scipy的读书报告

SciPy 提供了复制的算法及其在 NumPy 中作为函数的用法。这将分配高级命令和多种多样的类来操作和可视化数据。

SciPy 将多个小型包整合在一起，每个包都针对单独的科学计算领域。

其中的几个子包是linalg（线性代数）、constants（物理和数学常数）和sparse（稀疏矩阵和相关例程）

 

值得注意的是，SciPy 为表示随机变量的对象提供了内置的构造函数。 下面是SciPy 提供的多个子包中的 Linalg 和Stats
的几个示例。由于子包是针对特点领域的。这使得SciPy成为数据科学的完美选择。

1.SciPy 中的线性代数子包（scipy.linalg）应该以下列方式导入：

import scipy
import numpy as np

from scipy import linalg
mat_ = np.array([[2,3,1],[4,9,10],[10,5,6]])    #创建矩阵
print(mat_)
#>[[ 2  3  1],[ 4  9 10],[10  5  6]]
linalg.det(mat_)        #矩阵的行列式
inv_mat = linalg.inv(mat_)  #矩阵的逆
print(inv_mat)
#>[[ 0.02409639 -0.07831325  0.12650602]
 #[ 0.45783133  0.01204819 -0.09638554]
 #[-0.42168675  0.12048193  0.03614458]]

2. 用于执行奇异值分解并存储各个组成部分的代码：

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 ]]

3. SciPy.stats 是一个大型子包，包含各种各样的统计分布处理函数，可用于操作不同类型的数据集。

from scipy import stats
#从平均摄动3和标准摄动5的正常摄动中随机产生大小为20的样本
rvs_20 = stats.norm.rvs(3,5, size = 20)
print(rvs_20,'\n---')
#以a=100, b=130为形状参数，随机变量0.41计算贝塔分布的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