数据分析(4):Scipy

科学计算

最小二乘leastsq

# -*- coding: utf-8 -*-
def func(x,p): # p 参数列表
    A,k,theta = p; # 可以一一对应赋值
    return A*np.sin(2*np.pi*k*x+theta) # 可以批量运算

def residuals(p,y,x):
    return y-func(x,p)

x1: 实验数据
y1: 实验数据
p0: 参数初值

plsq = leastsq(residuals, p0, args=(y1,x1))
print u"拟合参数",plsq[0]

　

非线性方程组求解 from scipy.optimize import fsolve

result = fsolve(f, [1,1,1])
# f为误差函数，[1,1,1]为初值

　　可以传入雅可比行列式的方式来提高运算速度，如result=fsolve(f,[1,1,1],fprime=j)

插值 from scipy import interpolate

x0:原始数据
y0:原始数据

x1 = 一串和x0一样的数组
f_linear = interpolate.interpld(x0,y0) # 得到线性插值后的函数
tck = interpolate.splrep(x0,y0) # 根据原始数据算得样条插值的参数
y_spline = interpolate.splev(x1,tck) # 这里x1不再和x0一样
y_linear = f_linear(x1)

　　

积分 from scipy import integrate

一重
y, err = integrate.quad(f,-1,1) # f为被积函数，-1 1为区间
二重
y, err = integrate.dblquad(f,lb,ub,gfun,hfun) # gfun,hfun为第二个变量的区间