{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "---\n", "> 作者: Adrien Chauve, Andre Espaze, Emmanuelle Gouillart, Gaël Varoquaux, Ralf Gommers\n", "\n", "> 原文: http://www.scipy-lectures.org/intro/scipy.html\n", "\n", "---\n", "\n", "**Scipy**\n", "\n", "`scipy`包含许多专注于科学计算中的常见问题的工具箱。它的子模块对应于不同的应用,比如插值、积分、优化、图像处理、统计和特殊功能等。\n", "\n", "`scipy`可以与其他标准科学计算包相对比,比如GSL (C和C++的GNU科学计算包), 或者Matlab的工具箱。`scipy`是Python中科学程序的核心程序包;这意味着有效的操作`numpy`数组,因此,numpy和scipy可以一起工作。\n", "\n", "在实现一个程序前,有必要确认一下需要的数据处理方式是否已经在scipy中实现了。作为非专业程序员,科学家通常倾向于**重新发明轮子**,这产生了小玩具、不优化、很难分享以及不可以维护的代码。相反,scipy的程序是优化并且测试过的,因此应该尽可能使用。\n", "\n", "\n", "**警告** 这个教程根本不是数值计算的介绍。因为列举scipy的不同子模块和功能将会是非常枯燥的,相反我们将聚焦于列出一些例子,给出如何用scipy进行科学计算的大概思路。\n", "\n", "scipy是由针对特定任务的子模块组成的:\n", "\n", "
scipy.cluster | \n", "向量计算 / Kmeans | \n", "
scipy.constants | \n", "物理和数学常量 | \n", "
scipy.fftpack | \n", "傅里叶变换 | \n", "
scipy.integrate | \n", "积分程序 | \n", "
scipy.interpolate | \n", "插值 | \n", "
scipy.io | \n", "数据输入和输出 | \n", "
scipy.linalg | \n", "线性代数程序 | \n", "
scipy.ndimage | \n", "n-维图像包 | \n", "
scipy.odr | \n", "正交距离回归 | \n", "
scipy.optimize | \n", "优化 | \n", "
scipy.signal | \n", "信号处理 | \n", "
scipy.sparse | \n", "稀疏矩阵 | \n", "
scipy.spatial | \n", "空间数据结构和算法 | \n", "
scipy.special | \n", "一些特殊数学函数 | \n", "
scipy.stats | \n", "统计 | \n", "