标签: scipy

我有一组点，在这些点上我使用 scipy 来计算插值多项式。我希望拥有该函数的原语

self.p=interpolate.interp1d(self.__discreteDistribution['x'], self.__discreteDistribution['y'], kind='cubic')

我可以轻松地使用 scipy 计算一个区间内的积分值，使用

integrate.quad(self.p, 0, max)

我想要的是拥有 self.p() 的原语。我找到了 sympy，但我没有插值多项式的分析版本。

在这种情况下你会做什么？

我正在求解大型方程组，但可以使用雅可比矩阵。

我决定使用 scipy.optimize.root （接受其他建议），在这里我可以将雅可比作为额外的可调用对象传递。唯一的问题是我的雅可比包含额外的常量，例如。

对于本例，需要求解 y、z，k 是一个常数

import scipy.optimize

def fun(x, k):
    [y, z]= x

    return [k*y**2 + z**2 - 25, k*z*y ]

def jacobian(x, k):
    [y, z] = x

    j = [[2*k*y, 2*z],
         [  k*z, k*y]]

    return j

solution = scipy.optimize.root(fun, [x1, x2], jaco=(jacobian, value_for_k))

我遇到了一个奇怪的情况，pd.describe 给我的百分位标记与 scipy.stats percentileofscore 不一致，我认为是因为 NaN。

我的 df 是：

      f_recommend
0     3.857143
1     4.500000
2     4.458333
3          NaN
4     3.600000
5          NaN
6     4.285714
7     3.587065
8     4.200000
9          NaN

当我跑步时df.describe(percentiles=[.25, .5, .75])我得到：

       f_recommend
count     7.000000
mean      4.069751
std       0.386990
min       3.587065
25%       3.728571
50%       4.200000
75%       4.372024
max       4.500000

当我删除 NaN 运行时，我得到相同的值。

然而，当我想查找特定值时，当我运行时，scipy.stats.percentileofscore(df['f_recommend'], 3.61, kind = 'mean')我得到：第 28 个百分位数包含 NaN，第 20 个百分位数不包含 NaN。

有什么想法可以解释这种差异吗？

预计到达时间：

我不认为问题在于我们计算百分位数的方式不同。因为只有当您以不同的方式计算相同的两个数字的百分位数时，这才重要。但在这里，describe 给出的 25 个百分位为 3.72。所以 3.61 绝对不可能是第 28 个百分位。没有一个公式可以给出这一点。

特别是，当我对不带 …

我有一个 nd 数组，如下所示：

[[ 0.          1.73205081  6.40312424  7.21110255  2.44948974]
 [ 1.73205081  0.          5.09901951  5.91607978  1.        ]
 [ 6.40312424  5.09901951  0.          1.          4.35889894]
 [ 7.21110255  5.91607978  1.          0.          5.09901951]
 [ 2.44948974  1.          4.35889894  5.09901951  0.        ]]

该数组中的每个元素都是一个距离，我需要将其转换为包含行、列、距离的列表，如下所示：

l = [(0,0,0),(0,1, 1.73205081),(0,2, 6.40312424),...,(1,0, 1.73205081),(1,1,0),...,(4,4,0)] 

此外，删除对角线元素会很酷，而且元素 (j,i) 因为 (i,j) 已经存在。本质上，是否可以只取它的顶部三角矩阵？

这是否可以有效地完成（没有很多循环）？我用 squareform 创建了这个数组，但找不到任何文档来执行此操作。

我想在Python中将*.sav文件的内容转换为*.csv文件。我编写了以下代码行来访问 *.sav 文件中变量的详细信息。现在，我不清楚如何将访问的变量数据写入带有标题的 .csv 文件

import scipy.io as spio
on2file = 'ON2_2015_112m_220415.sav'
on2data = spio.readsav(on2file, python_dict=True, verbose=True)

以下是我运行上述代码行时的结果：

IDL Save file is compressed
 -> expanding to /var/folders/z4/r3844ql123jgkq1ztdr4jxrm0000gn/T/tmpVE_Iz6.sav
--------------------------------------------------
Date: Mon Feb 15 20:41:02 2016
User: zhangy1
Host: augur
--------------------------------------------------
Format: 9
Architecture: x86_64
Operating System: linux
IDL Version: 7.0
--------------------------------------------------
Successfully read 11 records of which:
 - 7 are of type VARIABLE
 - 1 are of type TIMESTAMP
 - 1 are of type NOTICE
 - 1 are of type VERSION …

我编写了一个小程序，根据文档，使用 pvlib 的 ModelChain() 和 get_processed_data() 方法，获取纬度和经度并返回该站点的预测发电量。

一切都工作正常，直到大约一个小时前，当时 - 没有对我的 python 代码进行任何更改 - 我突然开始收到以下错误：

ImportError：Linke 浊度查找表需要 scipy。如果您提供自己的浊度，您仍然可以使用clearsky.ineichen。

快速谷歌告诉我这与 pvlib 中的“clearsky”模块有关 - 请参阅http://pvlib-python.readthedocs.io/en/latest/_modules/pvlib/clearsky.html

但是，我不知道为什么这突然不起作用，或者发生了什么变化。我在我的 IDE (cloud9) 中尝试了“pip install scipy”，并得到了响应：

已满足要求：/opt/pyenv/versions/3.6.0/lib/python3.6/site-packages 中的 scipy 已满足要求：/opt/pyenv/versions/3.6.0/lib/ 中的 numpy>=1.8.2 python3.6/site-packages（来自 scipy）

如果有人可以提供帮助，我将非常感激 - 我“非常接近”完成我的项目！

我想解决以下颂歌

K T + C T' = Q

给定的示例数据是我下面的代码

import numpy as np
import scipy as sp
# Solve the following ODE
# K*T + C*T' = Q
# T' = C^-1 ( Q - K * T )
T_start=sp.array([ 151.26,  132.18,  131.64,  146.55,  147.87,  137.87])

K = sp.array([[-0.01761969,  0.02704873,  0.00572222,  0.        ,  0.        ,
         0.        ],
       [ 0.02704873, -0.03546941,  0.        ,  0.        ,  0.00513177,
         0.        ],
       [ 0.00572222,  0.        ,  0.03001858, -0.04752982,  0.        ,
         0.02030505],
       [ 0.        ,  0. …

我有一个包含一些元素的稀疏矩阵。现在我想对其进行标准化。但是，当我这样做时，它会转换为 numpy 数组，从性能的角度来看，这是不可接受的。

为了使事情更具体，请考虑以下示例：

x = csr_matrix([[0, 1, 1], [2, 3, 0]])  # sparse
normalization = x.sum(axis=1)  # dense, this is OK

x / normalization  # this is dense, not OK, can be huge

有没有一种优雅的方法可以做到这一点而不必诉诸 for 循环？

编辑

是的，这可以使用“l1”标准化来完成sklearn.preprocessing.normalize，但是，我不想依赖 sklearn。

我有一个问题：我试图找到一个函数的最小值，该函数取决于我也想更改的几个参数。让我们举一个简化的例子：

import numpy as np
import scipy.optimize as opt
def f(x, a, b, c):
    f = a * x**2 + b * x + c
return f

我想找到使 a、b、c 的不同值集的函数最小化的 x，比如说

a = [-1, 0, 1]
b = [0, 1, 2]
c = [0, 1]

ATM 我有三个嵌套循环和一个最小化：

for p1 in a:
    for p2 in b:
         for p3 in c:
            y = opt.minimize(f, x0=[0, ], args=(p1, p2, p3, ))
            print(y)

这对于我正在进行的计算来说确实很慢，但到目前为止我还没有找到更好的方法。那么，有谁知道一种可以让我提高效率的方法或方案吗？

在Python中，dct()scipy中和matlab中类似dct2()，那么Python中有没有类似于matlab中dctmtx的库呢？