3.2　SciPy

SciPy是基于NumPy的，提供了更多的科学计算功能，比如线性代数、优化、积分、插值、信号处理等。

1.文件读写

目前在国内Matlab仍然非常流行，Matlab使用的数据格式通常是.mat文件。对此，Scipy.io包提供了可以导入导出.mat文件的接口，这样，Python和Matlab的协同工作就变得非常容易了。示例代码如下所示：

---

In[2]: from scipy import io as spio
In[3]: import numpy as np
In[4]: a=np.arange(10)
In[5]: spio.savemat('a.mat',{'a':a})
In[8]: data = spio.loadmat('a.mat', struct_as_record=True)
In[10]: data['a']
Out[10]: array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

---

2.线性代数运算

在SciPy中，线性代数运算使用的是scipy.linalg。

scipy.linalg.det()可用于计算矩阵的行列式，示例代码如下：

---

In[17]: from scipy import linalg
In[18]: m=np.array([[1,2],[3,4]])
In[20]: linalg.det(m)
Out[20]: -2.0

---

3.优化和拟合

求解最大值最小值之类的问题即为优化问题，在SciPy中，scipy.optimization提供了最小值、曲线拟合等算法。示例代码如下：

---

import numpy as np
from scipy import optimize
import matplotlib.pyplot as plt

def f(x):
    return x**2+20*np.sin(x)

x=np.arange(-10,10,0.1)

plt.plot(x,f(x))

---

由图3-1中可以看到，对应的最小值的横坐标大约是-2。

我们可以用暴力穷举法来计算最小值，代码如下：

---

In[29]: grid=(-10,10,0.1)
In[30]: x_min=optimize.brute(f,(grid,))
In[31]: x_min
Out[31]: array([-1.42754883])

---

图　3-1

当然，当数据量较大的时候，穷举法速度会很慢。为了提高效率，scipy.optimize也提供了诸如模拟退火等优化算法，这里不再多讲。

4.统计和随机数

关于统计相关的工具和用法，请参考第5章，其中会有更为详细的讲解。