SciPy டுடோரியல்: பைதான் SciPy என்றால் என்ன, அதை எவ்வாறு பயன்படுத்துவது?

கணிதம் மிக முக்கியமான ஆனால் அதே நேரத்தில் சிக்கலான மற்றும் நேரத்தை எடுத்துக்கொள்ளும் ஏராளமான கருத்தாக்கங்களைக் கையாள்கிறது. எனினும், இந்த சிக்கலை எங்களுக்குத் தீர்க்கும் முழு அளவிலான SciPy நூலகத்தை வழங்குகிறது. இந்த SciPy டுடோரியலில், ஒரு சில செயல்பாடுகள் மற்றும் அவற்றின் எடுத்துக்காட்டுகளுடன் இந்த நூலகத்தை எவ்வாறு பயன்படுத்துவது என்பதை நீங்கள் கற்றுக் கொள்வீர்கள்.

நகரும் முன், இந்த கட்டுரையில் விவாதிக்கப்பட்ட அனைத்து தலைப்புகளையும் பாருங்கள்:

• SciPy என்றால் என்ன?
• NumPy vs SciPy
• SciPy இல் துணைப்பக்கங்கள்
• அடிப்படை செயல்பாடுகள்
• சிறப்பு செயல்பாடுகள்
• ஒருங்கிணைப்பு செயல்பாடுகள்
• உகப்பாக்கம் செயல்பாடுகள்
• ஃபோரியர் உருமாற்ற செயல்பாடுகள்
• சமிக்ஞை செயலாக்க செயல்பாடுகள்
• நேரியல் இயற்கணிதம்
• சிதறிய ஐஜென்வல்யூஸ்
• இடஞ்சார்ந்த தரவு கட்டமைப்புகள் மற்றும் வழிமுறைகள்
• பல பரிமாண பட செயலாக்க செயல்பாடுகள்
• கோப்பு IO

எனவே தொடங்குவோம். :)

SciPy என்றால் என்ன?

SciPy என்பது ஒரு திறந்த மூல பைதான் நூலகமாகும், இது அறிவியல் மற்றும் கணித சிக்கல்களை தீர்க்க பயன்படுகிறது. இது கட்டப்பட்டுள்ளது நீட்டிப்பு மற்றும் பரந்த அளவிலான உயர் மட்ட கட்டளைகளுடன் தரவை கையாளவும் காட்சிப்படுத்தவும் பயனரை அனுமதிக்கிறது. முன்னர் குறிப்பிட்டபடி, SciPy NumPy ஐ உருவாக்குகிறது, எனவே நீங்கள் SciPy ஐ இறக்குமதி செய்தால், NumPy ஐ இறக்குமதி செய்ய வேண்டிய அவசியமில்லை.

NumPy vs SciPy

NumPy மற்றும் SciPy இரண்டும் பயன்படுத்தப்பட்ட கணித மற்றும் எண் பகுப்பாய்விற்கு பயன்படுத்தப்படுகிறது. NumPy இல் வரிசை தரவு மற்றும் வரிசையாக்கம், அட்டவணைப்படுத்தல் போன்ற அடிப்படை செயல்பாடுகள் உள்ளன, அதேசமயம், SciPy அனைத்து எண் குறியீடுகளையும் கொண்டுள்ளது. NumPy பலவற்றை வழங்குகிறது என்றாலும் இது நேரியல் இயற்கணிதம், ஃபோரியர் உருமாற்றம் போன்றவற்றைத் தீர்க்க உதவும், SciPy என்பது இந்த செயல்பாடுகளின் முழு அம்சங்களுடன் கூடிய பதிப்புகளைக் கொண்ட நூலகமாகும். இருப்பினும், நீங்கள் பைத்தானைப் பயன்படுத்தி விஞ்ஞான பகுப்பாய்வு செய்கிறீர்கள் என்றால், SciPy NumPy இல் உருவாக்குவதால் நீங்கள் NumPy மற்றும் SciPy இரண்டையும் நிறுவ வேண்டும்.

SciPy இல் துணை தொகுப்புகள்:

SciPy பல்வேறு விஞ்ஞான கணக்கீடுகளுக்கான பல துணைப் பொதிகளைக் கொண்டுள்ளது, அவை பின்வரும் அட்டவணையில் காட்டப்பட்டுள்ளன:

இருப்பினும், ஒரு விரிவான விளக்கத்திற்கு, நீங்கள் பின்பற்றலாம் உத்தியோகபூர்வ ஆவணங்கள் .

வரிசை செயல்பாடு c ++

இந்த தொகுப்புகள் அவற்றைப் பயன்படுத்துவதற்கு முன்பு பிரத்தியேகமாக இறக்குமதி செய்ய வேண்டும். உதாரணத்திற்கு:

ஸ்கிப்பி இறக்குமதி கிளஸ்டரிலிருந்து

இந்த செயல்பாடுகள் ஒவ்வொன்றையும் விரிவாகப் பார்ப்பதற்கு முன், முதலில் NumPy மற்றும் SciPy இரண்டிலும் பொதுவான செயல்பாடுகளைப் பார்ப்போம்.

அடிப்படை செயல்பாடுகள்:

NumPy உடனான தொடர்பு:

SciPy NumPy இல் உருவாக்குகிறது, எனவே வரிசைகளை கையாள NumPy செயல்பாடுகளை நீங்கள் பயன்படுத்தலாம். இந்த செயல்பாடுகளைப் பற்றி ஆழமாக அறிய, நீங்கள் உதவி (), தகவல் () அல்லது மூல () செயல்பாடுகளைப் பயன்படுத்தலாம்.

உதவி():

எந்தவொரு செயல்பாட்டையும் பற்றிய தகவல்களைப் பெற, நீங்கள் அதைப் பயன்படுத்தலாம் உதவி() செயல்பாடு. இந்த செயல்பாட்டைப் பயன்படுத்த இரண்டு வழிகள் உள்ளன:

• எந்த அளவுருக்கள் இல்லாமல்
• அளவுருக்களைப் பயன்படுத்துதல்

மேலே உள்ள இரண்டு முறைகளையும் காட்டும் ஒரு எடுத்துக்காட்டு இங்கே:

ஸ்கிப்பி இறக்குமதி கிளஸ்டர் உதவி (கிளஸ்டர்) # அளவுரு உதவியுடன் () # அளவுரு இல்லாமல்

மேலே உள்ள குறியீட்டை நீங்கள் இயக்கும்போது, ​​முதல் உதவி () பற்றிய தகவலை வழங்குகிறது கொத்து துணை தொகுதி. இரண்டாவது உதவி () பயனர் தகவல்களைத் தேட விரும்பும் எந்த தொகுதி, முக்கிய சொல் போன்றவற்றின் பெயரை உள்ளிடுமாறு பயனரைக் கேட்கிறது. இந்த செயல்பாட்டை செயல்படுத்துவதை நிறுத்த, ‘வெளியேறு’ என தட்டச்சு செய்து Enter ஐ அழுத்தவும்.

தகவல் ():

இந்த செயல்பாடு விரும்பிய தகவல்களை வழங்குகிறது , தொகுதிகள் போன்றவை.

scipy.info (கொத்து)

மூல ():

மூல குறியீடு எழுதப்பட்ட பொருள்களுக்கு மட்டுமே திரும்பும் . சி போன்ற வேறு எந்த மொழியிலும் முறைகள் அல்லது பொருள்கள் எழுதப்பட்டிருந்தால் இந்த செயல்பாடு பயனுள்ள தகவல்களை வழங்காது. இருப்பினும் இந்த செயல்பாட்டை நீங்கள் பயன்படுத்த விரும்பினால், அதை நீங்கள் பின்வருமாறு செய்யலாம்:

scipy.source (கொத்து)

சிறப்பு செயல்பாடுகள்:

கணித இயற்பியலில் நீள்வட்டம் போன்ற பல சிறப்பு செயல்பாடுகளை SciPy வழங்குகிறது, வசதி செயல்பாடுகள், காமா, பீட்டா போன்றவை.அனைத்து செயல்பாடுகளையும் காண, முன்பு விவரிக்கப்பட்டபடி உதவி () செயல்பாட்டை நீங்கள் பயன்படுத்தலாம்.

அதிவேக மற்றும் முக்கோணவியல் செயல்பாடுகள்:

SciPy இன் சிறப்பு செயல்பாடு தொகுப்பு பல செயல்பாடுகளை வழங்குகிறது, இதன் மூலம் நீங்கள் எக்ஸ்போனென்ட்களைக் கண்டுபிடித்து முக்கோணவியல் சிக்கல்களை தீர்க்க முடியும்.

பின்வரும் எடுத்துக்காட்டைக் கவனியுங்கள்:

உதாரணமாக:

ஸ்கிப்பி இறக்குமதி சிறப்பு a = special.exp10 (3) அச்சு (அ) பி = சிறப்பு. எக்ஸ்பி 2 (3) அச்சு (பி) சி = ஸ்பெஷல்.சிண்ட் (90) அச்சு (சி) டி = ஸ்பெஷல்.கோஸ்ஜி (45) அச்சு ( d)

வெளியீடு:

1000.0
8.0
1.0
0.7071067811865475

SciPy இன் சிறப்பு செயல்பாடுகள் தொகுப்பில் இன்னும் பல செயல்பாடுகள் உள்ளன, அவை நீங்களே முயற்சி செய்யலாம்.

ஒருங்கிணைப்பு செயல்பாடுகள்:

ஒருங்கிணைப்புகளைத் தீர்க்க SciPy பல செயல்பாடுகளை வழங்குகிறது. சாதாரண வேறுபாடு ஒருங்கிணைப்பாளரிடமிருந்து ஒருங்கிணைப்புகளைக் கணக்கிடுவதற்கு ட்ரெப்சாய்டல் விதிகளைப் பயன்படுத்துவது வரை, SciPy என்பது அனைத்து வகையான ஒருங்கிணைந்த சிக்கல்களையும் தீர்க்க செயல்பாடுகளின் களஞ்சியமாகும்.

பொது ஒருங்கிணைப்பு:

SiPy என்ற பெயரில் ஒரு செயல்பாட்டை வழங்குகிறது குவாட் ஒரு மாறியைக் கொண்ட ஒரு செயல்பாட்டின் ஒருங்கிணைப்பைக் கணக்கிட. வரம்புகள் இருக்கலாம் ± & முடிவிலி(± inf) எல்லையற்ற வரம்புகளைக் குறிக்க. குவாட் () செயல்பாட்டின் தொடரியல் பின்வருமாறு:

SYNTAX:

quad (func, a, b, args = (), full_output = 0, epsabs = 1.49e-08, epsrel = 1.49e-08, limit = 50, points = none, weight = none, wvar = none, wopts = none , maxp1 = 50, limlst = 50)

இங்கே, செயல்பாடு a மற்றும் b வரம்புகளுக்கு இடையில் ஒருங்கிணைக்கப்படும் (எல்லையற்றதாகவும் இருக்கலாம்).

உதாரணமாக:

ஸ்கிப்பி இறக்குமதியிலிருந்து சிறப்பு ஸ்கிப்பி இறக்குமதியிலிருந்து a = lambda x: special.exp10 (x) b = scipy.integrate.quad (a, 0, 1) அச்சு (b)

மேலே உள்ள எடுத்துக்காட்டில், ‘a’ செயல்பாடு 0, 1 வரம்புகளுக்கு இடையில் மதிப்பிடப்படுகிறது. இந்த குறியீடு செயல்படுத்தப்படும் போது, ​​பின்வரும் வெளியீட்டைக் காண்பீர்கள்.

வெளியீடு:

(3.9086503371292665, 4.3394735994897923e-14)

இரட்டை ஒருங்கிணைந்த செயல்பாடு:

SciPy வழங்குகிறது dblquad இரட்டை ஒருங்கிணைப்புகளைக் கணக்கிட இது பயன்படுத்தப்படலாம். இரட்டை ஒருங்கிணைப்பு, நம்மில் பலருக்குத் தெரியும், இரண்டு உண்மையான மாறிகள் உள்ளன. Dblquad () செயல்பாடு அதன் அளவுருவாக ஒருங்கிணைக்க 4 மற்ற மாறிகள் மற்றும் வரம்புகள் மற்றும் செயல்பாடுகளை வரையறுக்கும் dy மற்றும் dx.

உதாரணமாக:

ஸ்கிப்பி இறக்குமதியிலிருந்து a = lambda y, x: x * y ** 2 b = lambda x: 1 c = lambda x: -1 integrate.dblquad (a, 0, 2, b, c)

வெளியீடு:

-1.3333333333333335, 1.4802973661668755e-14)

நீங்கள் மேலும் விரிவாக ஆராயக்கூடிய மூன்று ஒருங்கிணைப்புகள், என் ஒருங்கிணைப்புகள், ரோம்பெர்க் ஒருங்கிணைப்புகள் போன்றவற்றை மதிப்பீடு செய்ய SciPy பல்வேறு செயல்பாடுகளை வழங்குகிறது. தேவையான செயல்பாடுகளைப் பற்றிய அனைத்து விவரங்களையும் கண்டுபிடிக்க, உதவி செயல்பாட்டைப் பயன்படுத்தவும்.

உகப்பாக்கம் செயல்பாடுகள்:

Scipy.optimize பொதுவாக பயன்படுத்தப்படும் பல தேர்வுமுறை வழிமுறைகளை வழங்குகிறது, அவை உதவி செயல்பாட்டைப் பயன்படுத்தி காணலாம்.

இது அடிப்படையில் பின்வருவனவற்றைக் கொண்டுள்ளது:

• பன்முக அளவிடுதல் செயல்பாடுகளின் கட்டுப்படுத்தப்படாத மற்றும் கட்டுப்படுத்தப்பட்ட குறைத்தல் அதாவது குறைத்தல் (எ.கா. பி.எஃப்.ஜி.எஸ், நியூட்டன் கன்ஜுகேட் கிரேடியண்ட், நெல்டர்_மீட் சிம்ப்ளக்ஸ் போன்றவை)
• உலகளாவிய தேர்வுமுறை நடைமுறைகள் (எ.கா. வேறுபாடு_ பரிணாமம், இரட்டை_ஆனீலிங் போன்றவை)
• குறைந்த சதுரங்கள் குறைத்தல் மற்றும் வளைவு பொருத்துதல் (எ.கா. குறைந்தது_ சதுரங்கள், வளைவு_பதி போன்றவை)
• அளவிடுதல் ஒற்றுமையற்ற செயல்பாடுகள் மினிமைசர்கள் மற்றும் ரூட் கண்டுபிடிப்பாளர்கள் (எ.கா. மினிமிஸ்_ஸ்கலார் மற்றும் ரூட்_ஸ்கலார்)
• ஹைப்ரிட் பவல், லெவன்பெர்க்-மார்குவார்ட் போன்ற வழிமுறைகளைப் பயன்படுத்தி பன்முக சமன்பாடு அமைப்பு தீர்வுகள்.

ரோசன்ப்ரூக் செயல்பாடு:

ரோசன்ப்ரூக் செயல்பாடு ( ரோஸன் ) என்பது சாய்வு அடிப்படையிலான தேர்வுமுறை வழிமுறைகளுக்கு பயன்படுத்தப்படும் சோதனை சிக்கலாகும். இது SciPy இல் பின்வருமாறு வரையறுக்கப்படுகிறது:

உதாரணமாக:

scipy.optimize இலிருந்து ரொசென் a = 1.2 * np.arange (5) ரோஸன் (அ)

வெளியீடு: 7371.0399999999945

நெல்டர்-மீட்:

திநெல்டர்-மேட் முறை என்பது பல பரிமாண இடைவெளியில் ஒரு செயல்பாட்டின் நிமிடம் / அதிகபட்சத்தைக் கண்டறிய பெரும்பாலும் பயன்படுத்தப்படும் ஒரு எண் முறை. பின்வரும் எடுத்துக்காட்டில், நெல்டர்-மீட் வழிமுறையுடன் மினிமைஸ் முறை பயன்படுத்தப்படுகிறது.

உதாரணமாக:

ஸ்கிப்பி இறக்குமதியிலிருந்து ஒரு = [2.4, 1.7, 3.1, 2.9, 0.2] b = optimize.minimize (optimize.rosen, a, method = 'Nelder-Mead') b.x

வெளியீடு: வரிசை ([0.96570182, 0.93255069, 0.86939478, 0.75497872, 0.56793357])

இடைக்கணிப்பு செயல்பாடுகள்:

எண் பகுப்பாய்வு துறையில், இடைக்கணிப்பு என்பது அறியப்பட்ட தரவு புள்ளிகளின் தொகுப்பிற்குள் புதிய தரவு புள்ளிகளை உருவாக்குவதைக் குறிக்கிறது. SciPy நூலகம் scipy.interpolate என்ற துணைக் தொகுப்பைக் கொண்டுள்ளதுஸ்பைலைன் செயல்பாடுகள் மற்றும் வகுப்புகள், ஒரு பரிமாண மற்றும் பல பரிமாண (univariate மற்றும் multivariate) இடைக்கணிப்பு வகுப்புகள் போன்றவை.

Univariate Interpolation:

Univariate interpolation என்பது அடிப்படையில் வளைவு-பொருத்துதலின் ஒரு பகுதிதொடர்ச்சியான இரு பரிமாண தரவு புள்ளிகளுக்கு சரியான பொருத்தத்தை வழங்கும் வளைவைக் காண்கிறது. SciPy வழங்குகிறது inter1d ஒரே மாதிரியான இடைக்கணிப்பை உருவாக்க பயன்படுத்தக்கூடிய செயல்பாடு.

உதாரணமாக:

scipy இறக்குமதி இன்டர்போலேட் x = np.arange (5, 20) y = np.exp (x / 3.0) f = interpolate.interp1d (x, y) x1 = np.arange (6, 12) y1 = f (x1) # `inter1d` plt.plot (x, y, 'o', x1, y1, '-') plt.show ()

வெளியீடு:

பன்முக இடைக்கணிப்பு:

பன்முக இடைக்கணிப்பு(இடஞ்சார்ந்தஇடைக்கணிப்பு) ஒரு வகைஇடைக்கணிப்புஒன்றுக்கு மேற்பட்ட மாறிகள் கொண்ட செயல்பாடுகளில். பின்வரும் எடுத்துக்காட்டு ஒரு உதாரணத்தை நிரூபிக்கிறது inter2d செயல்பாடு.
Inter2d (x, y, z) செயல்பாட்டைப் பயன்படுத்தி 2-D கட்டத்தின் மீது இடைக்கணிப்பது அடிப்படையில் சில செயல்பாடுகளை தோராயமாக x, y, z வரிசைகளைப் பயன்படுத்தும் f: “z = f (x, y)“ மற்றும் அழைப்பு முறை பயன்படுத்தும் ஒரு செயல்பாட்டை வழங்குகிறது spline interpolation புதிய புள்ளிகளின் மதிப்பைக் கண்டுபிடிக்க.
உதாரணமாக:

scipy import interpolate இறக்குமதி matplotlib.pyplot இலிருந்து plt x = np.arange (0,10) y = np.arange (10,25) x1, y1 = np.meshgrid (x, y) z = np.tan (xx + yy) f = interpolate.interp2d (x, y, z, kind = 'cubic') x2 = np.arange (2,8) y2 = np.arange (15,20) z2 = f (xnew, ynew) plt. சதி (x, z [0 ,:], 'ro-', x2, z2 [0,:], '-') plt.show ()

வெளியீடு:

ஃபோரியர் உருமாற்ற செயல்பாடுகள்:

ஃபோரியர் பகுப்பாய்வு என்பது ஒரு செயல்பாட்டை குறிப்பிட்ட கால இடைவெளிகளின் தொகையாக வெளிப்படுத்துவதோடு அந்த கூறுகளிலிருந்து சமிக்ஞையை மீட்டெடுப்பதையும் கையாளும் ஒரு முறையாகும். தி அடி செயல்பாடுகளை திரும்பப் பெற பயன்படுத்தலாம்ஒரு உண்மையான அல்லது சிக்கலான வரிசையின் தனித்துவமான ஃபோரியர் மாற்றம்.

உதாரணமாக:

scipy.fftpack இறக்குமதி fft இலிருந்து, ifft x = np.array ([0,1,2,3]) y = fft (x) print (y)

வெளியீடு: [6. + 0.j -2. + 2.j -2. + 0.j -2.-2.j]

இதேபோல், நீங்கள் இதன் தலைகீழ் கண்டுபிடிக்க முடியும் ifft பின்வருமாறு செயல்படுகிறது:

உதாரணமாக:

rom scipy.fftpack இறக்குமதி fft, ifft x = np.array ([0,1,2,3]) y = ifft (x) print (y)

வெளியீடு: [1.5 + 0.j -0.5-0.5j -0.5 + 0.j -0.5 + 0.5j]

சமிக்ஞை செயலாக்க செயல்பாடுகள்:

சமிக்ஞை செயலாக்கம் கையாள்கிறதுஒலி, படங்கள் போன்ற சமிக்ஞைகளை பகுப்பாய்வு செய்தல், மாற்றியமைத்தல் மற்றும் ஒருங்கிணைத்தல் போன்றவை SciPy சில பரிமாணங்களை வழங்குகிறது, இதைப் பயன்படுத்தி நீங்கள் ஒரு பரிமாண மற்றும் இரு பரிமாண தரவை வடிவமைக்கவும், வடிகட்டவும் மற்றும் இடைக்கணிக்கவும் முடியும்.

ஆபரேட்டரின் சக்திக்கு ஜாவா

வடிகட்டுதல்:

ஒரு சமிக்ஞையை வடிகட்டுவதன் மூலம், அதிலிருந்து தேவையற்ற கூறுகளை நீக்குகிறீர்கள். ஆர்டர் செய்யப்பட்ட வடிகட்டலைச் செய்ய, நீங்கள் பயன்படுத்தலாம் ஆர்டர்_பில்டர் செயல்பாடு. இந்த செயல்பாடு அடிப்படையில் ஒரு வரிசையில் ஆர்டர் செய்யப்பட்ட வடிகட்டலை செய்கிறது. இந்த செயல்பாட்டின் தொடரியல் பின்வருமாறு:

SYNTAX:
order_filter (a, டொமைன், ரேங்க்)

a = N- பரிமாண உள்ளீட்டு வரிசை

டொமைன் = முகமூடி வரிசை `a` க்கு சமமான பரிமாணங்களைக் கொண்டது

தரவரிசை = வரிசைப்படுத்தப்பட்ட பின் பட்டியலிலிருந்து உறுப்புகளைத் தேர்ந்தெடுக்கும் எதிர்மறை அல்லாத எண் (0 என்பது 1 ஐத் தொடர்ந்து மிகச் சிறியது…)

உதாரணமாக:

ஸ்கிப்பி இறக்குமதி சமிக்ஞையிலிருந்து x = np.arange (35) .அறிவு (7, 5) டொமைன் = np.identity (3) அச்சு (x, end = 'nn') அச்சு (signal.order_filter (x, domain, 1))

வெளியீடு:

[[0 1 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]
[25 26 27 28 29]
[30 31 32 33 34]]

[[0. 1. 2. 3. 0.]
[5. 6. 7. 8. 3.]
[10. 11. 12. 13. 8.]
[பதினைந்து. 16. 17. 18. 13.]
[இருபது. 21. 22. 23. 18.]
[25. 26. 27. 28. 23.]
[0. 25. 26. 27. 28.]]

அலைவடிவங்கள்:

Scipy.signal subpackage அலைவடிவங்களை உருவாக்கப் பயன்படும் பல்வேறு செயல்பாடுகளையும் கொண்டுள்ளது. அத்தகைய ஒரு செயல்பாடு சிரிப் . இந்த செயல்பாடு ஒரு எஃப்தேவை-சுத்தப்படுத்தப்பட்ட கொசைன் ஜெனரேட்டர் மற்றும் தொடரியல் பின்வருமாறு:

SYNTAX:
chirp (t, f0, t1, f1, method = ’line’, phi = 0, vertex_zero = உண்மை)

எங்கே,

உதாரணமாக:

scipy.signal import chirp இலிருந்து, ஸ்பெக்ட்ரோகிராம் இறக்குமதி matplotlib.pyplot என plt t = np.linspace (6, 10, 500) w = chirp (t, f0 = 4, f1 = 2, t1 = 5, முறை = 'நேரியல்') plt.plot (t, w) plt.title ('லீனியர் சிர்ப்') plt.xlabel ('நொடியில் நேரம்)') plt.show ()

வெளியீடு:

நேரியல் இயற்கணிதம்:

நேரியல் இயற்கணிதம் திசையன் இடைவெளிகள் மற்றும் மெட்ரிக்ஸைப் பயன்படுத்தி நேரியல் சமன்பாடுகள் மற்றும் அவற்றின் பிரதிநிதித்துவங்களைக் கையாள்கிறது. SciPy கட்டப்பட்டுள்ளதுஅட்லஸ் லேபாக் மற்றும் பிளாஸ் நூலகங்கள் மற்றும் உள்ளனநேரியல் இயற்கணிதம் தொடர்பான சிக்கல்களைத் தீர்ப்பதில் மிக வேகமாக. Numpy.linalg இலிருந்து அனைத்து செயல்பாடுகளுக்கும் கூடுதலாக, scipy.linalg மேலும் பல மேம்பட்ட செயல்பாடுகளை வழங்குகிறது. மேலும், numpy.linalg உடன் பயன்படுத்தப்படாவிட்டால்ATLAS LAPACK மற்றும் BLAS ஆதரவு, scipy.linalg numpy.linalg ஐ விட வேகமாக உள்ளது.

ஒரு மேட்ரிக்ஸின் தலைகீழ் கண்டறிதல்:

கணித ரீதியாக, ஒரு அணி A இன் தலைகீழ்அணிபிஅதை போலஏபி = நான்எங்கேநான்அடையாள மேட்ரிக்ஸ் என்பது முக்கிய மூலைவிட்டத்தில் உள்ளதைக் குறிக்கிறதுபி = அ^-ஒன். SciPy இல், இந்த தலைகீழ் பயன்படுத்தி linalg.inv முறை.

உதாரணமாக:

ஸ்கிப்பி இறக்குமதி linalg A = np.array ([[1,2], [4,3]]) B = linalg.inv (A) அச்சு (B)

வெளியீடு:

[[-0.6 0.4]
[0.8 -0.2]]

தீர்மானிப்பவர்களைக் கண்டறிதல்:

மேட்ரிக்ஸின் குணகங்களிலிருந்து எண்கணித ரீதியாக பெறப்பட்ட மதிப்பு ஒரு சதுர மேட்ரிக்ஸின் தீர்மானிப்பான் என அழைக்கப்படுகிறது. SciPy இல், ஒரு செயல்பாட்டைப் பயன்படுத்தி இதைச் செய்யலாம் தி இது பின்வரும் தொடரியல் கொண்டுள்ளது:

SYNTAX:
det (a, overrite_a = False, check_finite = true)
எங்கே,

a: (M, M) ஒரு சதுர அணி

மேலெழுதும்_ (பூல், விரும்பினால்): தரவை மேலெழுத அனுமதிக்கவும் a

check_finite (bool, விரும்பினால்): உள்ளீட்டு அணி வரையறுக்கப்பட்ட எண்களை மட்டுமே கொண்டிருக்கிறதா என்று சோதிக்க

உதாரணமாக:

ஸ்கிப்பி இறக்குமதி linalg A = np.array ([[1,2], [4,3]]) B = linalg.det (A) அச்சு (B)

வெளியீடு: -5.0

சிதறிய ஐஜென்வெல்யூஸ்:

ஈஜென்வெல்யூஸ் என்பது நேரியல் சமன்பாடுகளுடன் இணைக்கப்பட்ட ஒரு குறிப்பிட்ட அளவிலான அளவீடுகளாகும். ARPACK உங்களை மிக விரைவாக ஈஜென்வெல்யூக்களை (ஈஜென்வெக்டர்களை) கண்டுபிடிக்க அனுமதிக்கிறது. ARPACK இன் முழுமையான செயல்பாடு அதற்குள் நிரம்பியுள்ளதுscipy.sparse.linalg.eigs மற்றும் scipy.sparse.linalg.eigsh ஆகிய இரண்டு உயர் நிலை இடைமுகங்கள். eigs. ஈக்ஸ் இடைமுகம் உண்மையான அல்லது சிக்கலான சமச்சீரற்ற சதுர மெட்ரிக்ஸின் சமமான மதிப்புகளைக் கண்டறிய உங்களை அனுமதிக்கிறது, அதேசமயம் ஈக்ஷ் இடைமுகம் உண்மையான-சமச்சீர் அல்லது சிக்கலான-ஹெர்மிடியன் மெட்ரிக்குகளுக்கான இடைமுகங்களைக் கொண்டுள்ளது.

தி எட்டு செயல்பாடு ஒரு சிக்கலான ஹெர்மிடியன் அல்லது உண்மையான சமச்சீர் மேட்ரிக்ஸிற்கான பொதுவான ஈஜென்வெல்யூ சிக்கலை தீர்க்கிறது.

உதாரணமாக:

scipy.linalg இலிருந்து இறக்குமதி எட்டு இறக்குமதி எண் np A = np.array ([[1, 2, 3, 4], [4, 3, 2, 1], [1, 4, 6, 3], [2, 3, 2, 5]]) a, b = எட்டு (A) அச்சு ('தேர்ந்தெடுக்கப்பட்ட eigenvalues:', a) print ('Complex ndarray:', b)

வெளியீடு:

தேர்ந்தெடுக்கப்பட்ட eigenvalues: [-2.53382695 1.66735639 3.69488657 12.17158399]
சிக்கலான ndarray: [[0.69205614 0.5829305 0.25682823 -0.33954321]
[-0.68277875 0.46838936 0.03700454 -0.5595134]
[0.23275694 -0.29164622 -0.72710245 -0.57627139]
[0.02637572 -0.59644441 0.63560361 -0.48945525]]

இடஞ்சார்ந்த தரவு கட்டமைப்புகள் மற்றும் வழிமுறைகள்:

இடஞ்சார்ந்த தரவு அடிப்படையில் கோடுகள், புள்ளிகள், மேற்பரப்புகள் போன்றவற்றால் ஆன பொருள்களைக் கொண்டுள்ளது. SciPy இன் scipy.spatial தொகுப்பு கணக்கிட முடியும்குல் நூலகத்தைப் பயன்படுத்தி வோரோனோய் வரைபடங்கள், முக்கோணங்கள் போன்றவை. இது அருகிலுள்ள-அண்டை புள்ளி வினவல்களுக்கான KDTree செயலாக்கங்களையும் கொண்டுள்ளது.

Delaunay முக்கோணங்கள்:

கணித ரீதியாக, ஒரு விமானத்தில் தனித்துவமான புள்ளிகளின் தொகுப்பிற்கான டெலவுனே முக்கோணங்கள் ஒரு முக்கோணமாகும், இது கொடுக்கப்பட்ட புள்ளிகளின் தொகுப்பில் எந்த புள்ளியும் இல்லைஎந்த முக்கோணத்தின் சுற்றளவுக்குள்ளும்.

உதாரணமாக:

scipy.spatial import இலிருந்து plt ஆக matplotlib.pyplot ஐ இறக்குமதி செய்க Delaunay points = np.array ([[0, 1], [1, 1], [1, 0], [0, 0]]) a = Delaunay (புள்ளிகள்) #Delaunay பொருள் அச்சு (அ) அச்சு (a.simplices) plt.triplot (புள்ளிகள் [:, 0], புள்ளிகள் [:, 1], a.simplices) plt.plot (புள்ளிகள் [:, 1], புள்ளிகள் [:, 0], 'o') plt.show ()

வெளியீடு:

பல பரிமாண பட செயலாக்க செயல்பாடுகள்:

பட செயலாக்கம் அடிப்படையில் தகவல்களை மீட்டெடுக்க அல்லது அசல் படத்திலிருந்து மேம்பட்ட படத்தைப் பெற ஒரு படத்தில் செயல்பாடுகளைச் செய்வதைக் குறிக்கிறது. Scipy.ndimage தொகுப்பு பலவற்றைக் கொண்டுள்ளதுபட செயலாக்கம் மற்றும் பகுப்பாய்வு செயல்பாடுகள் தன்னிச்சையான பரிமாணத்தின் வரிசைகளுடன் வேலை செய்ய வடிவமைக்கப்பட்டுள்ளன.

இணக்கம் மற்றும் தொடர்பு:

SciPy படங்களின் தொடர்பு மற்றும் மாற்றத்தை அனுமதிக்கும் பல செயல்பாடுகளை வழங்குகிறது.

• செயல்பாடு corlate1d கொடுக்கப்பட்ட அச்சில் ஒரு பரிமாண தொடர்பைக் கணக்கிட பயன்படுத்தலாம்
• செயல்பாடு தொடர்பு குறிப்பிட்ட கர்னலுடன் எந்தவொரு வரிசையின் பல பரிமாண தொடர்புகளையும் அனுமதிக்கிறது
• செயல்பாடு convolve1d கொடுக்கப்பட்ட அச்சில் ஒரு பரிமாண மாற்றத்தை கணக்கிட பயன்படுத்தலாம்
• செயல்பாடு உறுதியளிக்கவும் குறிப்பிட்ட கர்னலுடன் எந்த வரிசையின் பல பரிமாண மாற்றத்தை அனுமதிக்கிறது

உதாரணமாக:

scipy.ndimage இறக்குமதி corlate1d corlate1d ([3,5,1,7,2,6,9,4], எடைகள் = [1,2])

வெளியீடு: வரிசை ([9, 13, 7, 15, 11, 14, 24, 17])

IO கோப்பு:

மேட்லாப் கோப்புகள், ஐடிஎல் கோப்புகள், மேட்ரிக்ஸ் சந்தை கோப்புகள் போன்ற பல்வேறு வடிவங்களின் கோப்புகளை நிர்வகிக்க உதவும் பல செயல்பாடுகளை scipy.io தொகுப்பு வழங்குகிறது.

இந்த தொகுப்பைப் பயன்படுத்த, நீங்கள் பின்வருமாறு இறக்குமதி செய்ய வேண்டும்:

scipy.io ஐ sio ஆக இறக்குமதி செய்க

துணைத் தொகுப்பு பற்றிய முழுமையான தகவலுக்கு, நீங்கள் அதிகாரப்பூர்வ ஆவணத்தைப் பார்க்கலாம் கோப்பு IO .

இந்த SciPy டுடோரியலின் முடிவுக்கு இது நம்மை அழைத்துச் செல்கிறது. நீங்கள் எல்லாவற்றையும் தெளிவாக புரிந்து கொண்டீர்கள் என்று நம்புகிறேன். முடிந்தவரை பயிற்சி செய்வதை உறுதிப்படுத்திக் கொள்ளுங்கள் .

எங்களுக்கு ஒரு கேள்வி கிடைத்ததா? இந்த “SciPy Tutorial” வலைப்பதிவின் கருத்துகள் பிரிவில் இதைக் குறிப்பிடவும், விரைவில் நாங்கள் உங்களைத் தொடர்புகொள்வோம்.

பைத்தானின் பல்வேறு பயன்பாடுகளுடன் ஆழ்ந்த அறிவைப் பெற, நீங்கள் நேரலைக்கு பதிவு செய்யலாம் 24/7 ஆதரவு மற்றும் வாழ்நாள் அணுகலுடன்.