Python科学计算与数据处理-SciPy.pptVIP

是一种积分变换的数学方法，在许多方面得到了广泛应用。卷积计算公式：z(t)=x(t)*y(t)= ∫x(m)y(t-m)dm.? * * * ndarray.tolist()可以将numpy的数组转为python的list 1、f()是计算方程组的误差的函数，x参数是一组可能的解。fsolve()在调用f()时，传递给f()的参数是一个数组。2、先调用数组的tolist()方法，将其转换为Python的标准浮点数列表，然后调用math模块中的函数进行运算。因为在进行单个数值的运算时，标准浮点类型比NumPy的浮点类型要快许多，所以把数值都转换成标准浮点数类型，能缩短一些计算时间。3、调用fsolve()时，传递计算误差的函数f()，以及未知数的初始值。 * * 样条插值：? 使用上有两个基本步骤：（1）首先要使用splrep()计算欲插值曲线的样条系数（对于N-维空间使用splprep）；（2）在给定的点上用splev()计算样条插值结果。 tck=scipy.interpolate.splrep(x, y, w=None, xb=None, xe=None, k=3, task=0, s=None, t=None, full_output=0, per=0, quiet=1)? ? 参数s用来确定平滑点数，通常是m-SQRT(2m),m是曲线点数。如果在插值中不需要平滑应该设定s=0。splrep()输出的是一个3元素的元胞数组（t,c,k）,其中t是曲线点，c是计算出来的系数，k是样条阶数，通常是3阶，但可以通过k改变。scipy.interpolate.splev(x, tck, der=0) 其中的der是进行样条计算是需要实际计算到的阶数，必须满足条件der=k。 * * * ’quintic’:五次的 * pl.imshow? 是二维矩阵数据的平面色彩显示 cmap=pl.cm.jet jet为matplotlib缺省值配置，最小值为蓝色，最大值为红色。 * interpolate.Rbf? cmap=pl.cm.jet jet为matplotlib缺省值配置，最小值为蓝色，最大值为红色。 pl.scatter: 散点图 pl.scatter? * V=(4/3)πR^3 * stats.__dict__? dict(mapping) - new dictionary initialized from a mapping objects (key, value) pairs dict(iterable) - new dictionary initialized as if via: d = {} for k, v in iterable: d[k] = v isinstance是Python中的一个内建函数, isinstance(object, classinfo)如果参数object是classinfo的实例，或者object是classinfo类的子类的一个实例， 返回True。如果object不是一个给定类型的的对象， 则返回结果总是False。 * 位置参数?loc?和标度参数?scale * import pylab as pl * 统计—stats 接下来调用pdf(),査看上面4个随机值所对应的概率密度： 也可以先创建将形状参数和尺度参数固定的随机变量，然后再调用其pdf()计算概率密度： * stats.gamma.pdf(x, 2, scale=2) array([ 0 0.1498734 , 0 0) X = stats.gamma(2, scale=2) X.pdf(x) array([ 0 0.1498734 , 0 0) 统计—stats 当分布函数的值域为离散时，称之为离散概率分布。例如投掷有6个面的骰子时，只能获得1到6的整数，因此得到的概率分布为离散的。对于离散随机分布，通常使用概率质量函数(PMF)描述其分布情况。 在stats库中所有描述离散分布的随机变量都从rv_discrete类继承。也可以直接用rv_discrete 类自定义离散概率分布。例如假设有一个不均匀的骰子，各点出现的概率不相等。可以用下面的数组x保存骰子的所有可能值，数组p保存每个值出现的概率： * 统计—stats 于是，可以用下面的语句定义表示这个特殊骰子的随机变量，并调用其rvs(