from scipy import optimize
def funkcija(x):
return (x - 2) ** 2 + 1
rezultat = optimize.minimize_scalar(funkcija)
print(rezultat.x, rezultat.fun)1.9999999999999998 1.0
SciPy je zbirka matematičnih algoritmov in uporabnih funkcij, zgrajena na NumPyju. Če NumPy prinese hitro delo s polji in osnovne numerične operacije, SciPy doda višjenivojske postopke za znanstveno računalništvo.
Po uradnem vodiču SciPy User Guide knjižnica pokriva več področij znanstvenega dela, med njimi integracijo, interpolacijo, linearno algebro, optimizacijo, obdelavo signalov, statistiko, redke matrike in prostorske algoritme.
V tem poglavju bomo ostali pri kratkem uvodu, ki sledi takoj za NumPy, saj je SciPy najbolj razumljiv prav takrat, ko osnovno delo s polji že obvladamo.
SciPyjaDidaktično je smiselno, da SciPy pride neposredno za NumPy:
NumPy uvede polja, oblike, osi in vektorizirane izraze,SciPy nad to osnovo doda pripravljene numerične algoritme,matplotlib nato pomaga rezultate prikazati,pandas pa uvede še tabelarično organizacijo podatkov.Tako je pot od osnovnega numeričnega računanja do uporabe višjih algoritmov precej bolj naravna.
Uradni vodič razdeli SciPy na več področij. Za to knjigo so najbolj uporabni predvsem:
scipy.integrate za numerično integracijo,scipy.optimize za optimizacijo,scipy.signal za obdelavo signalov,scipy.linalg za linearno algebro,scipy.interpolate za interpolacijo,scipy.stats za statistične funkcije.To ne pomeni, da moramo vse te teme obdelati enako globoko. Za uvodno knjigo je pomembneje, da bralec razume, kaj SciPy sploh prinaša in kdaj ga je smiselno uporabiti.
Z vidika uporabe si lahko glavne tipe nalog predstavljamo takole:
| Tip naloge | Tipično vprašanje |
|---|---|
| optimizacija | kje je minimum ali maksimum funkcije |
| integracija | kolikšna je ploščina pod krivuljo |
| interpolacija | kakšna je verjetna vmesna vrednost med meritvami |
| signalna obdelava | kje so vrhovi, šum ali pomembni vzorci |
NumPyNumPy že omogoča:
Ko pa potrebujemo konkretne numerične metode, je veliko bolj smiselno poseči po SciPyju, kjer so te metode že pripravljene, preizkušene in dokumentirane.
Tipična situacija je, ko želimo:
Pri optimizaciji želimo najti vrednost, pri kateri je neka funkcija najmanjša ali največja. V uvodnih primerih pogosto iščemo minimum preproste funkcije ene spremenljivke.
from scipy import optimize
def funkcija(x):
return (x - 2) ** 2 + 1
rezultat = optimize.minimize_scalar(funkcija)
print(rezultat.x, rezultat.fun)1.9999999999999998 1.0
Tu je pomembna ideja:
SciPy izvede numerični postopek,Za numerično integracijo lahko uporabimo scipy.integrate. To je uporabno takrat, ko želimo računsko ovrednotiti ploščino pod krivuljo ali rešiti problem, kjer analitični rezultat ni glavni cilj.
from scipy import integrate
integral, napaka = integrate.quad(lambda x: x ** 2, 0, 3)
print(integral)
print(napaka)9.000000000000002
9.992007221626411e-14
Vrneta se dve vrednosti:
To je tipičen primer, kjer SciPy močno poenostavi postopek, ki bi ga sicer sami težko ali nepregledno implementirali.
Interpolacija je uporabna takrat, ko imamo meritve v posameznih točkah in želimo med njimi oceniti vmesne vrednosti.
import numpy as np
from scipy import interpolate
x = np.array([0, 1, 2, 3])
y = np.array([1, 3, 2, 5])
f = interpolate.interp1d(x, y)
print(f(1.5))2.5
To je pomembno v številnih uporabnih primerih:
Modul scipy.signal je uporaben pri iskanju vrhov, glajenju, filtriranju in splošni obdelavi zaporedij meritev.
import numpy as np
from scipy import signal
podatki = np.array([0, 1, 0, 2, 0, 1, 0, 3, 0])
vrhovi, _ = signal.find_peaks(podatki, height=1)
print(vrhovi)
print(podatki[vrhovi])[1 3 5 7]
[1 2 1 3]
Tak način razmišljanja je uporaben pri meritvah v času, vzdolž profilov ali pri drugih signalnih podatkih.
Čeprav jih tu obravnavamo le na kratko, je dobro vedeti, da SciPy ponuja tudi:
scipy.interpolate za interpolacijo med točkami,scipy.linalg za širši nabor linearnoalgebraičnih postopkov,scipy.stats za statistične porazdelitve in teste,scipy.spatial za prostorske strukture in algoritme,scipy.sparse za delo z redkimi matrikami.Za geoinformatiko je posebej zanimiv tudi scipy.spatial, ker pokaže, da SciPy ni vezan samo na splošne matematične naloge, temveč vsebuje tudi uporabne prostorske algoritme.
To je pomembno predvsem zato, ker bralec hitro dobi občutek, da SciPy ni ena sama funkcija ali en sam algoritem, ampak obsežen numerični paket, ki stoji na vrhu NumPyjeve osnove.
Ker je knjiga usmerjena v geoinformatiko, je koristno omeniti še prostorski modul scipy.spatial. Z njim lahko na primer računamo razdalje med točkami ali pripravljamo strukture za iskanje bližnjih sosedov.
import numpy as np
from scipy.spatial import distance_matrix
tocke_a = np.array([[0, 0], [1, 1]])
tocke_b = np.array([[0, 1], [2, 2]])
print(distance_matrix(tocke_a, tocke_b))[[1. 2.82842712]
[1. 1.41421356]]
Tak primer je preprost, vendar lepo pokaže, da SciPy ni koristen samo pri abstraktnih matematičnih nalogah, ampak tudi pri prostorskem razmišljanju nad koordinatami.
SciPy v tej knjigiV okviru te knjige SciPyja ne potrebujemo v vsakem poglavju, je pa zelo koristen kot:
Priporočen vrstni red razumevanja je:
NumPy,SciPy algoritmov,matplotlib,pandas.Tako SciPy v tej knjigi deluje kot kratek, a pomemben most: pokaže, kako iz osnovnih polj preidemo do resnejših postopkov, preden rezultate začnemo razlagati z grafi in tabelami.
Za nadaljnje branje: