scipy的讀書報告
阿新 • • 發佈:2020-11-21
SciPy 提供了複製的演算法及其在 NumPy 中作為函式的用法。這將分配高階命令和多種多樣的類來操作和視覺化資料。
SciPy 將多個小型包整合在一起,每個包都針對單獨的科學計算領域。
其中的幾個子包是linalg(線性代數)、constants(物理和數學常數)和sparse(稀疏矩陣和相關例程)
值得注意的是,SciPy 為表示隨機變數的物件提供了內建的建構函式。 下面是SciPy 提供的多個子包中的 Linalg 和Stats
的幾個示例。由於子包是針對特點領域的。這使得SciPy成為資料科學的完美選擇。
1.SciPy 中的線性代數子包(scipy.linalg)應該以下列方式匯入:
import scipy import numpy as np from scipy import linalg mat_ = np.array([[2,3,1],[4,9,10],[10,5,6]]) #建立矩陣 print(mat_) #>[[ 2 3 1],[ 4 9 10],[10 5 6]] linalg.det(mat_) #矩陣的行列式 inv_mat = linalg.inv(mat_) #矩陣的逆 print(inv_mat) #>[[ 0.02409639 -0.07831325 0.12650602] #[ 0.45783133 0.01204819 -0.09638554]#[-0.42168675 0.12048193 0.03614458]]
2.用於執行奇異值分解並存儲各個組成部分的程式碼:
comp_1, comp_2, comp_3 = linalg.svd(mat_) print(comp_1) print(comp_2) print(comp_3) # >[[-0.1854159 0.0294175 -0.98221971] # [-0.73602677 -0.66641413 0.11898237] # [-0.65106493 0.74500122 0.14521585]] # [18.34661713 5.73710697 1.57709968]# [[-0.53555313 -0.56881403 -0.62420625] # [ 0.84418693 -0.38076134 -0.37731848] # [-0.02304957 -0.72902085 0.6841033 ]]
3.SciPy.stats 是一個大型子包,包含各種各樣的統計分佈處理函式,可用於操作不同型別的資料集。
from scipy import stats #從平均攝動3和標準攝動5的正常攝動中隨機產生大小為20的樣本 rvs_20 = stats.norm.rvs(3,5, size = 20) print(rvs_20,'\n---') #以a=100, b=130為形狀引數,隨機變數0.41計算貝塔分佈的CDF cdf_ = scipy.stats.beta.cdf(0.41, a=100, b=130) print(cdf_) #>[-1.49288331 12.43018057 -1.98896686 2.84913596 -1.94158066 -2.53572229 # -3.23105148 3.49129889 6.29223385 0.57010285 1.87261406 7.0897752 # 2.64603964 4.81257768 7.21505841 -0.80754014 -4.14544522 -9.84438422 #0.43808749 2.96654881] #--- #0.22500957436155394