- Python数据科学教程
- Python数据科学 - 首页
- Python数据科学 - 开始
- Python数据科学 - 环境设置
- Python数据科学 - Pandas
- Python数据科学 - NumPy
- Python数据科学 - SciPy
- Python数据科学 - Matplotlib
- Python数据处理
- Python数据操作
- Python数据清洗
- Python处理CSV数据
- Python处理JSON数据
- Python处理XLS数据
- Python关系数据库
- Python NoSQL数据库
- Python日期和时间
- Python数据整理
- Python数据聚合
- Python读取HTML页面
- Python处理非结构化数据
- Python分词
- Python词干提取和词形还原
- Python数据可视化
- Python图表属性
- Python图表样式
- Python箱线图
- Python热力图
- Python散点图
- Python气泡图
- Python 3D图表
- Python时间序列
- Python地理数据
- Python图数据
Python数据科学 - SciPy
什么是SciPy?
Python 的 SciPy 库是基于 NumPy 数组构建的,它提供了许多用户友好且高效的数值计算方法,例如数值积分和优化的例程。它们共同运行在所有流行的操作系统上,安装快速且免费。NumPy 和 SciPy 易于使用,但功能强大,足以被世界上一些领先的科学家和工程师所依赖。
SciPy 子包
SciPy 被组织成涵盖不同科学计算领域的子包。这些在下面的表格中进行了总结:
scipy.constants | 物理和数学常数 |
scipy.fftpack | 傅里叶变换 |
scipy.integrate | 积分例程 |
scipy.interpolate | 插值 |
scipy.io | 数据输入和输出 |
scipy.linalg | 线性代数例程 |
scipy.optimize | 优化 |
scipy.signal | 信号处理 |
scipy.sparse | 稀疏矩阵 |
scipy.spatial | 空间数据结构和算法 |
scipy.special | 任何特殊的数学函数 |
scipy.stats | 统计 |
数据结构
SciPy 使用的基本数据结构是由 NumPy 模块提供的多维数组。NumPy 提供了一些用于线性代数、傅里叶变换和随机数生成的函数,但其通用性不如 SciPy 中的等效函数。
我们将在接下来的章节中看到许多关于在数据科学工作中使用 Python SciPy 库的示例。
广告