，用一条直线连接所有取样点，相当于一阶B样条曲线

‘quadratic’、‘cubic’

二次插值，更高阶的曲线可以直接使用整数值指定

2.2 代码示例

import numpy as np

from scipy.interpolate import interp1d

#创建待插值的数据

x = np.linspace(0, 10*np.pi, 20)

y = np.cos(x)

# 分别用linear和quadratic插值

fl = interp1d(x, y, kind='linear')

fq = interp1d(x, y, kind='quadratic')

#设置x的最大值和最小值以防止插值数据越界

xint = np.linspace(x.min(), x.max(), 1000)

yintl = fl(xint)

yintq = fq(xint)

作者：火锅侠

链接：https://www.jianshu.com/p/b306095309db

來源：简书

简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

2.3 径向基函数

径向基函数，简单来说就是 x 处的函数值只依赖于 x 和某点 c 的距离。

2.3.1 常用的径向基(RBF)函数有：

高斯函数

x = np.linspace(-3,3,100)

plt.plot(x,np.exp(-1*x**2))

plt.title(''Gaussian'')

3efb1a56663e

Figure_1.png

Mutiquadric函数(多元二次函数)

plt.plot(x,np.sqrt(1+x**2))

plt.title(''Multiquadric'')

3efb1a56663e

Figure_1.png

Inverse quadratic函数(逆二次函数)

plt.plot(x,1./np.sqrt(1+x**2))

plt.title(''Inverse Multiquadric'')

3efb1a56663e

Figure_1.png

2.3.2 径向基函数插值

from scipy.interpolate.rbf import Rbf

# 使用multiquadric的核

cp_rbf = Rbf(x,y,function="multiquadric")

# 使用gaussian的核

cp_rbf=Rbf(x,y,function="gaussian")

# 使用inverse_multiquadric的核

cp_rbf=Rbf(x,y,function="inverse_multiquadric")

2.3.3 高维RBF插值

import numpy as np

import pylab as pl

from mpl_toolkits.mplot3d import Axes3D

from scipy.interpolate.rbf import Rbf

# 3 维数据点

x,y=np.mgrid[-np.pi/2:np.pi/2:5j, -np.pi/2:np.pi/2:5j]

z = np.cos(np.sqrt(x**2+y**2))

fig = pl.figure(figsize=(12,6))

ax = fig.gca(projection="3d")

ax.scatter(x,y,z)

# 3 维RBF插值

zz = Rbf(x,y,z)

xx, yy = np.mgrid[-np.pi/2:np.pi/2:50j, -np.pi/2:np.pi/2:50j]

fig = pl.figure(figsize=(12,6))

ax = fig.gca(projection="3d")

ax.plot_surface(xx,yy,zz(xx,yy),rstride=1,cstride=1,cmap=pl.cm.jet)

pl.show()

3 概率统计方法

4 曲线拟合

什么是曲线拟合：找一个方程来拟合数据。

基础包

import numpy as np

import matplotlib as mpl

import matplotlib.pyplot as plt

from numpy import polyfit,poly1d

# polyfit返回的是系数，poly1d返回的函数式

4.1 多项式拟合

从一阶到九阶拟合多项式拟合正弦函数

import numpy as np

import matplotlib.pyplot as plt

from numpy import polyfit,poly1d

x = np.linspace(-np.pi,np.pi,100)

y = np.sin(x)

y1 = poly1d(polyfit(x,y,1))

y3 = poly1d(polyfit(x,y,3))

y5 = poly1d(polyfit(x,y,5))

y7 = poly1d(polyfit(x,y,7))

y9 = poly1d(polyfit(x,y,9))

x = np.linspace(-3 * np.pi,3 * np.pi,100)

p = plt.plot(x, np.sin(x), 'k')

p = plt.plot(x, y1(x),label='y1')

p = plt.plot(x, y3(x),label='y3')

p = plt.plot(x, y5(x),label='y5')

p = plt.plot(x, y7(x),label='y7')

p = plt.plot(x, y9(x),label='y9')

a = plt.axis([-3 * np.pi, 3 * np.pi, -1.25, 1.25])

plt.legend()

plt.show()

3efb1a56663e

Figure_1.png

4.2 最小二乘拟合

什么是最小二乘：已知多个近似分布于同一直线上的点，想拟合出一个直线方程：设该直线方程为y=kx+b，调整参数k和b，使得所有点到该直线的距离平方之和最小，设此时满足要求的k=k0，b=b0，则直线方程为y=k0x+b0。