Python语言实用教程第10章 科学计算.pptVIP

10.2.3 矩阵运算 矩阵中更高级的一些运算可以在NumPy的线性代数子库linalg中找到。例如inv函数计算逆矩阵，solve函数可以求解多元一次方程组。 下面是solve函数的一个例子： a = np.random.rand(10,10) b = np.random.rand(10) x = np.linalg.solve(a,b) np.sum(np.abs(np.dot(a,x)-b)) solve函数有两个参数a和b。a是一个N*N的二维数组，而b是一个长度为N的一维数组，solve函数找到一个长度为N的一维数组x，使得a和x的矩阵乘积正好等于b，数组x就是多元一次方程组的解。有关线性代数方面的进一步内容这里略。 10.2.4 文件存取 NumPy提供了多种文件操作函数方便存取数组内容。文件存取的格式分为两类：二进制和文本。 而二进制格式的文件又分为NumPy专用的格式化二进制类型和无格式类型。 10.2.4 文件存取 使用数组的方法函数tofile可以方便地将数组中数据以二进制的格式写进文件。tofile输出的数据没有格式，因此用numpy.fromfile读回来的时候需要自己格式化数据： a = np.arange(0,12) a.shape = 3,4 a array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) a.tofile(a.bin) b = np.fromfile(a.bin, dtype=np.float) # 按照float类型读入数据 b # 读入的数据是错误的 10.2.4 文件存取 array([ 2-314, 6-314, 1-313, 1-313, 1-313, 2-313]) a.dtype # dtype(int32) # 查看a的dtype b = np.fromfile(a.bin, dtype=32) # 按照int32类型读入数据 b # 数据是一维的 array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) b.shape = 3, 4 # 按照a的shape修改b的shape b # 这次终于正确了 array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) 从上面的例子可以看出，需要在读入的时候设置正确的dtype和shape才能保证数据一致。此外，如果fromfile和tofile函数调用时指定了sep关键字参数的话，数组将以文本格式输入输出。 10.2.4 文件存取 前面所举的例子都是传递的文件名，也可以传递已经打开的文件对象，例如对于load和save函数来说，如果使用文件对象的话，可以将多个数组储存到一个npy文件中： a = np.arange(8) b = np.add.accumulate(a) c = a + b f = file(result.npy, wb) np.save(f, a) # 顺序将a,b,c保存进文件对象f np.save(f, b); np.save(f, c) f.close() f = file(result.npy, rb) np.load(f) # 顺序从文件对象f中读取内容 array([0, 1, 2, 3, 4, 5, 6, 7]) np.load(f) # array([ 0, 1, 3, 6, 10, 15, 21, 28]) np.load(f) # array([ 0, 2, 5, 9, 14, 20, 27, 35]) 10.3 SciPy基本应用 SciPy函数库在NumPy库的基础上增加了众多的数学、科学以及工程计算中常用的库函数。例如线性代数、常微分方程数值求解、信号处理、图像处理、稀疏矩阵等等。 SciPy的帮助信息请访问：/。 10.3.1 常数与特殊函数 1、SciPy常数 SciPy有scipy.constants常数模块，其中的常数有： from scipy import constants as C C.pi # 3.141592653589793 # π值 C.golden # 1.6180339887498