Python库之SciPy
工具:Pycharm2019.01,Python3.5
关于ScipyScipy包中有许多工具用来解决科学计算的一些共同问题。不同的子模块负责不同的应用。比如插值、拟合、最优化、图像处理、数值计算以及特殊函数等等。
Scipy中许多模块都是基于numpy的,scipy命名空间中许多主要的函数实际上就是numpy函数比如scipy.cos就是np.cos,故通常一起导入numpy库和scipy库
File input/output: scipy.io
import numpy as np
from scipy import io as siosio.savemat(‘file_path’,{‘key’,value}) : 将一个用命名和数组的字典保存到matlab样式的.mat文件中。
sio.loadmat(‘file_path’):导入.mat格式的文件1
2
3
4
5
6
7
8
9
10
11import numpy as np
import matplotlib.pyplot as plt
from scipy import io as sio
a = np.ones((3, 3))
sio.savemat(‘file.mat’,{‘a’:a}) # 将命名为‘a’的字典保存为.mat格式的文件,默认保存到当前目录下,(.mat)后缀可以不加
data = sio.loadmat(‘file.mat’)
print(data[‘a’])
– – – – – – – – –
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
Linear algebra operations: scipy.linalg
线形代数运算
import numpy as np
from scipy import linalg1
2
3
4
5
6
7
8
9a=np.array([[1,2],[3,4]])
print(linalg.det(a)) # 求方阵的行列式,要求必须是方阵
print(linalg.inv(a)) # 求逆,必须可逆,否则报错提示奇异(singular不可逆)矩阵
print(np.allclose(np.dot(a,linalg.inv(a)),np.eye(2))) # 判断是否为单位矩阵
– – – – – – – –
-2.0
[[-2. 1. ]
[ 1.5 -0.5]]
True
奇异值分解:
关于奇异值分解:SVD简介1
2
3
4
5import numpy as np
from scipy import linalg
arr = np.arange(9).reshape((3, 3)) + np.diag([1, 0, 1])
print(arr)
uarr, spec, vharr = linalg.svd(arr) # uarr应该是伪逆
Optimization and fit: scipy.optimize
scipy.optimize提供一种算法来最小化函数值(规模或多维度),曲线拟合和根查找1
2
3import numpy as np
import matplotlib.pyplot as plt
import scipy.optimize as opt
Curve fitting
曲线拟合,这里以sin()曲线为例1
2
3
4
5
6
7
8
9
10def test_func(x, a, b): # 定义函数
return a * np.sin(b * x)
x_data = np.linspace(-5, 5, num=50)
y_data = 2.9 * np.sin(1.5 * x_data) + np.random.normal(size=50) # sin函数存在偏差
params, params_covariance =opt.curve_fit(test_func, x_data, y_data, p0=[2, 2]) # 求上面函数参数a,b
plt.scatter(x_data,y_data,label=’Data’)
plt.legend(loc=’upper right’)
plt.plot(x_data,test_func(x_data,params[0],params[1]),label=’fitted function’) # 拟合
plt.legend(loc=’upper right’)
plt.show() # 显示效果如下
Finding the minimum of a scalar function
寻找标量函数最小值。
例如:
下面函数全局最优(小)值为-1.3,而局部最优值大概3.8。
用opt.minimize()函数,需要定义函数f(),以及传入起点坐标x0,返回找到的最小值信息(包括函数值,坐标等)。
为什么说是局部最优呢,当x0=5时,返回的函数值是8.3,位于x=3.83处。1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18def f(x):
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
plt.plot(x, f(x))
plt.show()
result=opt.minimize(f,x0=0) # 寻找局部最小值的x坐标
print(result) # 打印返回结果信息,
– – – – – – – – – – –
fun: -7.945823375615215 # 局部最小值
hess_inv: array([[0.08589237]])
jac: array([-1.1920929e-06])
message: ‘Optimization terminated successfully.’
nfev: 18
nit: 5
njev: 6
status: 0
success: True
x: array([-1.30644012]) # 局部最小值的坐标
如果我们不知道全局最优点附近信息也就无法合理选择起点X0了,而opt.basinhopping()函数可以找到全局最优解。将上面opt.minimize(f,x0=0)替换成opt.basinhopping(f,x0)即可,x0还是需要赋初值,经测试当x0=7时找到的是全局最优(-1.3,-7.9),而当x0=5时找到的是局部最优值(3.8,8.3),故为了找到全局最优保险的方法还是需要多试几个参数。
试试opt.minimize_scalar()方法:能找到全局最优解
opt.minimize_scalar()是只有一个变量时的最小函数值,而opt.minimize()是变量作为一个参数向量传进去的。1
2
3
4
5
6
7def f(x):
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
result=opt.minimize_scalar(f)
print(result.x, result.fun)
– – – – – – – – – – – – – – – – – – – – –
-1.3064400120612139 -7.945823375615284
Finding the roots of a scalar function
需求:想找到x=?时,f(x)=0。
方法:opt.root(f,x0),x0需要赋初值1
2
3
4
5
6
7
8
9
10def f(x):
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
root=opt.root(f,x0=-3) # 设置起点,只能找到一个,要找到另外一个需要调参使得x0=1
print(root.x,root.fun)
root=opt.root(f,x0=1)
print(root.x,root.fun)
– – – – – – – – – – – – – – – – –
[-2.47948183] [-1.77635684e-15]
[0.] [0.]
将以上三个函数绘制到一张图中:1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43def f(x): # 定义函数
return x**2 + 10*np.sin(x)
x = np.arange(-10, 10, 0.1)
# Global optimization
grid = (-10, 10, 0.1)
xmin_global = opt.brute(f, (grid, )) # 暴力找出参数列表中所得解的最优值
print(“Global minima found %s” % xmin_global)
# Constrain optimization
xmin_local = opt.fminbound(f, 0, 10) # 在取区间(0,10)找局部最优解
print(“Local minimum found %s” % xmin_local)
root = opt.root(f, 1) # our initial guess is 1
print(“First root found %s” % root.x)
root2 = opt.root(f, -2.5)
print(“Second root found %s” % root2.x)
fig = plt.figure(figsize=(6, 4)) # 新建画布对象指定size
ax = fig.add_subplot(111) # 将画布分成一行一列指定第一块区域作为对象赋给ax
# Plot the function
ax.plot(x, f(x), ‘b-‘, label=”f(x)”)
# Plot the minima
xmins = np.array([xmin_global[0], xmin_local])
ax.plot(xmins, f(xmins), ‘go’, label=”Minima”)
# Plot the roots
roots = np.array([root.x, root2.x])
ax.plot(roots, f(roots), ‘kv’, label=”Roots”)
# Decorate the figure
ax.legend(loc=’best’) # 自适应选择位置
ax.set_xlabel(‘x’)
ax.set_ylabel(‘f(x)’)
ax.axhline(0, color=’gray’) # 设置y=0画横线
plt.show()
– – – – – – – – – – – – – – – – – –
Global minima found [-1.30641113]
Local minimum found 3.8374671194983834
First root found [0.]
Second root found [-2.47948183]
未完待续…..
今天的文章python中的scipy库_SciPy库学习分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/6663.html