python数学建模pdf（Python数学建模三剑客之Scipy）

三剑客之Scipy

前面已经说过              ，最初的numpy其实是scipy的一部分
 
  
 
  
 
  
 
  
 
  
 
  
 
，后来才从scipy中分离出来 
  
  
  
  
  
  。scipy函数库在numpy库的基础上增加了众多的数学 
  
  
  
  
  
  、科学以及工程计算中常用的库函数 
  
  
  
  
  
  
 。例如线性代数 
  
  
  
  
  
  
 、常微分方程数值求解

 


 


 


 


 


 


、信号处理 
 
 
 
 
 
 、图像处理 
   
   
   
   
   
   
 、稀疏矩阵等等

 


 


 


 


 


 


。由于其涉及的领域众多












，我之于scipy  
  
  
  
  
  
  ，就像盲人摸大象 
  
  
  
  
  
  
，只能是摸到哪儿算哪儿 
 
 
 
 
 
 。

一
 

 

 

 

 

 

、插值

数据插值是数据处理过程中经常用到的技术


 


 


 


 


 


 

，常用的插值有一维插值
 

 

 

 

 

 

 、二维插值             、高阶插值等 
 
 
 
 
 
 ，常见的算法有线性插值 

 
 

 
 

 
 

 
 

 
 

 
 

、B样条插值












、临近插值等 
   
   
   
   
   
   
 。

1                    、一维插值

一维插值最常用的算法是线型插值和三阶样条插值  
   
   
   
   
   
   
，此外还有前点插值 
 
 
 
 
 
 
 
 
 
 
 
 
、后点插值



















、临近点插值             、零阶插值（等同于前点插值） 
  
 
  
 
  
 
  
 
  
 
  
 
 、一阶插值（等同于线性插值）













、五阶插值等
 

 

 

 

 

 

。下面的例子对以上8中插值方法进行了比较
 

 

 

 

 

 

 。

importnumpyasnp fromscipyimportinterpolate importmatplotlib.pyplotasplt plt.rcParams[font.sans-serif]=[FangSong] plt.rcParams[axes.unicode_minus]=False x=np.linspace(0,10,11) y=np.exp(-x/3.0) x_new=np.linspace(0,10,100)#期望在0-10之间变成100个数据点 f1=interpolate.interp1d(x,y,kind=linear) f2=interpolate.interp1d(x,y,kind=nearest) f3=interpolate.interp1d(x,y,kind=zero) f4=interpolate.interp1d(x,y,kind=slinear) f5=interpolate.interp1d(x,y,kind=cubic) f6=interpolate.interp1d(x,y,kind=quadratic) f7=interpolate.interp1d(x,y,kind=previous) f8=interpolate.interp1d(x,y,kind=next) plt.figure(Demo,facecolor=#eaeaea) plt.subplot(221) plt.plot(x,y,"o",label=u"原始数据") plt.plot(x_new,f2(x_new),label=u"临近点插值") plt.plot(x_new,f7(x_new),label=u"前点插值") plt.plot(x_new,f8(x_new),label=u"后点线性插值") plt.legend() plt.subplot(222) plt.plot(x,y,"o",label=u"原始数据") plt.plot(x_new,f1(x_new),label=u"线性插值") plt.plot(x_new,f3(x_new),label=u"零阶样条插值") plt.plot(x_new,f4(x_new),label=u"一阶样条插值") plt.legend() plt.subplot(223) plt.plot(x,y,"o",label=u"原始数据") plt.plot(x_new,f1(x_new),label=u"线性插值") plt.plot(x_new,f5(x_new),label=u"三阶样条插值") plt.legend() plt.subplot(224) plt.plot(x,y,"o",label=u"原始数据") plt.plot(x_new,f1(x_new),label=u"线性插值") plt.plot(x_new,f6(x_new),label=u"五阶样条插值") plt.legend() plt.show()

不同的插值方法画在一起

 

 

 

 

 

 
，对比之下效果会比较明显：

2 
  
  
  
  
  
  、二维插值

二维数据
 

 

 

 

 

 

 ，通常总是对应着一个网格             ，比如
 

 
 

 
 

 
 

 
 

 
 

 
 
，经纬度网格             。如果插值对象只有一个二维数组












，那么我们可以用数组的行列号来构造网格 

 
 

 
 

 
 

 
 

 
 

 
 

。

importnumpyasnp fromscipyimportinterpolate importmatplotlib.pyplotasplt plt.rcParams[font.sans-serif]=[FangSong] plt.rcParams[axes.unicode_minus]=False y,x=np.mgrid[-2:2:20j,-3:3:30j]#30x20=600 z=x*np.exp(-x**2-y**2) y_new,x_new=np.mgrid[-2:2:80j,-3:3:120j]#120x80=9600 f1=interpolate.interp2d(x[0,:],y[:,0],z,kind=linear)#线性插值 f2=interpolate.interp2d(x[0,:],y[:,0],z,kind=cubic)#三阶样条 f3=interpolate.interp2d(x[0,:],y[:,0],z,kind=quintic)#五阶样条 z1=f1(x_new[0,:],y_new[:,0]) z2=f2(x_new[0,:],y_new[:,0]) z3=f3(x_new[0,:],y_new[:,0]) plt.subplot(221) plt.pcolor(x,y,z,cmap=plt.cm.hsv) plt.colorbar() plt.axis(equal) plt.subplot(222) plt.pcolor(x_new,y_new,z1,cmap=plt.cm.hsv) plt.colorbar() plt.axis(equal) plt.subplot(223) plt.pcolor(x_new,y_new,z2,cmap=plt.cm.hsv) plt.colorbar() plt.axis(equal) plt.subplot(224) plt.pcolor(x_new,y_new,z3,cmap=plt.cm.hsv) plt.colorbar() plt.axis(equal) plt.show()

原始数据 
  
  
  
  
  
  
 、线型插值数据

 


 


 


 


 


 


、三阶插值数据 
 
 
 
 
 
 、五阶插值数据的效果对比如下：

二 
   
   
   
   
   
   
 、拟合

在工作中                    ，我们常常需要在图中描绘某些实际数据观察的同时
 
 
 
 
 
 
 
 
 
 
 
 
 
，使用一个曲线来拟合这些实际数据












。所谓拟合


















，就是找出符合数据变化趋势的曲线方程              ，进而对变化趋势做出预测                    。

1
 

 

 

 

 

 

、使用numpy.polyfit拟合

numpy.polyfit() 实现了最小二乘法
 
  
 
  
 
  
 
  
 
  
 
  
 
，其功能是返回指定次数的多项式参数












，这组参数使得多项式和样本数据的误差为最小 
 
 
 
 
 
 
 
 
 
 
 
 
。下面的代码  
  
  
  
  
  
  ，虚拟了谷神星的一段观测数据 
  
  
  
  
  
  
，籍此使用最小二乘法实现多项式拟合


 


 


 


 


 


 

，进而推测出谷神星未来的运行轨迹



















。最后和虚拟的运行轨道方程比较             。

#coding:utf-8 importnumpyasnp importmatplotlib.pyplotasplt plt.rcParams[font.sans-serif]=[FangSong] plt.rcParams[axes.unicode_minus]=False deff(t): """谷神星虚拟的运行轨道方程 
  
 
  
 
  
 
  
 
  
 
  
 
 。我们假装不知道 
 
 
 
 
 
 ，仅用来验证预测结果是否准确""" t=t/7.5-1 return((t**2-1)**3+0.5)*np.sin(2*t) t=np.linspace(0,20,201)#用于绘制实际的运行轨迹线 _x=np.linspace(0,15,16)#观测数据时间序列 _y=f(_x)#观测数据位置序列 x=np.linspace(15,20,6)#待预测的时间序列 loss_list=list() foriinrange(2,16):#从2次到15次多项式  
   
   
   
   
   
   
，逐一计算误差 args=np.polyfit(_x,_y,i)#用最小二乘法找到一组系数 g=np.poly1d(args)#用这组系数生成方程g(x) loss=np.sum(np.square(g(_x)-_y))#计算i次多项式拟合的误差 loss_list.append(loss) print(i,loss) k=loss_list.index(min(loss_list))+2 args=np.polyfit(_x,_y,k) g=np.poly1d(args) plt.figure(demo,facecolor=#eaeaea) plt.plot(_x,_y,c=r,ls=,marker=o,label=u观测数据) plt.plot(_x,g(_x),c=b,ls=-,label=u%d次多项式拟合

 

 

 

 

 

 
，误差%0.8f%(k,loss_list[k-2])) plt.plot(x,g(x),c=r,ls=:,label=u预测轨迹) plt.plot(t,f(t),c=#60f0f0,ls=--,label=u实际运行轨迹) plt.legend(loc=lowerleft) plt.show()

将虚拟的运行轨道
 

 

 

 

 

 

 、虚拟的观测数据             、拟合曲线 

 
 

 
 

 
 

 
 

 
 

 
 

、预测曲线绘制在一起
 

 

 

 

 

 

 ，效果如下：

2












、使用scipy.optimize.optimize.curve_fit拟合

不管曲线实际是什么样的             ，多项式拟合总是以一个有限次的多项式去逼近数据样本













。还有一种拟合
 

 
 

 
 

 
 

 
 

 
 

 
 
，就是我们知道曲线的标准方程












，但有些系数或参数不确定                    ，这样的拟合
 
 
 
 
 
 
 
 
 
 
 
 
 
，也是要找到最佳系数或参数 
  
  
  
  
  
  。scipy提供的拟合


















，需要先确定带参数的曲线方程              ，然后由scipy求解方程
 
  
 
  
 
  
 
  
 
  
 
  
 
，返回曲线参数 
  
  
  
  
  
  
 。

>>>importnumpyasnp >>>importmatplotlib.pyplotasplt >>>fromscipyimportoptimize >>>x=np.arange(1,13,1) >>>y=np.array([17,19,21,28,33,38,37,37,31,23,19,18]) >>>plt.plot(x,y) [<matplotlib.lines.Line2Dobjectat0x04799D10>] >>>plt.show()

可以看出












，曲线近似正弦函数

 


 


 


 


 


 


。构建函数y=asin(xpi/6+b)+c  
  
  
  
  
  
  ，使用scipy的optimize.curve_fit函数求出a                    、b 
 
 
 
 
 
 
 
 
 
 
 
 
、c的值：

>>>deffmax(x,a,b,c): returna*np.sin(x*np.pi/6+b)+c >>>fita,fitb=optimize.curve_fit(fmax,x,y,[1,1,1]) >>>printfita [10.93254951-1.949609626.75] >>>xn=np.arange(1,13,0.1) >>>plt.plot(x,y) [<matplotlib.lines.Line2Dobjectat0x04B160B0>] >>>plt.plot(xn,fmax(xn,fita[0],fita[1],fita[2])) [<matplotlib.lines.Line2Dobjectat0x04B16510>] >>>plt.show()

三



















、求解非线性方程（组）

在数学建模中 
  
  
  
  
  
  
，需要对一些稀奇古怪的方程（组）求解


 


 


 


 


 


 

，Matlab自然是首选 
 
 
 
 
 
 ，但Matlab不是免费的  
   
   
   
   
   
   
，scipy则为我们提供了免费的午餐！scipy.optimize库中的fsolve函数可以用来对非线性方程（组）进行求解 
 
 
 
 
 
 。它的基本调用形式如下：

fsolve(func,x0)

func(x)是计算方程组误差的函数

 

 

 

 

 

 
，它的参数x是一个矢量
 

 

 

 

 

 

 ，表示方程组的各个未知数的一组可能解             ，func返回将x代入方程组之后得到的误差；x0为未知数矢量的初始值 
   
   
   
   
   
   
 。

我们先来求解一个简单的方程：$ \sin(x) - \cos(x) = 0.2$

>>>fromscipy.optimizeimportfsolve >>>importnumpyasnp >>>deff(A): x=float(A[0]) return[np.sin(x)-np.cos(x)-0.2] >>>result=fsolve(f,[1]) array([0.92729522]) >>>printresult [0.92729522] >>>printf(result) [2.7977428707082197e-09]

哈哈
 

 
 

 
 

 
 

 
 

 
 

 
 
，易如反掌！再来一个方程组：

>>>fromscipy.optimizeimportfsolve >>>importnumpyasnp >>>deff(A): x=float(A[0]) y=float(A[1]) z=float(A[2]) return[4*x*x-2*np.sin(y*z),5*y+3,y*z-1.5] >>>result=fsolve(f,[1,1,1]) >>>printresult [-0.70622057-0.6-2.5] >>>printf(result) [-9.1260332624187868e-14,0.0,5.329070518200751e-15]

四             、数值积分

数值积分是对定积分的数值求解












，例如可以利用数值积分计算某个形状的面积
 

 

 

 

 

 

。我们知道                    ，半径为1的圆的方程可写成：

下面让我们来考虑一下如何计算半径为1的半圆的面积
 
 
 
 
 
 
 
 
 
 
 
 
 
，根据圆的面积公式


















，其面积应该等于PI/2
 

 

 

 

 

 

 。单位半圆曲线可以用下面的函数表示：

我们先定义一个计算根据x计算y的函数：

>>>defhalf_circle(x): return(1-x**2)**0.5

1 
  
 
  
 
  
 
  
 
  
 
  
 
 、经典微分法

下面的程序使用经典的分小矩形计算面积总和的方式              ，计算出单位半圆的面积：

>>>N=10000 >>>x=np.linspace(-1,1,N) >>>dx=2.0/N >>>y=half_circle(x) >>>dx*np.sum(y[:-1]+y[1:])#面积的两倍 3.1412751679988937

2













、使用定积分求解函数

如果我们调用scipy.integrate库中的quad函数的话
 
  
 
  
 
  
 
  
 
  
 
  
 
，将会得到非常精确的结果：

>>>fromscipyimportintegrate >>>pi_half,err=integrate.quad(half_circle,-1,1) >>>pi_half*2 3.1415926535897984

五 
  
  
  
  
  
  、图像处理

在scipy.misc模块中












，有一个函数可以载入Lena图像——这副图像是被用作图像处理的经典示范图像             。我只是简单展示一下在该图像上的几个操作 

 
 

 
 

 
 

 
 

 
 

 
 

。

（1）载入Lena图像  
  
  
  
  
  
  ，并显示灰度图像

（2）应用中值滤波扫描信号的每一个数据点 
  
  
  
  
  
  
，并替换为相邻数据点的中值

（3）旋转图像

（4）应用Prewitt滤波器（基于图像强度的梯度计算）

>>>fromscipyimportmisc >>>fromscipyimportndimage >>>img=misc.lena().astype(np.float32) >>>plt.subplot(221) >>>plt.title(OriginalImage) >>>plt.imshow(img,cmap=plt.cm.gray) >>>plt.subplot(222) >>>plt.title(MedianFilter) >>>filtered=ndimage.median_filter(img,size=(42,42)) >>>plt.imshow(filtered,cmap=plt.cm.gray) >>>plt.subplot(223) >>>plt.title(Rotated) >>>rotated=ndimage.rotate(img,90) >>>plt.imshow(rotated,cmap=plt.cm.gray) >>>plt.subplot(224) >>>plt.title(PrewittFilter) >>>filtered=ndimage.prewitt(img) >>>plt.imshow(filtered,cmap=plt.cm.gray) >>>plt.show()

python学习网


 


 


 


 


 


 

，大量的免费python视频教程 
 
 
 
 
 
 ，欢迎在线学习！

相关推荐：

1 
  
  
  
  
  
  
 、Python数学建模三剑客之Numpy