PythonパッケージのSciPy紹介
2122 ワード
前言:SciPyはレプリケーションのアルゴリズムとそのNumPyでの関数としての使い方を提供した.これにより、データを操作および可視化するための高度なコマンドと多様なクラスが割り当てられます.SciPyは複数の小型パッケージを統合し、各パッケージは個別の科学計算分野を対象としている.いくつかのサブパケットはlinalg(線形代数)、constants(物理的および数学的定数)、およびsparse(疎行列および相関ルーチン)である.
1.SciPyベース
NumPyパッケージの多くは配列に対する関数もSciPyに含まれる.SciPyは予めテストされたルーチンを提供するので,科学計算応用において処理時間を大幅に節約できる.詳細なコメントは、NumPyの内容が使用されるため、忘れた場合は、このリンクをスタンプすることができます.
NumPy紹介
コードの説明は次のとおりです.
SciPyは、ランダム変数を表すオブジェクトに組み込まれたコンストラクション関数を提供していることに注意してください.以下に、SciPyが提供する複数のサブパッケージのLinalgおよびStatsのいくつかの例を示す.サブパッケージは特徴的な分野を対象としているからです.これにより、SciPyはデータ科学の完璧な選択となった.
SciPyの線形代数サブパッケージ(scipy.linalg)は、次のようにインポートする必要があります.
奇異値分解を実行し、各コンポーネントを格納するためのコード:
SciPy.statsは、異なるタイプのデータセットを操作するために使用できる様々な統計分布処理関数を含む大規模なサブパッケージです.
2.補充
詳細については、公式サイトのアドレス:SciPy公式サイトをクリックしてください.
1.SciPyベース
NumPyパッケージの多くは配列に対する関数もSciPyに含まれる.SciPyは予めテストされたルーチンを提供するので,科学計算応用において処理時間を大幅に節約できる.詳細なコメントは、NumPyの内容が使用されるため、忘れた場合は、このリンクをスタンプすることができます.
NumPy紹介
コードの説明は次のとおりです.
SciPyは、ランダム変数を表すオブジェクトに組み込まれたコンストラクション関数を提供していることに注意してください.以下に、SciPyが提供する複数のサブパッケージのLinalgおよびStatsのいくつかの例を示す.サブパッケージは特徴的な分野を対象としているからです.これにより、SciPyはデータ科学の完璧な選択となった.
SciPyの線形代数サブパッケージ(scipy.linalg)は、次のようにインポートする必要があります.
import scipy
import numpy as np
from scipy import linalg
mat_ = np.array([[2,3,1],[4,9,10],[10,5,6]]) #
print(mat_)
#>[[ 2 3 1],[ 4 9 10],[10 5 6]]
linalg.det(mat_) #
inv_mat = linalg.inv(mat_) #
print(inv_mat)
#>[[ 0.02409639 -0.07831325 0.12650602]
#[ 0.45783133 0.01204819 -0.09638554]
#[-0.42168675 0.12048193 0.03614458]]
奇異値分解を実行し、各コンポーネントを格納するためのコード:
comp_1, comp_2, comp_3 = linalg.svd(mat_)
print(comp_1)
print(comp_2)
print(comp_3)
# >[[-0.1854159 0.0294175 -0.98221971]
# [-0.73602677 -0.66641413 0.11898237]
# [-0.65106493 0.74500122 0.14521585]]
# [18.34661713 5.73710697 1.57709968]
# [[-0.53555313 -0.56881403 -0.62420625]
# [ 0.84418693 -0.38076134 -0.37731848]
# [-0.02304957 -0.72902085 0.6841033 ]]
SciPy.statsは、異なるタイプのデータセットを操作するために使用できる様々な統計分布処理関数を含む大規模なサブパッケージです.
from scipy import stats
# 3 5 20
rvs_20 = stats.norm.rvs(3,5, size = 20)
print(rvs_20,'
---')
# a=100, b=130 , 0.41 CDF
cdf_ = scipy.stats.beta.cdf(0.41, a=100, b=130)
print(cdf_)
#>[-1.49288331 12.43018057 -1.98896686 2.84913596 -1.94158066 -2.53572229
# -3.23105148 3.49129889 6.29223385 0.57010285 1.87261406 7.0897752
# 2.64603964 4.81257768 7.21505841 -0.80754014 -4.14544522 -9.84438422
#0.43808749 2.96654881]
#---
#0.22500957436155394
2.補充
詳細については、公式サイトのアドレス:SciPy公式サイトをクリックしてください.