聚类是机器学习和数据科学中的一种技术，它涉及将相似的数 据点或对象分组到集群或子集中。聚类的目标是在数据中发现可能并不明显的模式和结构，并将相关的 数据点分组在一起，以便进行进一步的分析。在这篇文章中，我们将了解如何借助 SciPy 库实现聚类。SciPy 为我们提供了各种科学计算工具来执行数值积分、优化、线性代数、信号处理等任务。它被研究人员、科学家、工程师……使用 阅读更多

高斯脉冲有什么用途？高斯脉冲广泛用于信号处理，尤其是在雷达、声纳和通信中。这种脉冲在时域中具有高斯形状，这使得它非常适合检测可能被噪声掩盖的小信号。在本教程中，我们将探讨如何使用 scipy.signal.gausspulse 函数生成高斯脉冲。什么是高斯脉冲？高斯脉冲是一种在时域中具有高斯形状包络线的函数。高斯函数是一个钟形曲线，围绕其峰值对称。它… 阅读更多

scipy.linalg 包的 sqrtm() 函数可用于查找输入矩阵的平方根。语法 scipy.linalg.sqrtm(x) 示例 1 让我们考虑以下示例 − # 导入所需的库 from scipy import linalg import numpy as np # 定义输入数组 x = np.array([[14 , 2] , [89 , 33]]) print("输入数组:", x) # 计算平方根 r = linalg.sqrtm(x) # 显示平方根 print("x 的平方根: ", r) 输出 它将生成以下输出 − 输入数组: [[14 2] [89 33]] x 的平方根: [[3.43430132 0.22262855] [9.90697038 5.54927253]] 示例 2 让我们… 阅读更多

scipy.linalg 包的 norm() 函数用于返回八种不同的矩阵范数之一或无限多个向量范数之一。语法 scipy.linalg.norm(x) 其中 x 是输入数组或方阵。示例 1 让我们考虑以下示例 − # 导入所需的库 from scipy import linalg import numpy as np # 定义输入数组 x = np.array([7 , 4]) print("输入数组:", x) # 计算 L2 范数 r = linalg.norm(x) # 计算 L1 范数 s = linalg.norm(x, 3) # 显示范数值 print("r 的范数值 :", ... 阅读更多

scipy.linalg 包包含一组用于线性代数的不同功能。其中之一是 inv() 函数，它用于查找方阵的逆。语法 scipy.linalg.inv(x) 其中 x 是方阵。示例 1 让我们考虑以下示例 − # 导入所需的库 from scipy import linalg import numpy as np # 定义数组 a = np.array([[5, 3], [6, 4]]) print("输入矩阵 :", a) # 查找方阵的逆 x = linalg.inv(a) print("方阵 A 的逆 :", x) 输出 以上程序将生成以下输出 − 输入矩阵… 阅读更多

scipy.linalg 包包含一组用于线性代数的不同功能。其中之一是 det() 函数。此函数用于查找二维矩阵的行列式。语法 scipy.linalg.det(x) 其中 x 是方阵。示例 1 让我们考虑以下示例 − # 导入所需的库 from scipy import linalg import numpy as np # 初始化矩阵 A A = np.array([[8, 5], [3, 4]]) print("输入矩阵 :", A) # 查找矩阵 X 的行列式 x = linalg.det(A) print("A 的行列式值:", x) 输出 它将生成以下输出 − 输入矩阵 : [[8 5] … 阅读更多

scipy.special 包包含一组用于数学物理的不同功能。其中之一是 logsumexp() 函数。此函数用于计算输入元素指数和的对数。让我们来看几个例子，看看如何使用这个函数。语法 scipy.special.logsumexp(x) 其中，x 是输入值。示例 1 让我们考虑以下示例 − # 从 scipy.special 导入 logsumexp from scipy.special import logsumexp import numpy as np # 输入数组 a = np.arange(10) print("输入数组:", a) # logsum() 函数 res = logsumexp(a) print("a 的 logsumexp:", res) 输出 它将生成… 阅读更多

名为 scipy.linalg.solve_toeplitz 的线性函数用于求解 Toeplitz 矩阵方程。此函数的形式如下 − scipy.linalg.solve_toeplitz(c_or_cr, b, check_finite=True) 此线性函数将求解方程 Tx = b 的 x，其中 T 是 Toeplitz 矩阵。参数 下面给出函数 scipy.linalg.solve_toeplitz() 的参数 c_or_cr− array_like 或 (array_like, array_like) 元组 此参数是向量 c 或数组 (c, r) 的元组。尽管 c 的实际形状如何，它总是会被转换为一维数组。如果未给出 r，则假设 r = conjugate(c)。下面给出两种情况 −     … 阅读更多

名为 scipy.linalg.solveh_triangular 的线性函数用于求解带状矩阵方程。在下面给出的示例中，我们将求解三角系统 ax = b，其中 − $$\mathrm{a} = \begin{bmatrix} 3 & 0 & 0 & 0\ 2 & 1 & 0 & 0\ 1 &0 &1 &0 \ 1& 1& 1& 1 \end{bmatrix};\; \mathrm{b} =\begin{bmatrix} 1\ 2\ 1\ 2 \end{bmatrix}$$ 示例 from scipy.linalg import solve_triangular import numpy as np a = np.array([[3, 0, 0, 0], [2, 1, 0, 0], [1, 0, 1, 0], [1, 1, 1, 1]]) b = np.array([1, 2, 1, 2]) x = solve_triangular(a, b, lower=True) print (x) 输出 array([ 0.33333333, 1.33333333, 0.66666667, -0.33333333])

名为 scipy.linalg.solve_triangular 的线性函数用于求解三角矩阵方程。此函数的形式如下 − scipy.linalg.solve_triangular(a, b, trans=0, lower=False, unit_diagonal=False, overwrite_b=False, debug=None, check_finite=True) 此线性函数将求解方程 ax = b 的 x，其中 a 是三角矩阵。参数 下面给出函数 scipy.linalg.solve_triangular() 的参数 − a− (M, M) array_like 此参数表示三角矩阵。 b− (M, ) 或 (M, N) array_like 此参数表示方程 ax = b 中的右侧矩阵。 lower− bool，可选 通过使用此参数，我们将能够仅使用包含在… 阅读更多