Manufaktur industri
Industri Internet of Things | bahan industri | Pemeliharaan dan Perbaikan Peralatan | Pemrograman industri |
home  MfgRobots >> Manufaktur industri >  >> Industrial programming >> Python

SciPy dalam Python: Tutorial Komprehensif tentang Pustaka & Fungsi

SciPy dalam Python

SciPy adalah pustaka open-source yang memperluas NumPy untuk menyediakan alat untuk menyelesaikan masalah matematika, ilmiah, teknik, dan teknis. Dibangun di atas NumPy, SciPy menawarkan serangkaian perintah tingkat tinggi yang luas untuk manipulasi dan visualisasi data.

Sub-paket

Tutorial ini mencakup:

Menggunakan SciPy?

NumPy vs. SciPy

NumPy

SciPy

Instalasi & Pengaturan Lingkungan

Instal SciPy dengan pip atau pengelola paket sistem:

Python3 -m pip install --user numpy scipy 
sudo apt-get install python-scipy python-numpy 
sudo port install py35-scipy py35-numpy 

Impor SciPy dan NumPy dalam skrip Anda:

from scipy import special import numpy as np 

File I/O dengan scipy.io

Simpan dan muat file MATLAB .mat dengan mudah:

import numpy as np from scipy import io as sio array = np.ones((4, 4)) sio.savemat('example.mat', {'ar': array}) loaded = sio.loadmat('example.mat', struct_as_record=True) print(loaded['ar']) 

Output:

array([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]) 

Fungsi Khusus – scipy.special

Contoh fungsi khusus yang umum digunakan:

Aljabar Linear – scipy.linalg

Hitung determinan, invers, nilai eigen, dan vektor eigen:

from scipy import linalg import numpy as np A = np.array([[4,5],[3,2]]) print(linalg.det(A)) # -7.0 print(linalg.inv(A)) # matriks invers vals, vecs = linalg.eig(A) print(vals) print(vecs) 

Output:

-7.0 array([[-0.28571429, 0.71428571], [ 0.42857143, -0.57142857]]) [ 9.+0.j -1.+0.j] [[ 0.70710678 -0.5547002 ] [ 0.70710678 0.83205029]] 

Transformasi Fourier Diskrit – scipy.fftpack

Transformasikan sinusoid dan visualisasikan spektrumnya:

%matplotlib inline from matplotlib import pyplot as plt import numpy as np from scipy import fftpack freq = 5 sample_rate = 50 t = np.linspace(0, 2, 2 * sample_rate, endpoint=False) wave = np.sin(freq * 2 * np.pi * t) plt.plot(t, wave) plt.xlabel('Waktu (s)'); plt.ylabel('Amplituda') plt.show() A = fftpack.fft(wave) frequency = fftpack.fftfreq(len(wave)) * sample_rate plt.stem(frequency, np.abs(A)) plt.xlabel('Frekuensi (Hz)') plt.ylabel('Magnitudo') plt.xlim(-sample_rate/2, sample_rate/2) plt.ylim(0, 110) plt.show() 

Optimasi – scipy.optimize

Cari minimum dari fungsi skalar menggunakan BFGS dan pencarian global dengan basin-hopping:

%matplotlib inline import numpy as np import matplotlib.pyplot as plt from scipy import optimize def func(a): return a*2 + 20*np.sin(a) plt.plot(np.linspace(-10, 10, 400), func(np.linspace(-10, 10, 400))) plt.show() min_bfgs = optimize.fmin_bfgs(func, 0) print('Hasil BFGS:', min_bfgs) min_basin = optimize.basinhopping(func, 0) print('Hasil basin-hopping:', min_basin.x) 

Output menunjukkan minimum lokal yang ditemukan oleh BFGS dan optimum global yang dikonfirmasi oleh basin-hopping.

Algoritma Nelder-Mead

Minimisasi sederhana tanpa kendala tanpa informasi gradien:

from scipy.optimize import minimize def f(x): return 0.4*(1 - x[0])**2 res = minimize(f, [2, -1], method='Nelder-Mead') print('Hasil:', res.x, 'Nilai fungsi:', res.fun) 

Pemrosesan Gambar – scipy.ndimage

Manipulasi gambar: tampilkan, balikkan, putar, dan terapkan filter.

from scipy import ndimage, misc from matplotlib import pyplot as plt panda = misc.face() plt.imshow(panda) plt.title('Asli') plt.show() flip_down = np.flipud(panda) plt.imshow(flip_down) plt.title('Balikkan ke Bawah') plt.show() rotated = ndimage.rotate(panda, 135) plt.imshow(rotated) plt.title('Diputar 135°') plt.show() 

Integrasi Numerik – scipy.integrate

Integral tunggal dan ganda dengan estimasi kesalahan otomatis:

from scipy import integrate # Integral tunggal dari x^2 dari 0 hingga 1 single = integrate.quad(lambda x: x**2, 0, 1) print('Integral tunggal:', single) # Integral ganda dari 64*x*y atas domain segitiga double = integrate.dblquad(lambda x, y: 64*x*y, 0, 2/4, lambda x: 0, lambda y: (1 - 2*y**2)**0.5) print('Integral ganda:', double) 

Keduanya mengembalikan tuple: (nilai, kesalahan yang diestimasi).

Ringkasan

SciPy memperluas NumPy untuk menyediakan tumpukan komputasi ilmiah lengkap, termasuk aljabar linear, optimasi, statistik, pemrosesan sinyal, dan manipulasi gambar. Sub-paket yang luas dan dukungan komunitas yang kuat membuatnya tak tergantikan bagi peneliti dan insinyur.

Nama Paket Deskripsi
scipy.io Input/output file untuk MATLAB, CSV, NetCDF, dll.
scipy.special Fungsi matematika khusus (Bessel, Gamma, dll.)
scipy.linalg Rutinitas aljabar linear lanjutan
scipy.interpolate Metode interpolasi
scipy.optimize Alat optimasi dan pemasangan kurva
scipy.stats Distribusi statistik & pembangkit bilangan acak
scipy.integrate Integrasi numerik (quad, dblquad, dll.)
scipy.fftpack Transformasi Fourier cepat
scipy.signal Utilitas pemrosesan sinyal
scipy.ndimage Pemrosesan gambar multidimensi

Python

  1. Fungsi print() Python: Panduan Praktis dengan Contoh
  2. Menguasai str.count() Python: Cara Menghitung Karakter & Substring dengan Contoh
  3. Menguasai String `format()` Python dengan Contoh Jelas
  4. Menguasai Fungsi Lambda Python: Contoh Praktis & Praktik Terbaik
  5. Fungsi abs() Python: Menghitung Nilai Absolut untuk Angka & Bilangan Kompleks
  6. Fungsi round() Python Dijelaskan dengan Contoh Praktis
  7. Menguasai Fungsi map() Python: Sintaks, Contoh, dan Praktik Terbaik
  8. Python timeit() – Mengukur Waktu Eksekusi dengan Contoh Praktis
  9. Menguasai Yield Python: Generator vs Return – Panduan Praktis
  10. Memahami type() dan isinstance() dalam Python: Contoh Praktis