一、Scipy 入门
1.1、Scipy 简介及安装
官网：http://www.scipy.org/SciPy
安装：在C:\Python27\Scripts下打开cmd执行:
执行：pip install scipy
1.2、安装Anaconda及环境搭建(举例演示)
创建环境：conda create -n env_name python=3.6
示例： conda create -n Py_36 python=3.6 #创建名为Py_367的环境
列出所有环境：conda info -e
进入环境： source activate Py_36 (OSX/LINUX系统)
activate Py_36 (windows系统)
1.3、jupyter 安装
jupyter简介：jupyter（Jupyter Notebook）是一个交互式笔记本
支持运行40多种编程语言
数据清理和转换，数值模拟，统计建模，机器学习等
jupyter 安装：conda install jupyter notebook
启动 jupyter：激活相应环境
在控制台执行 ：jupyter notebook
notebook服务器运行地址：http://localhost:8888
新建（notebook，文本文件，文件夹）
关闭notebook：ctrl+c执行两次
jupyter notebook 使用：
快捷键：shift+Enter 运行本单元，选中下个单元
Ctrl+Enter 运行本单元，在其下方插入新单元
Y 单元进入代码状态
M 单元进入markdown状态
A 在上方插入新单元
B 在下方插入新单元
X 剪切选中单元
Shift+V 在上方粘贴单元
1.4、scipy的'hello word'
需求：将一个多维数组保存a.mat文件，后加载该mat文件，获取内容并打印
步骤1：导入scipy需要的模块
from scipy import io #(需要使用的模块)
步骤2：利用savemat保存数据
io.savemat(file_name,mdict)
io.savemat('a.mat',{''array:a})
步骤3：利用 loadmat载入数据
io.loadmat(file_name)
data = io.loadmat('a.mat')
举例1：
from scipy import io #导入io
import numpy as np #导入numpy并命名为np
arr = np.array([1,2,3,4,5,6])
io.savemat('test.mat',{'arr1':arr})
loadArr=io.loadmat('test.mat')
举例2
from matplotlib import pyplot as plt
from scipy import io
import numpy as np
matrix1 = np.arange(1,10).reshape(3,3) #创建矩阵
io.savemat("matrix1.mat", {"array": matrix1}) #保存矩阵文件
data=io.loadmat('matrix1.mat') #读取矩阵文件
print (data["array"]) #输出矩阵
p1 = np.random.normal(size = 10000) #新建随机数
plt.hist(p1) #绘制柱形图
plt.show() #显示
二、利用Scipy实现统计功能
需求：用Scipy的scipy.stats中的统计函数分析随机数
stats提供了产生连续性分布的函数
均匀分布（uniform）
x=stats.uniform.rvs(size = 20) 生成20个[0,1]均匀分布随机数
-正态分布（norm）
x=stats.norm.rvs(size = 20) 生成20个正态分布随机数
-贝塔分布（beta）
x=stats.beta.rvs(size=20，a=3,b=4)生成20个服从参数a=3,b=4贝塔分布随机数
-离散分布
-伯努利分布（Bernoulli）
-几何分布（geom）
-泊松分布（poisson）
x=stats.poisson.rvs(0.6,loc=0,size = 20)生成20个服从泊松分布随机数
三、计算随机数均值和标准差
stats.norm.fit :利用正态分布去拟合生成的数据，得到其均值和标准差
四、计算随机数的偏度
1.概念：
偏度（skewness）描述的是概率分布的偏度（非对称）程度。
有两个返回值，第二个为p-value，即数据集服从正态分布的概率（0~1）
2 利用 stats.skewtest()计算偏度
五、计算随机数的峰度
1 概念：峰度（kurtosis）-描述的是概率分布曲线陡峭程度
2 利用 stats.kurtosis() 计算峰度
3 正态分布峰度值为3，excess_k为0
低阔峰(platykurtic) 相对于正态分布来说更扁平 excess_k<0
高狭峰(leptokurtic) 相对于正态分布来说更陡峭 excess_k>0
示例：(../Scipy/Test01/test1)
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
arr = stats.norm.rvs(size=900)
(mean,std) = stats.norm.fit(arr)
print('平均值',mean) #mean平均值
print('std标准差',std) #std标准差
(skewness,pvalue1) = stats.skewtest(arr)
print('偏度值')
print(skewness)
print('符合正态分布数据的概率为')
print(pvalue1)
(Kurtosistest,pvalue2) = stats.kurtosistest(arr)
print('Kurtosistest',Kurtosistest) #峰度
print('pvalue2',pvalue2)
(Normltest,pvalue3) = stats.normaltest(arr)
print('Normltest',Normltest) #服从正太分布度
print('pvalue3',pvalue3)
num = stats.scoreatpercentile(arr,95) #某一百分比处的数值
print('在95%处的数值：') #某一百分比处的数值
print num
indexPercent = stats.percentileofscore(arr,1) #某一数值处的百分比
print ('在数值1处的百分比：') #某一数值处的百分比
print indexPercent
plt.hist(arr) #设置直方图
plt.show() #显示图
六、正态分布程度检验
1 正态性检验(normality test),同样返回两个值，第二个返回p-values
2 利用 检验 stats.normaltest()
一般情况 pvalue>0.05 表示服从正态分布
七、计算数据所在区域中某一百分比处的数值
1 利用scoreatpercentile 计算在某一百分比位置的数值
格式：scoreatpercentile (数据集、百分比)
stats.scoreatpercentile(name_arr,percent)
2 示例：求出95%所在位置的数值
num = stats.scoreatpercentile(arr,95)
print num
八、从某数值出发找到对应的百分比
利用percentileofscore计算在某数值对应的百分比
格式：percentileofscore(数据集,数值)
示例：indexPercent = stats.percentileofscore(arr,1)
九、直方图显示
import matplotlib.pyplot as plt
在Anaconda环境下(py36)C:\Users\lenovo>导入：conda install matplotlib
plt.hist(arr) #设置直方图
plt.show() #显示图
九、综合练习
1 求出考试分数的以下值：
均值 中位数 众数 极差 方差
标准差 变异系数(均值/方差) 偏度 峰度
2 步骤1： 创建两个二维数组:[分数，出现次数]
arrEasy=np.array([[0,2],[2.5,4],[5,6],[7.5,9],[10,13],[12.5,16],[15,19],[17.5,23],
[20,27],[22.5,31],[25,35],[27.5,40],[30,53],[32.5,68],[35,90],
[37.5,110],[40,130],[42.5,148],[45,165],[47.5,182],[50,195],
[52.5,208],[55,217],[57.5,226],[60,334],[62.5,342],[65,349],
[67.5,500],[70,511],[72.5,300],[75,200],[77.5,80],[80,20]])
arrDiff=np.array([[0,20],[2.5,30],[5,45],[7.5,70],[10,100],[12.5,135],[15,170],
[17.5,205],[20,226],[22.5,241],[25,251],[27.5,255],[30,256],
[32.5,253],[35,249],[37.5,242],[40,234],[42.5,226],[45,217],
[47.5,208],[50,195],[52.5,182],[55,165],[57.5,148],[60,130],
[62.5,110],[65,40],[67.5,30],[70,20],[72.5,5],[75,5],[77.5,0],[80,0]])
步骤2：创建函数，将传入的多维数组扁平化->变成一维数组
方法1：
def createScore(arr): score = [] #所有学员分数 row = arr.shape[0] for i in np.arange(0,row): for j in np.arange(0,int(arr[i][1])): score.append(arr[i][1])) score = np.array(score) return score
方法2
score_Easy, num_Easy = arrEasy[:,0],arrEasy[:,1] #所有行第一列；所有行第二列 score_Diff, num_Diff = arrDiff[:,0],arrDiff[:,1] #同上 print (score_Easy,num_Easy ) print (score_Diff,num_Diff )
步骤3：创建函数，根据传入数组，对其进行统计
def calStatValue(score):
#集中趋势度量
print('均值')
print(np.mean(score))
print('中位数')
print(np.median(score))
print('众数')
print(stats.mode(score))
#离散趋势度量
print('极差')
print(np.ptp(score))
print('方差')
print(np.var(score))
print('标准差')
print(np.std(score))
print('变异系数')
print(np.mean(score)/np.std(score))
#偏度与峰度的度量
print('偏度')
print(stats.skewness(score))
print('峰度')
print(stats.Kurtosis(score))
步骤4：创建函数，做一个简单的箱线图/柱形图
def drawGraghic(score)
plt.boxplot([score],labels['score']) #箱线图
plt.title('箱线图')
plt.show()
plt.hist(score,100)
plt.show()
步骤5：
步骤6：
案例完整代码：
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
def createScore(arr):
score = [] #所有学员分数
row = arr.shape[0] #获取多少组元素
for i in np.arange(0,row): #遍历所有元素组
for j in np.arange(0,int(arr[i][1])):#从0开始填充次数，第i行第1列
score.append(arr[i][0]))
score = np.array(score)
return score
_________________________________
使用切片获取分数
score_Easy, num_Easy = arrEasy[:,0],arrEasy[:,1] #所有行第一列；所有行第二列
score_Diff, num_Diff = arrDiff[:,0],arrDiff[:,1] #同上
print (score_Easy,num_Easy) #查看分数，人数
print (score_Diff,num_Diff) #同上
All_score_Easy = np.repeat(list(score_Easy),list(num_Easy)) #所有分数
All_score_Diff = np.repeat(list(score_Diff),list(num_Diff)) #所有分数
________________________________
def createOneScore():
arrEasy=np.array([[0,2],[2.5,4],[5,6],[7.5,9],[10,13],[12.5,16],[15,19],[17.5,23],
[20,27],[22.5,31],[25,35],[27.5,40],[30,53],[32.5,68],[35,90],
[37.5,110],[40,130],[42.5,148],[45,165],[47.5,182],[50,195],
[52.5,208],[55,217],[57.5,226],[60,334],[62.5,342],[65,349],
[67.5,500],[70,511],[72.5,300],[75,200],[77.5,80],[80,20]])
return createScore(arrOne)
def createTwoScore():
arrDiff=np.array([[0,20],[2.5,30],[5,45],[7.5,70],[10,100],[12.5,135],[15,170],
[17.5,205],[20,226],[22.5,241],[25,251],[27.5,255],[30,256],
[32.5,253],[35,249],[37.5,242],[40,234],[42.5,226],[45,217],
[47.5,208],[50,195],[52.5,182],[55,165],[57.5,148],[60,130],
[62.5,110],[65,40],[67.5,30],[70,20],[72.5,5],[75,5],[77.5,0],[80,0]])
return createScore(arrTwo)
def calStatValue(score):
#集中趋势度量
print('均值')
print(np.mean(score))
print('中位数')
print(np.median(score))
print('众数')
print(stats.mode(score))
#离散趋势度量
print('极差')
print(np.ptp(score))
print('方差')
print(np.var(score))
print('标准差')
print(np.std(score))
print('变异系数')
print(np.mean(score)/np.std(score))
#偏度与峰度的度量
(skewness,pvalue1) = stats.skewtest(score)
print('偏度')
print(stats.skewness(score))
(Kurtosistest,pvalue2) = stats.kurtosistest(arr)
print('峰度')
print(stats.Kurtosis(score))
return
#画图
def drawGraghic(score)
plt.boxplot([score],labels['score']) #箱线图
plt.title('箱线图')
plt.show()
plt.hist(score,100)
plt.show()
return
总结
以上所述是小编给大家介绍的Python科学计算库—Scipy,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
3月27日消息，苹果宣布2024年全球开发者大会（WWDC）将于6月10日至6月14日举行，巧合的是，这次大会与端午假期重合。
苹果官方表示：
在线参加 Apple 每年规模最大的开发者盛会。亲眼见证 Apple 最新平台、技术和工具的发布。了解如何创建和改进你的 App 和游戏。与 Apple 设计师和工程师互动交流，与全球开发者社区建立联系。以上活动均免费在线举行。
探索各种新的工具、框架和功能，助力你打造出理想的 App 和游戏。通过视频讲座学习新技能，与 Apple 专家进行一对一会面，以推进你的项目，完善你的构思。
Swift Student Challenge 旨在支持和鼓舞下一代开发者、创作者和企业家。太平洋时间 3 月 28 日，我们将公布今年的获奖者名单。获奖者将有资格参加在 Apple Park 举办的特别活动。我们还会选出 50 名杰出获胜者，他们将受邀前往库比提诺，获得为期三天的非凡体验，包括参加 Apple Park 的特别活动。
RTX 5090要首发 性能要翻倍！三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB，每个模块容量为2GB。其速度预设为32 Gbps（PAM3），但也可以降至28 Gbps，以提高产量和初始阶段的整体性能和成本效益。
据三星表示，GDDR7内存的能效将提高20%，同时工作电压仅为1.1V，低于标准的1.2V。通过采用更新的封装材料和优化的电路设计，使得在高速运行时的发热量降低，GDDR7的热阻比GDDR6降低了70%。