8  SciPy

Objavljeno

28. avgust 2026

8.1 Namen poglavja

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.

8.2 Kje je mesto SciPyja

Didaktično 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.

8.3 Glavne skupine vsebin

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.

SciPy združi več tipičnih numeričnih nalog nad polji NumPy

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

8.4 Zakaj ne zadostuje samo NumPy

NumPy že omogoča:

  • delo s polji,
  • osnovne operacije,
  • agregacije,
  • nekaj linearne algebre,
  • zapis matematičnih formul.

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:

  • poiskati minimum funkcije,
  • numerično izračunati integral,
  • najti vrhove v signalu,
  • opraviti interpolacijo med meritvami,
  • uporabiti bolj specializirane linearnoalgebraične ali statistične postopke.

8.5 Primer 1: optimizacija

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:

  • funkcijo zapišemo v Pythonu,
  • SciPy izvede numerični postopek,
  • rezultat vsebuje ocenjeno optimalno vrednost in vrednost funkcije v optimumu.

8.6 Primer 2: integracija

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:

  • ocena integrala,
  • ocena numerične napake.

To je tipičen primer, kjer SciPy močno poenostavi postopek, ki bi ga sicer sami težko ali nepregledno implementirali.

8.7 Primer 3: interpolacija

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:

  • pri časovnih vrstah,
  • pri profilih meritev,
  • pri ocenjevanju vrednosti med znanimi točkami.

8.8 Primer 4: obdelava signalov

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.

8.9 Druga pomembna področja

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.

8.10 Kratek prostorski primer

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.

8.11 Kako uporabljati SciPy v tej knjigi

V okviru te knjige SciPyja ne potrebujemo v vsakem poglavju, je pa zelo koristen kot:

  • razširitev numeričnega sklopa,
  • priprava na zahtevnejše analize,
  • dokaz, da Pythonov znanstveni ekosistem deluje povezano.

Priporočen vrstni red razumevanja je:

  1. najprej razumemo NumPy,
  2. nato spoznamo nekaj tipičnih SciPy algoritmov,
  3. potem numerične rezultate po potrebi prikažemo z matplotlib,
  4. pri tabelaričnih podatkih pa uporabimo 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.

8.12 Uradna dokumentacija

Za nadaljnje branje: