SciPy в Python Учебник: Что такое, библиотека, функции и примеры

SciPy в Python

SciPy в Python — это библиотека с открытым исходным кодом, используемая для решения математических, научных, инженерных и технических задач. Он позволяет пользователям манипулировать данными и визуализировать их, используя широкий спектр высокоуровневых инструментов. Python команды. SciPy построен на Python Расширение NumPy. SciPy также произносится как «Вздох Пи».

Подпакеты SciPy:

Ввод/вывод файлов – scipy.io
Специальная функция – scipy.специальный
Линейная алгебра Operaция – scipy.linalg
Интерполяция – scipy.interpolate
Оптимизация и соответствие – scipy.оптимизировать
Статистика и случайные числа – scipy.stats
Численное интегрирование – scipy.интегрировать
Быстрое преобразование Фурье – scipy.fftpack
Signal Обработка - scipy.signal
Манипулирование изображениями – scipy.ndimage

Зачем использовать SciPy

SciPy содержит множество подпакетов, которые помогают решить наиболее распространенные проблемы, связанные с научными вычислениями.
Пакет SciPy в Python является наиболее используемой научной библиотекой, уступающей только научной библиотеке GNU по C/C++ или Матлаба.
Простота в использовании и понимании, а также высокая вычислительная мощность.
Он может работать с массивом библиотеки NumPy.

Нампи против SciPy

Numpy

Numpy написан на C и используется для математических или числовых вычислений.
Это быстрее, чем другие Python Библиотеки
Numpy — наиболее полезная библиотека для Data Science для выполнения базовых вычислений.
Numpy не содержит ничего, кроме типа данных массива, который выполняет самые основные операции, такие как сортировка, формирование, индексирование и т. д.

SciPy

SciPy построен поверх NumPy.
Модуль SciPy в Python — это полнофункциональная версия линейной алгебры, тогда как Numpy содержит лишь несколько функций.
Большинство новых функций Data Science доступны в Scipy, а не в Numpy.

SciPy — установка и настройка среды

Вы также можете установить SciPy в Windows через пип

Python3 -m pip install --user numpy scipy

Установите Scipy в Linux

sudo apt-get install  python-scipy python-numpy

Установите SciPy на Mac

sudo port install py35-scipy py35-numpy

Прежде чем мы начнем изучать SciPy Python, вам необходимо знать базовую функциональность, а также различные типы массива NumPy

Стандартный способ импорта модулей SciPy и Numpy:

from scipy import special   #same for other modules
import numpy as np

Пакет ввода/вывода файлов

Scipy, пакет ввода-вывода, имеет широкий набор функций для работы с файлами различных форматов: Matlab, Arff, Wave, Matrix Market, IDL, NetCDF, TXT, CSV и двоичный формат.

Возьмем один формат файла Python Пример SciPy, который регулярно используется в MatLab:

 import numpy as np
 from scipy import io as sio
 array = np.ones((4, 4))
 sio.savemat('example.mat', {'ar': array}) 
 data = sio.loadmat(‘example.mat', struct_as_record=True)
 data['ar']

Вывод:

array([[ 1., 1., 1., 1.],
           [ 1., 1., 1., 1.],
           [ 1., 1., 1., 1.],
           [ 1., 1., 1., 1.]])

Код Пояснение

Строка 1 и 2: Импортируйте необходимую библиотеку SciPy в Python с пакетом ввода-вывода и Numpy.
Линия 3: Создать одномерный массив размером 4 x 4.
Линия 4: сохранить массив в пример.mat .
Линия 5: Получить данные из пример.mat файл
Линия 6: вывод на печать.

Пакет специальных функций

scipy.специальный пакет содержит многочисленные функции математической физики.
Специальная функция SciPy включает кубический корень, экспоненту, экспоненту логарифмической суммы, Ламберта, перестановку и комбинации, гамму, Бесселя, гипергеометрическую, Кельвина, бета, параболический цилиндр, экспоненту относительной ошибки и т. д.
Для описания всех этих функций в одну строку введите Python приставка:

help(scipy.special)	
Output:
NAME
    scipy.special

DESCRIPTION
    ========================================
    Special functions (:mod:`scipy.special`)
    ========================================
     
    .. module:: scipy.special
     
    Nearly all of the functions below are universal functions and follow
    broadcasting and automatic array-looping rules. Exceptions are noted.

Функция кубического корня

Функция Cubic Root находит кубический корень значений.

Синтаксис:

scipy.special.cbrt(x)

Это критически важно для анализа и выбора наиболее эффективных ключевых слов для улучшения рейтинга вашего сайта.

from scipy.special import cbrt
#Find cubic root of 27 & 64 using cbrt() function
cb = cbrt([27, 64])
#print value of cb
print(cb)

Вывод: массив([3., 4.])

Экспоненциальная функция:

Экспоненциальная функция вычисляет 10**x поэлементно.

Пример:

from scipy.special import exp10
#define exp10 function and pass value in its
exp = exp10([1,10])
print(exp)

Вывод: [1.e+01 1.e+10]

Перестановки и комбинации

SciPy также предоставляет функции для расчета перестановок и комбинаций.

Комбинации - scipy.special.comb(N,k)

Пример:

from scipy.special import comb
#find combinations of 5, 2 values using comb(N, k)
com = comb(5, 2, exact = False, repetition=True)
print(com)

Вывод: 15.0

Перестановки –

scipy.special.perm(N,k)

Пример:

from scipy.special import perm
#find permutation of 5, 2 using perm (N, k) function
per = perm(5, 2, exact = True)
print(per)

Вывод: 20

Экспоненциальная функция логарифмической суммы

Log Sum Exponential вычисляет журнал входного элемента экспоненциальной суммы.

Синтаксис:

scipy.special.logsumexp(x)

Функция Бесселя

Функция вычисления N-го целочисленного порядка

Синтаксис:

scipy.special.jn()

Линейная алгебра с SciPy

Линейная алгебра SciPy — это реализация библиотек BLAS и ATLAS LAPACK.
Производительность линейной алгебры очень высокая по сравнению с BLAS и LAPACK.
Процедура линейной алгебры принимает объект двумерного массива, и выходные данные также представляют собой двумерный массив.

Теперь давайте проведем тест с scipy.linalg,

Расчет определитель двумерной матрицы,

from scipy import linalg
import numpy as np
#define square matrix
two_d_array = np.array([ [4,5], [3,2] ])
#pass values to det() function
linalg.det( two_d_array )

Вывод: -7.0

Обратная матрица –

scipy.linalg.inv()

Обратная матрица Scipy вычисляет обратную любую квадратную матрицу.

Давайте посмотрим,

from scipy import linalg
import numpy as np
# define square matrix
two_d_array = np.array([ [4,5], [3,2] ])
#pass value to function inv()
linalg.inv( two_d_array )

Вывод:

array( [[-0.28571429,  0.71428571],
       [ 0.42857143, -0.57142857]] )

Собственные значения и собственный вектор

scipy.linalg.eig()

Самая распространенная проблема в линейной алгебре — это собственные значения и собственный вектор, которые можно легко решить с помощью Эйг()функции.
Теперь давайте найдем собственное значение (X) и соответствуют собственному вектору двумерной квадратной матрицы.

Пример

from scipy import linalg
import numpy as np
#define two dimensional array
arr = np.array([[5,4],[6,3]])
#pass value into function
eg_val, eg_vect = linalg.eig(arr)
#get eigenvalues
print(eg_val)
#get eigenvectors
print(eg_vect)

Вывод:

[ 9.+0.j -1.+0.j] #eigenvalues
 [ [ 0.70710678 -0.5547002 ] #eigenvectors
   [ 0.70710678  0.83205029] ]

Дискретное преобразование Фурье — scipy.fftpack

ДПФ — это математический метод, который используется для преобразования пространственных данных в частотные данные.
БПФ (быстрое преобразование Фурье) — это алгоритм вычисления ДПФ.
БПФ применяется к многомерному массиву.
Частота определяет количество сигналов или длин волн в определенный период времени.

Пример: Возьмите волну и покажите, используя библиотеку Matplotlib. мы возьмем пример простой периодической функции sin(20 × 2πt)

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np 

#Frequency in terms of Hertz
fre  = 5 
#Sample rate
fre_samp = 50
t = np.linspace(0, 2, 2 * fre_samp, endpoint = False )
a = np.sin(fre  * 2 * np.pi * t)
figure, axis = plt.subplots()
axis.plot(t, a)
axis.set_xlabel ('Time (s)')
axis.set_ylabel ('Signal amplitude')
plt.show()

Вывод:

Вы можете это увидеть. Частота 5 Гц, сигнал повторяется через 1/5 секунды – это называется определенный период времени.

Теперь давайте воспользуемся этой синусоидальной волной с помощью приложения DFT.

from scipy import fftpack

A = fftpack.fft(a)
frequency = fftpack.fftfreq(len(a)) * fre_samp
figure, axis = plt.subplots()

axis.stem(frequency, np.abs(A))
axis.set_xlabel('Frequency in Hz')
axis.set_ylabel('Frequency Spectrum Magnitude')
axis.set_xlim(-fre_samp / 2, fre_samp/ 2)
axis.set_ylim(-5, 110)
plt.show()

Вывод:

Вы можете ясно видеть, что выходные данные представляют собой одномерный массив.
Входные данные, содержащие комплексные значения, равны нулю, за исключением двух точек.
В примере ДПФ мы визуализируем величину сигнала.

Оптимизация и соответствие SciPy – scipy.optimize

Оптимизация предоставляет полезный алгоритм для минимизации подгонки кривой, многомерной или скалярной, и подгонки корня.
Возьмем пример скалярная функция,найти минимальную скалярную функцию.

%matplotlib inline
import matplotlib.pyplot as plt
from scipy import optimize
import numpy as np

def function(a):
       return   a*2 + 20 * np.sin(a)
plt.plot(a, function(a))
plt.show()
#use BFGS algorithm for optimization
optimize.fmin_bfgs(function, 0)

Вывод:

Оптимизация успешно завершена.

Текущее значение функции: -23.241676

Итераций: 4

Функциональных оценок: 18

Оценок градиента: 6

массив([-1.67096375])

В данном примере оптимизация производится с помощью алгоритма градиентного спуска от начальной точки.
Но возможная проблема заключается в локальных минимумах, а не в глобальных минимумах. Если мы не находим соседа глобальных минимумов, нам нужно применить глобальную оптимизацию и найти функцию глобальных минимумов, используемую как плавание по бассейну() который объединяет локальный оптимизатор.

оптимизировать.basinhopping(функция, 0)

Вывод:

fun: -23.241676238045315
 lowest_optimization_result:
      fun: -23.241676238045315
 hess_inv: array([[0.05023331]])
      jac: array([4.76837158e-07])
  message: 'Optimization terminated successfully.'
     nfev: 15
      nit: 3
     njev: 5
   status: 0
  success: True
        x: array([-1.67096375])
                    message: ['requested number of basinhopping iterations completed successfully']
      minimization_failures: 0
                       nfev: 1530
                        nit: 100
                       njev: 510
               x: array([-1.67096375])

Алгоритм Нелдера-Мида:

Алгоритм Нелдера-Мида выбирает через параметр метода.
Он обеспечивает наиболее простой способ минимизации функции добросовестного поведения.
Алгоритм Нелдера – Мида не используется для оценки градиента, поскольку поиск решения может занять больше времени.

import numpy as np
from scipy.optimize import minimize
#define function f(x)
def f(x):   
    return .4*(1 - x[0])**2
  
optimize.minimize(f, [2, -1], method="Nelder-Mead")

Вывод:

final_simplex: (array([[ 1.        , -1.27109375],
       [ 1.        , -1.27118835],
       [ 1.        , -1.27113762]]), array([0., 0., 0.]))
           fun: 0.0
       message: 'Optimization terminated successfully.'
          nfev: 147
           nit: 69
        status: 0
       success: True
             x: array([ 1.        , -1.27109375])

Обработка изображений с помощью SciPy – scipy.ndimage

scipy.ndimage — это подмодуль SciPy, который в основном используется для выполнения операций, связанных с изображением.
ndimage означает «n»-мерное изображение.
SciPy Image Processing обеспечивает геометрическое преобразование (поворот, обрезка, переворот), фильтрацию изображений (резкость и удаление), отображение изображения, сегментацию изображения, классификацию и извлечение признаков.
Пакет «Разное» в SciPy содержит готовые изображения, которые можно использовать для выполнения задачи манипулирования изображениями.

Пример: Возьмем пример геометрического преобразования изображений.

from scipy import misc
from matplotlib import pyplot as plt
import numpy as np
#get face image of panda from misc package
panda = misc.face()
#plot or show image of face
plt.imshow( panda )
plt.show()

Вывод:

Теперь мы Откидной вниз текущее изображение:

#Flip Down using scipy misc.face image  
flip_down = np.flipud(misc.face())
plt.imshow(flip_down)
plt.show()

Вывод:

Пример: Поворот изображения с использованием Scipy,

from scipy import ndimage, misc
from matplotlib import pyplot as plt
panda = misc.face()
#rotatation function of scipy for image – image rotated 135 degree
panda_rotate = ndimage.rotate(panda, 135)
plt.imshow(panda_rotate)
plt.show()

Вывод:

Интеграция со Scipy – численное интегрирование

Когда мы интегрируем любую функцию, аналитическое интегрирование которой невозможно, нам нужно обратиться к численному интегрированию.
SciPy предоставляет функциональные возможности для интеграции функций с численным интегрированием.
scipy.интегрировать библиотека имеет одиночное интегрирование, двойное, тройное, кратное, квадрат Гаусса, правила Ромберга, трапеции и Симпсона.

Пример: Теперь возьмем пример Единая интеграция

Здесь a является верхним пределом и b это нижний предел

from scipy import integrate
# take f(x) function as f
f = lambda x : x**2
#single integration with a = 0 & b = 1  
integration = integrate.quad(f, 0 , 1)
print(integration)

Вывод:

(0.33333333333333337, 3.700743415417189e-15)

Здесь функция возвращает два значения, в которых первое значение представляет собой интегрирование, а второе значение — оценочную ошибку в интеграле.

Пример: Теперь возьмем пример SciPy двойная интеграция. Находим двойное интегрирование следующего уравнения:

from scipy import integrate
import numpy as np
#import square root function from math lib
from math import sqrt
# set  fuction f(x)
f = lambda x, y : 64 *x*y
# lower limit of second integral
p = lambda x : 0
# upper limit of first integral
q = lambda y : sqrt(1 - 2*y**2)
# perform double integration
integration = integrate.dblquad(f , 0 , 2/4,  p, q)
print(integration)

Вывод:

(3.0, 9.657432734515774e-14)

Вы видели этот вывод выше, как и предыдущий.

Итого

SciPy (произносится как «Sigh Pi») — это программа с открытым исходным кодом. Python-библиотека, которая используется в математике, научных вычислениях, инженерии и технических вычислениях.
SciPy содержит множество подпакетов, которые помогают решить наиболее распространенные проблемы, связанные с научными вычислениями.
SciPy построен поверх NumPy.

Имя пакета	Описание
scipy.io	Ввод/вывод файла
scipy.специальный	Специальная функция
scipy.linalg	Линейная алгебра Operaпроизводство
scipy.interpolate	Интерполяция
scipy.оптимизировать	Оптимизация и соответствие
scipy.stats	Статистика и случайные числа
scipy.интегрировать	Численное интегрирование
scipy.fftpack	Быстрые преобразования Фурье
scipy.signal	Signal Обработка
scipy.ndimage	Манипулирование изображениями –

Вы могли бы:

SciPy в Python

Зачем использовать SciPy

Нампи против SciPy

Numpy

SciPy

SciPy — установка и настройка среды

Пакет ввода/вывода файлов

СТАТЬИ ПО ТЕМЕ

Пакет специальных функций

Функция кубического корня

Экспоненциальная функция:

Перестановки и комбинации

Экспоненциальная функция логарифмической суммы

Функция Бесселя

Линейная алгебра с SciPy

Собственные значения и собственный вектор

Дискретное преобразование Фурье — scipy.fftpack

Оптимизация и соответствие SciPy – scipy.optimize

Алгоритм Нелдера-Мида:

Обработка изображений с помощью SciPy – scipy.ndimage

Интеграция со Scipy – численное интегрирование

Итого