Linær algebra beskæftiger sig med lineære ligninger og deres repræsentationer ved hjælp af vektorrum og matricer. SciPy er bygget på ATLAS LAPACK- og BLAS-bibliotekerne og er ekstremt hurtig til at løse problemer i forbindelse med lineær algebra. Ud over alle funktionerne fra numpy.linalg indeholder scipy.linalg også en række andre avancerede funktioner. Hvis numpy.linalg ikke anvendes sammen med ATLAS LAPACK- og BLAS-understøttelse, er scipy.linalg også hurtigere end numpy.linalg.
Finding the Inverse of a Matrix:
Matematisk set er inversen af en matrix A den matrix sådan, at hvor er identitetsmatrixen bestående af ettere ned langs hoveddiagonalen betegnet som B=A-1. I SciPy kan denne inverse fås ved hjælp af linalg.inv-metoden.
EXEMPEL:
import numpy as np from scipy import linalg A = np.array(, ]) B = linalg.inv(A) print(B)
OUTPUT:
]
Finding the Determinants:
Den værdi, der aritmetisk udledes af matrixens koefficienter, kaldes determinanten for en kvadratisk matrix. I SciPy kan dette gøres ved hjælp af en funktion det, der har følgende syntaks:
overwrite_a( bool, valgfrit) : Tillader overskrivning af data i a
check_finite ( bool, valgfrit): For at kontrollere, om inputmatrixen kun består af finitte tal
EXEMPEL:
import numpy as np from scipy import linalg A = np.array(, ]) B = linalg.det(A) print(B)
OUTPUT: -5.0
Sparse egenværdier:
Egenværdier er et specifikt sæt af skalarer, der er forbundet med lineære ligninger. ARPACK giver, der gør det muligt at finde egenværdier ( egenvektorer ) ret hurtigt. Den komplette funktionalitet i ARPACK er pakket i to grænseflader på højt niveau, som er scipy.sparse.linalg.eigs og scipy.sparse.linalg.eigsh. eigs. Grænsefladen eigs gør det muligt at finde egenværdierne for reelle eller komplekse ikke-symmetriske kvadratiske matricer, mens grænsefladen eigsh indeholder grænseflader for reelle symmetriske eller komplekse hermitiske matricer.
Funktionen eigh løser et generaliseret egenværdiproblem for en kompleks hermitisk eller reel symmetrisk matrix.
EXEMPEL:
from scipy.linalg import eigh import numpy as np A = np.array(, , , ]) a, b = eigh(A) print("Selected eigenvalues :", a) print("Complex ndarray :", b)
OUTPUT:
Selected eigenvalues : Kompleks ndarray :
]
Spatiale datastrukturer og algoritmer:
Spatiale data består grundlæggende af objekter, der består af linjer, punkter, overflader osv. Pakken scipy.spatial i SciPy kan beregne Voronoi-diagrammer, trianguleringer osv. ved hjælp af Qhull-biblioteket. Den består også af KDTree-implementeringer til forespørgsler om nærmeste nabo punkt.
Delaunay-trianguleringer:
Matematisk set er Delaunay-trianguleringer for et sæt af diskrete punkter i et plan en sådan triangulering, at intet punkt i det givne sæt af punkter ligger inden for omkredsen af nogen af trekanterne.
EKSEMPEL:
import matplotlib.pyplot as plt from scipy.spatial import Delaunay points = np.array(, , ,]) a = Delaunay(points) #Delaunay object print(a) print(a.simplices) plt.triplot(points, points, a.simplices) plt.plot(points, points, 'o') plt.show()
UDGANG:
Multidimensionale billedbehandlingsfunktioner:
Billedbehandling handler grundlæggende om at udføre operationer på et billede for at hente oplysninger eller for at få et forbedret billede ud fra det oprindelige billede. Pakken scipy.ndimage består af en række billedbehandlings- og analysefunktioner, der er designet til at arbejde med arrays af vilkårlig dimensionalitet.
Konvolution og korrelation:
SciPy indeholder en række funktioner, der muliggør korrelation og konvolution af billeder.
Funktionen correlate1d kan bruges til at beregne endimensional korrelation langs en given akse
Funktionen correlate tillader flerdimensional korrelation af et givet array med den angivne kerne
Funktionen convolve1d kan bruges til at beregne en-dimensionel konvolution langs en given akse
Funktionen convolve muliggør flerdimensionel konvolution af et givet array med den angivne kerne
EKSEMPEL:
import numpy as np from scipy.ndimage import correlate1d correlate1d(, weights=)
OUTPUT: array()
Fil IO:
Den scipy.io-pakken indeholder en række funktioner, der hjælper dig med at håndtere filer i forskellige formater, f.eks. MATLAB-filer, IDL-filer, Matrix Market-filer osv.
For at gøre brug af denne pakke skal du importere den som følger:
import scipy.io as sio
For fuldstændige oplysninger om underpakken kan du se det officielle dokument om File IO.
Det bringer os til slutningen af denne SciPy-vejledning. Jeg håber, at du har forstået alt klart og tydeligt. Sørg for at øve dig så meget som muligt.
Hvis du ønsker at tjekke flere artikler om markedets mest trending teknologier som kunstig intelligens, DevOps, Ethical Hacking, så kan du henvise til Edurekas officielle websted.
Du skal holde øje med andre artikler i denne serie, som vil forklare de forskellige andre aspekter af Python og Data Science.
1. Machine Learning Classifier in Python
2. Python Scikit-Learn Cheat Sheet
3. Machine Learning Tools
4. Python Libraries For Data Science And Machine Learning
5. Chatbot In Python
6. Python Collections
7. Python Modules
8. Python developer Skills
9. Python developer Skills
9. OOPs Interview spørgsmål og svar
10. Resume for en Python-udvikler
11. Exploratory Data Analysis In Python
12. Slangespil med Pythons skildpaddemodul
13. Python Developer Salary
14. Hovedkomponentanalyse
15. Python vs C++
16. Scrapy Tutorial
17. Webscraping med Python
18. Regressionsmetode med mindste kvadraters regression
19. Jupyter Notebook Cheat Sheet
20. Python-grundlæggende principper
21. Python-mønsterprogrammer
22. Generatorer i Python
23. Python Decorator
24. Python Spyder IDE
25. Mobile applikationer ved hjælp af Kivy i Python