什么是 SciPy？
SciPy（发音为“Sigh Pie”）是 Scientific Python 的首字母缩写词，它是 Python 的开源库，用于科学和技术计算。它是 Python 编程语言中称为 Numpy 的基本数组处理库的扩展，旨在支持高级科学和工程计算。
为什么使用 SciPy？
它基本上是 Python 编程语言的扩展，用于提供数值计算功能，以及一个强大而高效的工具箱。以下是 SciPy 无价的一些原因：
• 广泛的功能： 对于优化、积分、插值、特征值问题、代数方程、微分方程、信号处理等等，SciPy 提供了模块。它提供了一些解决方案，否则他们将花费大量时间和精力从头开始开发。
• 效率和性能： SciPy 的函数经过高效编码和运行时测试，以确保它们在处理大型矩阵时提供结果。它的许多例程都借鉴了科学计算界中众所周知的优化算法。
• 易用性：在 SciPy 中实现的函数更易于使用，并且与其他 Python 库（如 NumPy）结合使用时也更容易使用。这种简单性的提高降低了系统的复杂性，因为它对任何人都友好，无论用户的编程熟练程度如何，都可以满足分析需求。
• 开源和社区驱动： 正如我们所看到的，SciPy 是一个开源包，这意味着它始终可以依靠全球成千上万的开发人员和研究人员为其开发做出贡献。他们这样做是为了跟上数学和科学在计算中的现代进步，并满足用户的需求。
我们可以在哪里以及如何使用 SciPy？
SciPy 可用于需要科学和技术计算的各种领域。以下是一些关键领域：
• 数据分析： 概率和假设检验是使用 scipy.stats 执行的 – SciPy 的统计函数范围。它还包含适用于管理和分析大数据的工具。
• 工程： SciPy 可用于工程中，用于过滤和处理信号、求解微分方程以及建模工程系统。
• 优化问题： scipy 包的 optimize 模块为消费者提供了找到函数极值的方法，这在机器学习、经济分析、运筹学等方面非常有用。
• 物理学和天文学： SciPy 用于物理学和天文学等应用科学，以模拟天体力学、求解偏微分方程和模拟各种物理过程。
• 金融： SciPy 在量化金融学中的具体流行应用包括投资组合优化、可用于期权定价的 Black-Scholes 模型以及时间序列数据分析。
• 机器学习： 尽管有许多特定的软件包可用，例如用于机器学习的 Scikit learn，但 SciPY 包含用于优化、线性代数和统计分布等操作的基本核心功能，这些功能对于创建和测试学习模型非常重要。
SciPy 与其他库有何不同？
SciPy 在几个方面有所不同：
• 基于 NumPy 构建：事实确实如此，因为 SciPy 实际上是 NumPy 的扩展，它为科学计算提供了更多工具。由于 NumPy 只处理基本的数组操作，因此在 SciPy 的情况下存在算法和模型等概念。
• 覆盖面广：与一些具有特定应用领域的工具（如用于数据操作的 Pandas、用于数据可视化的 Matplotlib）不同，SciPy 库是一个服务于多个科学计算领域的综合工具。
• 社区驱动：SciPy 开发是社区驱动的，这使得它对社会充满活力，因为它会随着科学社会的需求而变化。这种工作方式使 SciPy 保持工作和新鲜感，因为核心开发人员与用户合作，并了解实际人们面临的实际问题。
• 易于集成： SciPy 与其他 Python 库高度兼容，允许用户构建包含多种工具的复杂工作流程（例如，将 SciPy 与 Matplotlib 相结合以可视化结果或将 Pandas 相结合以进行数据操作）。
如何安装 SciPy？
SciPy 包的安装非常简单，但本指南将引导用户在安装过程中遵循正确的步骤。以下是针对不同操作系统的 SciPy 安装过程、如何检查已安装的 SciPy 以及出现问题时的一些可能解决方案。
先决条件
如果您打算安装 SciPy，您应该首先确保您的计算机上安装了 Python 软件。要使用 SciPy，您至少需要 Python 3.7。由于 SciPy 依赖于 NumPy，因此也必须安装 NumPy。大多数 Python 发行版包括 pip，用于安装 SciPy 的包管理器。
要检查是否安装了 Python 和 pip，请打开终端（或 Windows 上的命令提示符）并运行以下命令：
python --version
pip --versionCopy Code
如果未安装 Python 本身或作为其一部分的 pip，您可以从官方网站下载后者的最新版本 python.org 并按照说明进行操作。
使用 pip 安装 SciPy
有几种方法可以从头开始构建 SciPython，但到目前为止最简单的是使用 pip。SciPy 是从 Pip 工具下的 Python 包索引 （PyPI） 获得的，并已安装在系统中。
第 1 步：打开您的终端或命令提示符。
第 2 步：运行以下命令以安装 SciPy：
pip install scipyCopy Code
Pip 将自动处理 SciPy 及其依赖项的安装，包括 NumPy（如果尚未安装）。
第 3 步：验证安装。
安装完成后，您可以通过打开 Python shell 并导入 SciPy 来验证 SciPy 是否已正确安装。
然后，在 Python shell 中，键入：
import scipy
print(scipy.__version__)Copy Code
此命令应显示已安装的 SciPy 版本，没有任何错误。如果您看到版本号，则安装成功。
SciPy 中的核心模块
SciPy 由多个模块组成，每个模块都为不同的科学和工程计算提供专门的功能。以下是 SciPy 中的核心模块及其主要用途的概述：
scipy.cluster： 聚类算法
该模块提供了聚类过程 数据聚类是一种非常有组织的活动，它涉及将一组对象放入不同的组中，与其他组相比，一个组中的对象彼此封闭。
主要特点：
• 分层聚类：用于划分凝聚聚类的函数，它涉及在循环中形成聚类的数据，将点组合成一个更大的聚类。
• K-means 聚类分析：实施了通用 K-Means 算法，该算法将数据分类为 K 个聚类。
scipy.constants： 物理常数和数学常数
它包含广泛的物理和数学常数和测量单位。
主要特点：
• 提供对基本常数（如光速、普朗克常数和引力常数）的访问。
• 用于在不同单位之间进行转换的公式，例如，度到弧度，磅到千克。
scipy.fft： 快速傅里叶变换 （FFT）
该模块适用于计算普通的快速傅里叶变换和逆变换，这在信号处理、图像分析和偏微分方程的数值求解中非常重要。
主要特点：
• 一维和多维 FFT 的函数。
• 实数和复数 FFT，具有计算正向和逆向变换的选项。
scipy.integrate： 积分和常微分方程 （ODE）
包含用于函数积分和求解微分方程的所有函数。
主要特点：
• 正交：曲线之间的区域和数值积分的应用，包括梯形和 Simpson 规则。
• ODE 求解器：确定常微分方程的第一个值的过程;显式和隐式方法的使用。
scipy.interpolate：插值
该模块包含用于估计位于给定站点域内的缺失值或未知站点的例程。
主要特点：
• 1D 和多维插值：支持线性、最近、样条和其他插值方法。
• 样条拟合：用于将样条拟合到一组数据点的函数。
scipy.io：输入和输出
便于在各种文件格式之间读取和写入数据。
主要特点：
• 支持 MATLAB 文件：用于读取和写入 MATLAB 文件的函数。.mat
• 支持其他格式：用于处理音频文件和压缩 NumPy 数组等格式的函数。.wav.npz
scipy.linalg：线性代数
该模块提供了用于执行线性代数计算的子例程，包括：求解线性方程组、矩阵和行列式的因式分解。
主要特点：
• 矩阵分解：它们包括 LU、QR、奇异值分解和 Cholesky 分解。
• 求解线性方程：求解线性方程、最小二乘问题和线性矩阵方程的过程。
scipy.ndimage： 多维图像处理
该模块主要提供基于 n 维数组的多维图像的操作和分析程序。
主要特点：
• 过滤：用于卷积和相关函数，以及基本和更特殊的过滤器，例如高斯或中位数过滤器。
• 形态学操作：用于对二进制图像进行侵蚀、扩张和打开或关闭操作的专用函数。
scipy.optimize： 优化和寻根
需要计算方法，用于近似函数的最小值或最大值并求方程的解。
主要特点：
• 最小化：用于对许多变量的标量函数进行无约束和有约束优化的函数。
• 求根：方程的近似解的技术以及标量和多维求根技术的类别。
scipy.signal： 信号处理
该模块具有信号处理功能;信号过滤、频谱分析和系统分析。
主要特点：
• 过滤：设计人员的主要功能以及数字和模拟滤波器的应用。
• 傅里叶变换：用于确定和分析相关信号内的频率成分的函数。
• 系统分析：研究 LTI 系统的技术，包括系统分析和控制系统。
scipy.sparse： 稀疏矩阵
提供对稀疏矩阵进行运算的方法，稀疏矩阵是其中大多数 0 的矩阵。
主要特点：
• 稀疏矩阵类型：支持不同类型的稀疏矩阵，例如 COO、CSR 和 CSC 格式。
• 稀疏线性代数：用于对稀疏矩阵进行运算的函数，包括矩阵乘法、求解线性方程组和特征值问题。
scipy.spatial： 空间数据结构和算法
此模块包含用于处理空间数据和几何操作的函数。
主要特点：
• 距离计算：用于计算点和聚类之间距离的函数，包括欧几里得距离和其他指标。
• 空间索引：用于高效空间查询的 KDTree 和 cKDTree 实现。
• 计算几何：用于计算 Delaunay 三角剖分、凸包和 Voronoi 图的函数。
scipy.special：特殊功能
提供对各种自然和社会科学及工程中有价值的许多特殊算术运算的访问。
主要特点：
• 贝塞尔函数、伽玛函数和误差函数等。
• 用于计算组合、阶乘和二项式系数的函数。
scipy.stats：统计学
提供了一整套工具，用于统计计算、假设检验和概率分布。
主要特点：
• 概率分布：许多单变量和多变量分布，具有用于估计、模拟和评估统计度量（均值、方差等）的程序。
• 统计检验：用于制作 t 检验、卡方检验以及非参数检验（如 Mann Whitney U 检验）的库。
• 描述性统计量：均值、方差、偏度和其他可用于计算偏差的度量或工具。
SciPy 的应用
现在让我们在下面探索 Scipy 的应用：
优化
优化是许多学科的核心，包括;机器学习、工程设计和财务建模。Optimize 是 SciPy 中的一个模块，它提供了一种通过最小化、curve_fit 和 least_squares 等方法解决优化练习的方法。
例：
from scipy.optimize import minimize
def objective_function(x):
return x**2 + 2*x + 1
result = minimize(objective_function, 0)
print(result)Copy Code
集成
SciPy 的模块提供了多种集成技术。像 ， ， 和 这样的函数分别用于单积分、双积分和三重积分。integratequaddblquadtplquad
例：
from scipy.integrate import quad
result, error = quad(lambda x: x**2, 0, 1)
print(result)Copy Code
信号处理
对于处理信号处理的工程师，SciPy 中的模块提供了用于滤波、卷积和傅里叶变换的工具。它还可以处理复杂的波形和信号。signal
例：
from scipy import signal
import numpy as np
t = np.linspace(0, 1.0, 500)
sig = np.sin(2 * np.pi * 7 * t) + signal.square(2 * np.pi * 1 * t)
filtered_signal = signal.medfilt(sig, kernel_size=5)Copy Code
线性代数
SciPy 的模块为线性代数问题提供了有效的解决方案，例如矩阵反转、分解（LU、QR、SVD）和求解线性系统。linalg
例：
from scipy.linalg import lu
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 10]])
P, L, U = lu(A)
print(L)Copy Code
统计学
该模块是一个用于统计分析的综合工具包。您可以计算概率、执行假设检验或使用随机变量和分布。stats
例：
from scipy.stats import norm
mean, std_dev = 0, 1
prob = norm.cdf(1, loc=mean, scale=std_dev)
print(prob)Copy Code
结论
如今，任何科学家在参与科学计算时都离不开 SciPy 库。它增加了 Python 功能，提供了解决大多数优化任务和许多其他问题（例如信号处理）的方法。无论您是完成学术研究还是从事工业项目，此软件包都减少了计算方面，以便您可以将时间花在问题上，而不是代码上。
最后推荐：一个GPU矩阵乘法运算工具-GPUMatrix1.23【Windows版本】
https://download.csdn.net/download/axecute/90253223
