scipy数据处理应用.ppt

常微分方程组求解 洛仑兹函数可以用下面微分方程描述 方程定义了三维空间中各个坐标点上的速度矢量。从某个坐标开始沿 着速度矢量进行积分，就可以计算出无质量点在此空间中的运动轨迹 σ , ρ , β 为三个常数， x,y,z 为点的坐标 常微分方程组求解 ? Scipy 中提供了函数 odeint ，负责微分方程组的求 解 ? 是一个参数非常复杂的函数，但通常我们关心的 只是该函数的前 3 项，因此，函数的调用格式可 以缩写为： ? odeint(func, y0, t) ? func 是有关微分方程组的函数， ? y0 是一个元组，记录每个变量的初值， ? t 则是一个时间序列。 ? 使用时请注意， oedint 函数，要求微分方程必须 化为标准形式，即 dy/dt=f(y,t) 。 常微分方程组求解 lorenz 函数 def lorenz(w, t): # 给出位置矢量 w ，和三个参数 r,p, b 计算出 r=10.0 p=28.0 b=3.0 # w 是 x,y,z 的值 x, y, z = w # 直接与 lorenz 的计算公式对应 return np.array([r*(y-x), x*(p-z)-y, x*y-b*z]) # 三个微分方程，每个作为一项，写进一个列表中 常微分方程组求解 loren 函数 import numpy as np t = np.arange(0, 30, 0.01) # 创建时间点 # 调用 odeint 对 lorenz 进行求解 , 用两个不同的初始值 track1 = odeint(lorenz, (0.0, 1.00, 0.0), t) track2 = odeint(lorenz, (0.0, 1.01, 0.0), t) # 绘图 from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt fig = plt.figure() ax = Axes3D(fig) ax.plot(track1[:,0], track1[:,1], track1[:,2]) ax.plot(track2[:,0], track2[:,1], track2[:,2]) plt.show() print(track1) 曲线拟合 curve-fit 给定的 y=ax+b 函数上的一系列采样点，并在这些 采样点上增加一些噪声，然后利用 scipy optimize 包中提供的 curve_fit 方法，求解系数 a 和 b 曲线拟合 curve-fit from scipy import optimize import matplotlib.pyplot as plt import numpy as np def f(x,a,b): return a*x + b 曲线拟合 curve-fit x = np.linspace(-10, 10, 30) y = f(x,2,1) ynew= y+ 3*np.random.normal(size=x.size) # 产生带噪声 的数据点 popt, pcov = optimize.curve_fit(f,x,ynew) print(popt) print (pcov) plt.plot(x,y,color=r,label=orig) plt.plot(x,popt[0]*x+popt[1],color=b,label=fitting) plt.legend(loc=upper left) plt.scatter(x,ynew) plt.show() 曲线拟合 curve-fit popt= [ 1 0 pcov= [[ 6-03 -1-11] [ -1-11 2-01]] popt 列表包含每个参数的拟合值，此例求得的 a 为 1， b 为 0。 pcov 列表的对角元素是每个 参数的方差。通过方差，可以评判拟合的质量，方差越小 ，拟合越可靠 科学计算包 SciPY 及应用 第 11 讲 Scipy 简介 ? 解决 python 科学计算而编写的一组程序包 ? 快速实现相关的数据处理 ? 如以前的课程中的积分 Scipy 提供的数据 I/O ? 相比 numpy ， scipy 提供了更傻瓜式的操作方式 ? 二进制存储 from scipy import io as fio import numpy as np x=np.ones((3,2)) y=np.ones((5,5))