深入淺析Python科學(xué)計(jì)算庫Scipy及安裝步驟
一、Scipy 入門
1.1、Scipy 簡介及安裝
官網(wǎng)：http://www.scipy.org/SciPy
安裝：在C:\Python27\Scripts下打開cmd執(zhí)行:
執(zhí)行：pip install scipy
1.2、安裝Anaconda及環(huán)境搭建(舉例演示)
創(chuàng)建環(huán)境：conda create -n env_name python=3.6
示例： conda create -n Py_36 python=3.6 #創(chuàng)建名為Py_367的環(huán)境
列出所有環(huán)境：conda info -e
進(jìn)入環(huán)境： source activate Py_36 (OSX/LINUX系統(tǒng))
activate Py_36 (windows系統(tǒng))
1.3、jupyter 安裝
jupyter簡介：jupyter（Jupyter Notebook）是一個(gè)交互式筆記本
支持運(yùn)行40多種編程語言
數(shù)據(jù)清理和轉(zhuǎn)換，數(shù)值模擬，統(tǒng)計(jì)建模，機(jī)器學(xué)習(xí)等
jupyter 安裝：conda install jupyter notebook
啟動(dòng) jupyter：激活相應(yīng)環(huán)境
在控制臺(tái)執(zhí)行 ：jupyter notebook
notebook服務(wù)器運(yùn)行地址：http://localhost:8888
新建（notebook，文本文件，文件夾）
關(guān)閉notebook：ctrl+c執(zhí)行兩次
jupyter notebook 使用：
快捷鍵：shift+Enter 運(yùn)行本單元，選中下個(gè)單元
Ctrl+Enter 運(yùn)行本單元，在其下方插入新單元
Y 單元進(jìn)入代碼狀態(tài)
M 單元進(jìn)入markdown狀態(tài)
A 在上方插入新單元
B 在下方插入新單元
X 剪切選中單元
Shift+V 在上方粘貼單元
1.4、scipy的'hello word'
需求：將一個(gè)多維數(shù)組保存a.mat文件，后加載該mat文件，獲取內(nèi)容并打印
步驟1：導(dǎo)入scipy需要的模塊
from scipy import io #(需要使用的模塊)
步驟2：利用savemat保存數(shù)據(jù)
io.savemat(file_name,mdict)
io.savemat('a.mat',{''array:a})
步驟3：利用 loadmat載入數(shù)據(jù)
io.loadmat(file_name)
data = io.loadmat('a.mat')
舉例1：
from scipy import io #導(dǎo)入io
import numpy as np #導(dǎo)入numpy并命名為np
arr = np.array([1,2,3,4,5,6])
io.savemat('test.mat',{'arr1':arr})
loadArr=io.loadmat('test.mat')
舉例2
from matplotlib import pyplot as plt
from scipy import io
import numpy as np
matrix1 = np.arange(1,10).reshape(3,3) #創(chuàng)建矩陣
io.savemat("matrix1.mat", {"array": matrix1}) #保存矩陣文件
data=io.loadmat('matrix1.mat') #讀取矩陣文件
print (data["array"]) #輸出矩陣
p1 = np.random.normal(size = 10000) #新建隨機(jī)數(shù)
plt.hist(p1) #繪制柱形圖
plt.show() #顯示
二、利用Scipy實(shí)現(xiàn)統(tǒng)計(jì)功能
需求：用Scipy的scipy.stats中的統(tǒng)計(jì)函數(shù)分析隨機(jī)數(shù)
stats提供了產(chǎn)生連續(xù)性分布的函數(shù)
均勻分布（uniform）
x=stats.uniform.rvs(size = 20) 生成20個(gè)[0,1]均勻分布隨機(jī)數(shù)
-正態(tài)分布（norm）
x=stats.norm.rvs(size = 20) 生成20個(gè)正態(tài)分布隨機(jī)數(shù)
-貝塔分布（beta）
x=stats.beta.rvs(size=20，a=3,b=4)生成20個(gè)服從參數(shù)a=3,b=4貝塔分布隨機(jī)數(shù)
-離散分布
-伯努利分布（Bernoulli）
-幾何分布（geom）
-泊松分布（poisson）
x=stats.poisson.rvs(0.6,loc=0,size = 20)生成20個(gè)服從泊松分布隨機(jī)數(shù)
三、計(jì)算隨機(jī)數(shù)均值和標(biāo)準(zhǔn)差
stats.norm.fit :利用正態(tài)分布去擬合生成的數(shù)據(jù)，得到其均值和標(biāo)準(zhǔn)差
四、計(jì)算隨機(jī)數(shù)的偏度
1.概念：
偏度（skewness）描述的是概率分布的偏度（非對(duì)稱）程度。
有兩個(gè)返回值，第二個(gè)為p-value，即數(shù)據(jù)集服從正態(tài)分布的概率（0~1）
2 利用 stats.skewtest()計(jì)算偏度
五、計(jì)算隨機(jī)數(shù)的峰度
1 概念：峰度（kurtosis）-描述的是概率分布曲線陡峭程度
2 利用 stats.kurtosis() 計(jì)算峰度
3 正態(tài)分布峰度值為3，excess_k為0
低闊峰(platykurtic) 相對(duì)于正態(tài)分布來說更扁平 excess_k<0
高狹峰(leptokurtic) 相對(duì)于正態(tài)分布來說更陡峭 excess_k>0
示例：(../Scipy/Test01/test1)
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
arr = stats.norm.rvs(size=900)
(mean,std) = stats.norm.fit(arr)
print('平均值',mean) #mean平均值
print('std標(biāo)準(zhǔn)差',std) #std標(biāo)準(zhǔn)差
(skewness,pvalue1) = stats.skewtest(arr)
print('偏度值')
print(skewness)
print('符合正態(tài)分布數(shù)據(jù)的概率為')
print(pvalue1)
(Kurtosistest,pvalue2) = stats.kurtosistest(arr)
print('Kurtosistest',Kurtosistest) #峰度
print('pvalue2',pvalue2)
(Normltest,pvalue3) = stats.normaltest(arr)
print('Normltest',Normltest) #服從正太分布度
print('pvalue3',pvalue3)
num = stats.scoreatpercentile(arr,95) #某一百分比處的數(shù)值
print('在95%處的數(shù)值：') #某一百分比處的數(shù)值
print num
indexPercent = stats.percentileofscore(arr,1) #某一數(shù)值處的百分比
print ('在數(shù)值1處的百分比：') #某一數(shù)值處的百分比
print indexPercent
plt.hist(arr) #設(shè)置直方圖
plt.show() #顯示圖
六、正態(tài)分布程度檢驗(yàn)
1 正態(tài)性檢驗(yàn)(normality test),同樣返回兩個(gè)值，第二個(gè)返回p-values
2 利用 檢驗(yàn) stats.normaltest()
一般情況 pvalue>0.05 表示服從正態(tài)分布
七、計(jì)算數(shù)據(jù)所在區(qū)域中某一百分比處的數(shù)值
1 利用scoreatpercentile 計(jì)算在某一百分比位置的數(shù)值
格式：scoreatpercentile (數(shù)據(jù)集、百分比)
stats.scoreatpercentile(name_arr,percent)
2 示例：求出95%所在位置的數(shù)值
num = stats.scoreatpercentile(arr,95)
print num
八、從某數(shù)值出發(fā)找到對(duì)應(yīng)的百分比
利用percentileofscore計(jì)算在某數(shù)值對(duì)應(yīng)的百分比
格式：percentileofscore(數(shù)據(jù)集,數(shù)值)
示例：indexPercent = stats.percentileofscore(arr,1)
九、直方圖顯示
import matplotlib.pyplot as plt
在Anaconda環(huán)境下(py36)C:\Users\lenovo>導(dǎo)入：conda install matplotlib
plt.hist(arr) #設(shè)置直方圖
plt.show() #顯示圖
九、綜合練習(xí)
1 求出考試分?jǐn)?shù)的以下值：
均值 中位數(shù) 眾數(shù) 極差 方差
標(biāo)準(zhǔn)差 變異系數(shù)(均值/方差) 偏度 峰度
2 步驟1： 創(chuàng)建兩個(gè)二維數(shù)組:[分?jǐn)?shù)，出現(xiàn)次數(shù)]
arrEasy=np.array([[0,2],[2.5,4],[5,6],[7.5,9],[10,13],[12.5,16],[15,19],[17.5,23],
[20,27],[22.5,31],[25,35],[27.5,40],[30,53],[32.5,68],[35,90],
[37.5,110],[40,130],[42.5,148],[45,165],[47.5,182],[50,195],
[52.5,208],[55,217],[57.5,226],[60,334],[62.5,342],[65,349],
[67.5,500],[70,511],[72.5,300],[75,200],[77.5,80],[80,20]])
arrDiff=np.array([[0,20],[2.5,30],[5,45],[7.5,70],[10,100],[12.5,135],[15,170],
[17.5,205],[20,226],[22.5,241],[25,251],[27.5,255],[30,256],
[32.5,253],[35,249],[37.5,242],[40,234],[42.5,226],[45,217],
[47.5,208],[50,195],[52.5,182],[55,165],[57.5,148],[60,130],
[62.5,110],[65,40],[67.5,30],[70,20],[72.5,5],[75,5],[77.5,0],[80,0]])
步驟2：創(chuàng)建函數(shù)，將傳入的多維數(shù)組扁平化->變成一維數(shù)組
方法1：
def createScore(arr): score = [] #所有學(xué)員分?jǐn)?shù) row = arr.shape[0] for i in np.arange(0,row): for j in np.arange(0,int(arr[i][1])): score.append(arr[i][1])) score = np.array(score) return score
方法2
score_Easy, num_Easy = arrEasy[:,0],arrEasy[:,1] #所有行第一列；所有行第二列 score_Diff, num_Diff = arrDiff[:,0],arrDiff[:,1] #同上 print (score_Easy,num_Easy ) print (score_Diff,num_Diff )
步驟3：創(chuàng)建函數(shù)，根據(jù)傳入數(shù)組，對(duì)其進(jìn)行統(tǒng)計(jì)
def calStatValue(score):
#集中趨勢度量
print('均值')
print(np.mean(score))
print('中位數(shù)')
print(np.median(score))
print('眾數(shù)')
print(stats.mode(score))
#離散趨勢度量
print('極差')
print(np.ptp(score))
print('方差')
print(np.var(score))
print('標(biāo)準(zhǔn)差')
print(np.std(score))
print('變異系數(shù)')
print(np.mean(score)/np.std(score))
#偏度與峰度的度量
print('偏度')
print(stats.skewness(score))
print('峰度')
print(stats.Kurtosis(score))
步驟4：創(chuàng)建函數(shù)，做一個(gè)簡單的箱線圖/柱形圖
def drawGraghic(score)
plt.boxplot([score],labels['score']) #箱線圖
plt.title('箱線圖')
plt.show()
plt.hist(score,100)
plt.show()
步驟5：
步驟6：
案例完整代碼：
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
def createScore(arr):
score = [] #所有學(xué)員分?jǐn)?shù)
row = arr.shape[0] #獲取多少組元素
for i in np.arange(0,row): #遍歷所有元素組
for j in np.arange(0,int(arr[i][1])):#從0開始填充次數(shù)，第i行第1列
score.append(arr[i][0]))
score = np.array(score)
return score
_________________________________
使用切片獲取分?jǐn)?shù)
score_Easy, num_Easy = arrEasy[:,0],arrEasy[:,1] #所有行第一列；所有行第二列
score_Diff, num_Diff = arrDiff[:,0],arrDiff[:,1] #同上
print (score_Easy,num_Easy) #查看分?jǐn)?shù)，人數(shù)
print (score_Diff,num_Diff) #同上
All_score_Easy = np.repeat(list(score_Easy),list(num_Easy)) #所有分?jǐn)?shù)
All_score_Diff = np.repeat(list(score_Diff),list(num_Diff)) #所有分?jǐn)?shù)
________________________________
def createOneScore():
arrEasy=np.array([[0,2],[2.5,4],[5,6],[7.5,9],[10,13],[12.5,16],[15,19],[17.5,23],
[20,27],[22.5,31],[25,35],[27.5,40],[30,53],[32.5,68],[35,90],
[37.5,110],[40,130],[42.5,148],[45,165],[47.5,182],[50,195],
[52.5,208],[55,217],[57.5,226],[60,334],[62.5,342],[65,349],
[67.5,500],[70,511],[72.5,300],[75,200],[77.5,80],[80,20]])
return createScore(arrOne)
def createTwoScore():
arrDiff=np.array([[0,20],[2.5,30],[5,45],[7.5,70],[10,100],[12.5,135],[15,170],
[17.5,205],[20,226],[22.5,241],[25,251],[27.5,255],[30,256],
[32.5,253],[35,249],[37.5,242],[40,234],[42.5,226],[45,217],
[47.5,208],[50,195],[52.5,182],[55,165],[57.5,148],[60,130],
[62.5,110],[65,40],[67.5,30],[70,20],[72.5,5],[75,5],[77.5,0],[80,0]])
return createScore(arrTwo)
def calStatValue(score):
#集中趨勢度量
print('均值')
print(np.mean(score))
print('中位數(shù)')
print(np.median(score))
print('眾數(shù)')
print(stats.mode(score))
#離散趨勢度量
print('極差')
print(np.ptp(score))
print('方差')
print(np.var(score))
print('標(biāo)準(zhǔn)差')
print(np.std(score))
print('變異系數(shù)')
print(np.mean(score)/np.std(score))
#偏度與峰度的度量
(skewness,pvalue1) = stats.skewtest(score)
print('偏度')
print(stats.skewness(score))
(Kurtosistest,pvalue2) = stats.kurtosistest(arr)
print('峰度')
print(stats.Kurtosis(score))
return
#畫圖
def drawGraghic(score)
plt.boxplot([score],labels['score']) #箱線圖
plt.title('箱線圖')
plt.show()
plt.hist(score,100)
plt.show()
return
總結(jié)
以上所述是小編給大家介紹的Python科學(xué)計(jì)算庫—Scipy,希望對(duì)大家有所幫助，如果大家有任何疑問請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
如果你覺得本文對(duì)你有幫助，歡迎轉(zhuǎn)載，煩請(qǐng)注明出處，謝謝！
相關(guān)文章
python selenium 獲取標(biāo)簽的屬性值、內(nèi)容、狀態(tài)方法
今天小編就為大家分享一篇python selenium 獲取標(biāo)簽的屬性值、內(nèi)容、狀態(tài)方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-06-06
今天小編就為大家分享一篇pytorch之ImageFolder使用詳解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-01-01
對(duì)Django中的權(quán)限和分組管理實(shí)例講解
今天小編就為大家分享一篇對(duì)Django中的權(quán)限和分組管理實(shí)例講解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-08-08
這篇文章主要給大家介紹了關(guān)于Python中while循環(huán)語句的相關(guān)資料，使用while循環(huán)語句可以解決程序中需要重復(fù)執(zhí)行的操作，文中通過示例代碼介紹的非常詳細(xì)，需要的朋友可以參考下2019-03-03
在本篇文章里小編給大家分享了一篇關(guān)于python3爬蟲中多線程的優(yōu)勢總結(jié)內(nèi)容，需要的朋友們可以參考學(xué)習(xí)下。2020-11-11
itertools 是python的迭代器模塊，itertools提供的生成迭代器的函數(shù)，相當(dāng)高效且節(jié)省內(nèi)存。使用這些工具，你將能夠創(chuàng)建自己定制的迭代器用于高效率的循環(huán)。接下來通過本文給大家介紹python中itertools模塊使用，感興趣的朋友一起看看吧2021-11-11
Python+Selenium實(shí)現(xiàn)自動(dòng)化的環(huán)境搭建的步驟(圖文)
這篇文章主要介紹了Python+Selenium實(shí)現(xiàn)自動(dòng)化的環(huán)境搭建的步驟(圖文)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-09-09
python opencv 簡單閾值算法的實(shí)現(xiàn)
這篇文章主要介紹了python opencv 簡單閾值算法的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08
pytorch中交叉熵?fù)p失函數(shù)的使用小細(xì)節(jié)
這篇文章主要介紹了pytorch中交叉熵?fù)p失函數(shù)的使用細(xì)節(jié)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-02-02
Pytorch實(shí)現(xiàn)tensor序列化和并行化的示例詳解
這篇文章主要介紹了Pytorch實(shí)現(xiàn)tensor序列化和并行化,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,感興趣的同學(xué)們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-12-12