初识SciPy

目录

1 简介

2  SciPy的optimize模块

3  SciPy在图像处理方面的应用

1 简介

python在科学计算领域有三个非常受欢迎库，numpy、SciPy、matplotlib。numpy定义了数值数组和矩阵类型和它们的基本运算的语言扩展，是一个高性能的多维数组的计算库。

SciPy使用NumPy来做高等数学、信号处理、优化、统计和许多其它科学任务的语言扩展。是构建在numpy的基础之上的。SciPy是一款方便、易于使用、专为科学和工程设计的python工具包，它包括了统计、优化、整合以及线性代数模块、傅里叶变换、信号和图像图例，常微分方差的求解等。Scipy的optimize模块提供了许多数值优化算法。

Matplotlib是一个帮助绘图的语言扩展。

2  SciPy的optimize模块

optimize模块提供了几种常用的优化算法， 可以实现非线性方程组求解、数据拟合及函数最小值。包含以下几个方面 ：

a 使用(例如：BFGS，Nelder-Mead单纯形等)的无约束和约束最小化多元标量函数(minimize());

b 全局优化程序(anneal()，basinhopping());

c 最小二乘最小化(leastsq())和曲线拟合(curve_fit());

d 标量单变量函数最小化(minim_scalar())和根查找(newton());

e 使用(例如：Powell，Levenberg-Marquardt混合或Newton-Krylov等大规模方法)的多元方程系统求解.

1. 最小二乘拟合

     举例：有一组数据满足函数关系f(x)=kx+b,想要求解出k和b的值。

x	8.1	2.7	6.99	4.1	5.8	10.7	15.66	20.1	25
y	7.22	2.67	7	3.9	6.11	11	15.5	20.0	25.3

    代码 ：

import numpy as np
from scipy.optimize import leastsq
import matplotlib.pyplot as plt


def f(param):
    k, b = param
    return (Y-(k * X + b))


if __name__ == '__main__':
    X = np.array([8.1, 2.7, 6.99, 4.1, 5.8, 10.7, 15.66, 20.1, 25])
    Y = np.array([7.22, 2.67, 7, 3.9, 6.11, 11, 15.5, 20.0, 25.3])
    # 参数初始值为1，0
    r = leastsq(f, [1, 0])
    k, b = r[0]

    # 展示结果
    plt.scatter(X, Y, linewidths=1, marker='*', s=100, c='r')
    plt.plot(X, k * X + b, color='g')
    plt.show()
    pass

   结果：

2.  非线性方程组求解

   optimize库中的fsolve函数：fsolve(func, x0)。其中，func(x)是计算误差的函数, x是矢量，为各个未知数的一组可能的解。x0为未知矢量的初始值。

  举例：

  代码：

from scipy.optimize import fsolve
from math import sin


def func(x):
    x0, x1, x2 = x.tolist()
    return[2*x1+6, 4*x0 - 3*sin(x2), x1*x2-2]


if __name__ == '__main__':
    re = fsolve(func, [0, 0, 0])
    print(re)
    print(func(re))
    pass

  结果：

3  SciPy在图像处理方面的应用

1 图像操作

  原图：

  代码：

from scipy.misc import imread, imsave, imresize

if __name__ == "__main__":
    img = imread("1.jpg")
    print(img.dtype)
    print(img.shape)
    img_resize = imresize(img, (250, 250))
    print(img_resize.shape)
    imsave("resize.png", img_resize)
    pass

    结果：