欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

深入淺析Python科學(xué)計算庫Scipy及安裝步驟

 更新時間:2019年10月12日 14:31:22   作者:SongpingWang  
這篇文章主要介紹了Python科學(xué)計算庫—Scipy的相關(guān)知識,非常不錯,具有一定的參考借鑒價值,需要的朋友可以參考下

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)是一個交互式筆記本

            支持運行40多種編程語言

            數(shù)據(jù)清理和轉(zhuǎn)換,數(shù)值模擬,統(tǒng)計建模,機器學(xué)習(xí)等

jupyter 安裝:conda install jupyter notebook

啟動 jupyter:激活相應(yīng)環(huán)境

在控制臺執(zhí)行 :jupyter notebook

notebook服務(wù)器運行地址: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     運行本單元,選中下個單元

           Ctrl+Enter      運行本單元,在其下方插入新單元
            Y              單元進入代碼狀態(tài)
            M              單元進入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) #新建隨機數(shù)
plt.hist(p1)       #繪制柱形圖
plt.show()       #顯示

二、利用Scipy實現(xiàn)統(tǒng)計功能

需求:用Scipy的scipy.stats中的統(tǒng)計函數(shù)分析隨機數(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[0,1]均勻分布隨機數(shù)
-正態(tài)分布(norm)
                x=stats.norm.rvs(size = 20) 生成20個正態(tài)分布隨機數(shù)
-貝塔分布(beta)
                x=stats.beta.rvs(size=20,a=3,b=4)生成20個服從參數(shù)a=3,b=4貝塔分布隨機數(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個服從泊松分布隨機數(shù)

三、計算隨機數(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、計算隨機數(shù)的偏度

1.概念:
                偏度(skewness)描述的是概率分布的偏度(非對稱)程度。
                有兩個返回值,第二個為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()計算偏度

五、計算隨機數(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() 計算峰度
3 正態(tài)分布峰度值為3,excess_k為0
              低闊峰(platykurtic) 相對于正態(tài)分布來說更扁平 excess_k<0
              高狹峰(leptokurtic) 相對于正態(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

1 正態(tài)性檢驗(normality test),同樣返回兩個值,第二個返回p-values
2 利用 檢驗      stats.normaltest()
        一般情況     pvalue>0.05                表示服從正態(tài)分布

七、計算數(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)找到對應(yīng)的百分比

利用percentileofscore計算在某數(shù)值對應(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 求出考試分數(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)建兩個二維數(shù)組:[分數(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)員分數(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,對其進行統(tǒng)計

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)員分數(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
_________________________________
使用切片獲取分數(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)   #查看分數(shù),人數(shù)
print (score_Diff,num_Diff)   #同上
All_score_Easy = np.repeat(list(score_Easy),list(num_Easy)) #所有分數(shù)
All_score_Diff = np.repeat(list(score_Diff),list(num_Diff)) #所有分數(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)計算庫—Scipy,希望對大家有所幫助,如果大家有任何疑問請給我留言,小編會及時回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持!
如果你覺得本文對你有幫助,歡迎轉(zhuǎn)載,煩請注明出處,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

    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,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-06-06
  • pytorch之ImageFolder使用詳解

    pytorch之ImageFolder使用詳解

    今天小編就為大家分享一篇pytorch之ImageFolder使用詳解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-01-01
  • 對Django中的權(quán)限和分組管理實例講解

    對Django中的權(quán)限和分組管理實例講解

    今天小編就為大家分享一篇對Django中的權(quán)限和分組管理實例講解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-08-08
  • 談?wù)凱ython中的while循環(huán)語句

    談?wù)凱ython中的while循環(huán)語句

    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,需要的朋友可以參考下
    2019-03-03
  • python3爬蟲中多線程的優(yōu)勢總結(jié)

    python3爬蟲中多線程的優(yōu)勢總結(jié)

    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
  • python中itertools模塊使用小結(jié)

    python中itertools模塊使用小結(jié)

    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實現(xiàn)自動化的環(huán)境搭建的步驟(圖文)

    Python+Selenium實現(xiàn)自動化的環(huán)境搭建的步驟(圖文)

    這篇文章主要介紹了Python+Selenium實現(xiàn)自動化的環(huán)境搭建的步驟(圖文),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,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 簡單閾值算法的實現(xiàn)

    python opencv 簡單閾值算法的實現(xiàn)

    這篇文章主要介紹了python opencv 簡單閾值算法的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,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中交叉熵損失函數(shù)的使用小細節(jié)

    pytorch中交叉熵損失函數(shù)的使用小細節(jié)

    這篇文章主要介紹了pytorch中交叉熵損失函數(shù)的使用細節(jié),具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教
    2023-02-02
  • Pytorch實現(xiàn)tensor序列化和并行化的示例詳解

    Pytorch實現(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,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,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

最新評論