溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
一、Scipy 入門
1.1、Scipy 簡介及安裝
官網：http://www.scipy.org/SciPy
安裝：在C:\Python27\Scripts下打開cmd執行:
執行：pip install scipy
1.2、安裝Anaconda及環境搭建(舉例演示)
創建環境：conda create -n env_name python=3.6
示例： conda create -n Py_36 python=3.6 #創建名為Py_367的環境
列出所有環境：conda info -e
進入環境： source activate Py_36 (OSX/LINUX系統)
activate Py_36 (windows系統)
1.3、jupyter 安裝
jupyter簡介：jupyter（Jupyter Notebook）是一個交互式筆記本
支持運行40多種編程語言
數據清理和轉換，數值模擬，統計建模，機器學習等
jupyter 安裝：conda install jupyter notebook
啟動 jupyter：激活相應環境
在控制臺執行 ：jupyter notebook
notebook服務器運行地址：http://localhost:8888
新建（notebook，文本文件，文件夾）
關閉notebook：ctrl+c執行兩次
jupyter notebook 使用：
快捷鍵：shift+Enter 運行本單元，選中下個單元
Ctrl+Enter 運行本單元，在其下方插入新單元
Y 單元進入代碼狀態
M 單元進入markdown狀態
A 在上方插入新單元
B 在下方插入新單元
X 剪切選中單元
Shift+V 在上方粘貼單元
1.4、scipy的'hello word'
需求：將一個多維數組保存a.mat文件，后加載該mat文件，獲取內容并打印
步驟1：導入scipy需要的模塊
from scipy import io #(需要使用的模塊)
步驟2：利用savemat保存數據
io.savemat(file_name,mdict)
io.savemat('a.mat',{''array:a})
步驟3：利用 loadmat載入數據
io.loadmat(file_name)
data = io.loadmat('a.mat')
舉例1：
from scipy import io #導入io
import numpy as np #導入numpy并命名為np
arr = np.array([1,2,3,4,5,6])
io.savemat('test.mat',{'arr1':arr})
loadArr=io.loadmat('test.mat')
舉例2
from matplotlib import pyplot as plt
from scipy import io
import numpy as np
matrix1 = np.arange(1,10).reshape(3,3) #創建矩陣
io.savemat("matrix1.mat", {"array": matrix1}) #保存矩陣文件
data=io.loadmat('matrix1.mat') #讀取矩陣文件
print (data["array"]) #輸出矩陣
p1 = np.random.normal(size = 10000) #新建隨機數
plt.hist(p1) #繪制柱形圖
plt.show() #顯示
二、利用Scipy實現統計功能
需求：用Scipy的scipy.stats中的統計函數分析隨機數
stats提供了產生連續性分布的函數
均勻分布（uniform）
x=stats.uniform.rvs(size = 20) 生成20個[0,1]均勻分布隨機數
-正態分布（norm）
x=stats.norm.rvs(size = 20) 生成20個正態分布隨機數
-貝塔分布（beta）
x=stats.beta.rvs(size=20，a=3,b=4)生成20個服從參數a=3,b=4貝塔分布隨機數
-離散分布
-伯努利分布（Bernoulli）
-幾何分布（geom）
-泊松分布（poisson）
x=stats.poisson.rvs(0.6,loc=0,size = 20)生成20個服從泊松分布隨機數
三、計算隨機數均值和標準差
stats.norm.fit :利用正態分布去擬合生成的數據，得到其均值和標準差
四、計算隨機數的偏度
1.概念：
偏度（skewness）描述的是概率分布的偏度（非對稱）程度。
有兩個返回值，第二個為p-value，即數據集服從正態分布的概率（0~1）
2 利用 stats.skewtest()計算偏度
五、計算隨機數的峰度
1 概念：峰度（kurtosis）-描述的是概率分布曲線陡峭程度
2 利用 stats.kurtosis() 計算峰度
3 正態分布峰度值為3，excess_k為0
低闊峰(platykurtic) 相對于正態分布來說更扁平 excess_k<0
高狹峰(leptokurtic) 相對于正態分布來說更陡峭 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標準差',std) #std標準差
(skewness,pvalue1) = stats.skewtest(arr)
print('偏度值')
print(skewness)
print('符合正態分布數據的概率為')
print(pvalue1)
(Kurtosistest,pvalue2) = stats.kurtosistest(arr)
print('Kurtosistest',Kurtosistest) #峰度
print('pvalue2',pvalue2)
(Normltest,pvalue3) = stats.normaltest(arr)
print('Normltest',Normltest) #服從正太分布度
print('pvalue3',pvalue3)
num = stats.scoreatpercentile(arr,95) #某一百分比處的數值
print('在95%處的數值：') #某一百分比處的數值
print num
indexPercent = stats.percentileofscore(arr,1) #某一數值處的百分比
print ('在數值1處的百分比：') #某一數值處的百分比
print indexPercent
plt.hist(arr) #設置直方圖
plt.show() #顯示圖
六、正態分布程度檢驗
1 正態性檢驗(normality test),同樣返回兩個值，第二個返回p-values
2 利用 檢驗 stats.normaltest()
一般情況 pvalue>0.05 表示服從正態分布
七、計算數據所在區域中某一百分比處的數值
1 利用scoreatpercentile 計算在某一百分比位置的數值
格式：scoreatpercentile (數據集、百分比)
stats.scoreatpercentile(name_arr,percent)
2 示例：求出95%所在位置的數值
num = stats.scoreatpercentile(arr,95)
print num
八、從某數值出發找到對應的百分比
利用percentileofscore計算在某數值對應的百分比
格式：percentileofscore(數據集,數值)
示例：indexPercent = stats.percentileofscore(arr,1)
九、直方圖顯示
import matplotlib.pyplot as plt
在Anaconda環境下(py36)C:\Users\lenovo>導入：conda install matplotlib
plt.hist(arr) #設置直方圖
plt.show() #顯示圖
九、綜合練習
1 求出考試分數的以下值：
均值 中位數 眾數 極差 方差
標準差 變異系數(均值/方差) 偏度 峰度
2 步驟1： 創建兩個二維數組:[分數，出現次數]
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]])
步驟2：創建函數，將傳入的多維數組扁平化->變成一維數組
方法1：
def createScore(arr): score = [] #所有學員分數 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 )
步驟3：創建函數，根據傳入數組，對其進行統計
def calStatValue(score):
#集中趨勢度量
print('均值')
print(np.mean(score))
print('中位數')
print(np.median(score))
print('眾數')
print(stats.mode(score))
#離散趨勢度量
print('極差')
print(np.ptp(score))
print('方差')
print(np.var(score))
print('標準差')
print(np.std(score))
print('變異系數')
print(np.mean(score)/np.std(score))
#偏度與峰度的度量
print('偏度')
print(stats.skewness(score))
print('峰度')
print(stats.Kurtosis(score))
步驟4：創建函數，做一個簡單的箱線圖/柱形圖
def drawGraghic(score)
plt.boxplot([score],labels['score']) #箱線圖
plt.title('箱線圖')
plt.show()
plt.hist(score,100)
plt.show()
步驟5：
步驟6：
案例完整代碼：
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
def createScore(arr):
score = [] #所有學員分數
row = arr.shape[0] #獲取多少組元素
for i in np.arange(0,row): #遍歷所有元素組
for j in np.arange(0,int(arr[i][1])):#從0開始填充次數，第i行第1列
score.append(arr[i][0]))
score = np.array(score)
return score
_________________________________
使用切片獲取分數
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) #查看分數，人數
print (score_Diff,num_Diff) #同上
All_score_Easy = np.repeat(list(score_Easy),list(num_Easy)) #所有分數
All_score_Diff = np.repeat(list(score_Diff),list(num_Diff)) #所有分數
________________________________
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):
#集中趨勢度量
print('均值')
print(np.mean(score))
print('中位數')
print(np.median(score))
print('眾數')
print(stats.mode(score))
#離散趨勢度量
print('極差')
print(np.ptp(score))
print('方差')
print(np.var(score))
print('標準差')
print(np.std(score))
print('變異系數')
print(np.mean(score)/np.std(score))
#偏度與峰度的度量
(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
#畫圖
def drawGraghic(score)
plt.boxplot([score],labels['score']) #箱線圖
plt.title('箱線圖')
plt.show()
plt.hist(score,100)
plt.show()
return
總結
以上所述是小編給大家介紹的Python科學計算庫—Scipy,希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持！
如果你覺得本文對你有幫助，歡迎轉載，煩請注明出處，謝謝！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
