pythonscipy库_【翻译搬运】SciPy-Python科学算法库

SciPy库提供了大量有用的函数和类，用来解决各种专业领域的问题。本文翻译自Jupyter nbviewer中的第三讲。首先，介绍了一些特殊函数，如贝塞尔函数，这对物理学问题的计算提供了方便；之后是各种数值积分问题，常微分方程求解问题以及傅里叶变换，这些也可以描述并求解一些诸如复摆运动、阻尼震荡等复杂的物理过程；同时，该库还可以高效处理线性代数问题，如矩阵的运算、特征值和特征向量以及稀疏矩阵的存储和运算；最优化问题，即寻找函数极值和零点的问题，和插值问题，即用多项式拟合曲线的问题，在SciPy库中也可以找到相应的函数；最后介绍了统计上的应用，包括各种分布的密度函数、分布函数及其图像绘制，以及一些统计检验问题。

作者：J.R. Johansson (邮箱：jrjohansson@gmail.com)

译者：一路向上

简介

SciPy框架建立于低一级的NumPy框架的多维数组之上，并且提供了大量的高级的科学算法。一些SciPy的应用如下：特殊函数 (scipy.special)

积分 (scipy.integrate)

优化 (scipy.optimize)

插值 (scipy.interpolate)

傅里叶变换 (scipy.fftpack)

信号处理 (scipy.signal)

线型代数 (scipy.linalg)

稀疏特征值问题 (scipy.sparse)

统计 (scipy.stats)

多维图像处理 (scipy.ndimage)

这些模块提供了大量的函数和类，可以用来解决各自领域的问题。 在本节中我们将看到如何使用这些子函数包。 我们首先导入scipy程序包：

如果我们只需要用scipy框架中的一部分，我们也可以选择性的导入。例如，只导入线性代数函数包la，我们可以：

特殊函数

为了说明指定的特殊函数的用法，我们先看一下贝塞尔函数的使用细节：

积分

数值积分：求积公式

对f(x)从a到b的积分叫做数值积分，也叫简单积分。SciPy提供了一系列计算不同数值积分的函数，包括quad,dblquad和tplquad，分别包含二重和三重积分。

quad有一系列的可供选择的参数，可以用来调节函数的各种行为(输入help(quad)获取更多信息)。

其基本用途如下：

如果我们需要添加更多对于被积函数的参数，可以使用args关键字参数：

对于简单函数而言，对于被积函数，我们可以用λ函数(无名称的函数)来代替清晰定义的函数：

如上所示，我们可以用'Inf'或者'-Inf'作为积分上下限。高维积分用法相同：

注意，我们需要用λ函数对于y积分的极限，因为它们可以看做是x的函数。

常微分方程(ODE)

SciPy提供了两种不同的方法来解决常微分方程：函数odeint的API，和函数类ode面向对象的API。通常odeint比较容易上手，但是ode函数类能够更好的控制函数。

这里我们使用odeint函数，如需了解更多ode函数类的信息，请输入help(ode)。它和odeint很像，但却是面向对象的函数。

使用odeint之前，首先从scipy.integrate中调用它：

常微分方程系通常写作其一般形式：

y' = f(y, t)

其中

y = [y1(t), y2(t), ..., yn(t)]

f的微分是yi(t)。为了解决常微分方程，我们需要知道函数f和初始条件y(0).

高阶微分方程可以通过引进新的变量作为中间变量。

当我们定义了Python函数f和数组y_0(f和y(0)都是数学函数)，我们调用odeint函数：

y_t = odeint(f, y_0, t)

t是解决ODE问题需要的时间坐标数组，y_t是对于给定点在时间t的一行数组，每一列代表在给定时间t所对应的一个解y_i(t)。我们下面将会看到如何设置f和y_0.

例：复摆

为了让Python代码看起来更简洁，我们引进新的变量，并规定：

在matplotlib函数的应用中，会介绍如何绘制复摆运动的动图。

在matplotlib函数的应用中，会介绍如何绘制复摆运动的动图。

ps:这里的结果不是报错，是因为最后一行代码是每0.1s更新一次状态，为了后面的函数能够正常运行，我把它停掉了。

例： 阻尼谐波振荡器

常微分方程问题对计算物理非常重要，下面我们来看另一个例子：阻尼谐波振荡器。关于概念的解释详见 http://en.wikipedia.org/wiki/Damping.

阻尼谐波振荡器的方程为：

x是振荡器的位置，

是频率，

是阻尼比。为了写出标准形式的二阶常微分方程，我们引入

：

在这个例子中，我们将为常微分方程等号右边的函数添加额外的参数，而不是像前面的例子那样使用全局变量。作为等号右边函数的额外参数的结果，我们需要将一个关键字参数args传递给odeint函数：

傅里叶变换

傅里叶变换是计算物理中的一种通用工具，它在不同文章中都会反复出现。SciPy提供能够从NetLib中接入经典FFTPACK库的函数，它是由FORTRAN语言编写的一个行之有效的FFT库。SciPy API有一些额外的便利功能，但总的来说，API和原来的FORTRAN库密切相关。

为了调用fftpack，请输入：

为演示如何用SciPy做一个快速傅里叶变换，让我们来看看用FFT如何解决之前讨论的阻尼震荡问题：

由于信号是实数，所以谱线图是对称的。我们因此只需要画出对应正频率的部分。为了提取w和F的部分，我们可以运用NumPy库：

和预期一样，我们看到谱线图在1处达到最高点，这正是在阻尼震荡这个例子中所采用的频率。

线性代数

线性代数部分包含了许多矩阵函数，包括线性方程的解，特征值的解，矩阵函数(例如矩阵指数函数)，许多不同的分解(SVD，LU，cholesky)等等。详见：http://docs.scipy.org/doc/scipy/reference/linalg.html.

下面我们看看如何使用这些函数：

1、线性方程组

线性方程组的矩阵形式：

A是矩阵，x,b是向量。可以求解如下：

我们也可以：

这里A,B,X都是矩阵：

2、特征值和特征向量

矩阵A的特征值问题是：

这里

是第n个特征向量，

是第n个特征值：

用eigvals计算矩阵的特征值，用eig计算特征值和特征向量：

第n个特征值(储存在evals[n]中)对应的特征向量是evecs的第n列，也就是evecs[:,n]. 为了验证它，我们尝试把矩阵和特征向量相乘，并与特征向量和特征值的乘积做比较：

还有许多其他的特殊的本征解，如埃尔米特矩阵(用eigh实现)

3、矩阵运算

4、稀疏矩阵

稀疏矩阵在处理巨型系统的数值模拟时非常有用，如果描述该问题的矩阵或向量大部分的元素为0。Scipy对于稀疏矩阵有很多处理方法，包括基础的线性代数处理(包括解方程，计算特征值等等)

许多方法都能有效存储稀疏矩阵，一些常用的方法包括坐标形式(COO),列表的列表形式(LIL)，压缩稀疏列(CSC)和压缩稀疏行(CSR)。每种方法都有优势和不足。大多数的计算算法(解方程，矩阵和矩阵相乘等等)都能用CSR或者CSC形式处理，但是它们并不直观，也不太容易进行初始化。所以通常来说，稀疏矩阵采用COO或者LIL进行初始化(我们可以在稀疏矩阵中有效添加元素)，然后再转换为CSC或者CSR并进行计算。

当我们创建了一个稀疏矩阵，我们要选择其存储形式，如：

创建稀疏矩阵更有效的方法是，建立一个空矩阵，并用所在矩阵的位置填充(避免创建大的稠密矩阵)：

最优化

最优化问题(寻找函数的最大值或者最小值)是数学的一大领域，复杂函数的最优化问题，或者多变量的最优化问题可能会非常复杂。下面我们看一些很简单的例子，更多详细的对于使用SciPy处理最优化问题的介绍，请见：http://scipy-lectures.github.com/advanced/mathematical_optimization/index.html.

首先调用optimize：

寻找最小值

首先我们看如何寻找单变量的简单函数的最小值：

我们可以用fmin_bfgs寻找函数的最小值：

我们还可以用brent或者fminbound函数，它们采用了不太一样的语法和算法。

寻找函数的解

为了寻找函数f(x) = 0 的解，我们可以用fsolve函数，它需要一个初始的猜测值：

插值

插值在SciPy中能够很容易和方便的实现：interpid函数，当描述X和Y的数据时，返回值是被称之为x的任意值(X的范围)的函数，同时返回相应的插值y：

统计

统计结果：

统计检验

检验两组(独立)随机数据是否来自同一个分布：

因为p值很大，我们不能拒绝原假设(两组随机数据有相同的均值)。

为了检验单个样本的数据是否均值为0.1(实际均值为0.0)：

p值很小，意味着我们可以拒绝原假设(Y的均值为0.1)。

延伸阅读

版本