下面的代码解决了1D热方程,该方程表示一个杆,其末端保持零温度,初始条件为10*np.sin(np.pi*x).
Dirichlet边界条件(两端的零温度)如何适用于此计算？我被告知矩阵A的上部,下部行包含两个非零元素,缺少的第三个元素是 Dirichlet条件.但我不明白这种情况会影响计算的机制.如果A中缺少元素,u_ {0}或u_ {n}如何为零？
下面的有限差分方法使用Crank-Nicholson.
import numpy as np
import scipy.linalg
# Number of internal points
N = 200
# Calculate Spatial Step-Size
h = 1/(N+1.0)
k = h/2
x = np.linspace(0,1,N+2)
x = x[1:-1] # get rid of the '0' and '1' at each end
# Initial Conditions
u = np.transpose(np.mat(10*np.sin(np.pi*x)))
# second derivative matrix
I2 = -2*np.eye(N)
E = np.diag(np.ones((N-1)), k=1)
D2 = (I2 + E + E.T)/(h**2)
I = np.eye(N)
TFinal = 1
NumOfTimeSteps = …python math scientific-computing scipy differential-equations
这个问题在此之前被问到过
但没有给出如何"分组"项目的明确答案.基于difflib的解决方案基本上是搜索,对于给定项目,difflib可以从列表中返回最相似的单词.但是如何将其用于分组呢？
我想减少
['ape', 'appel', 'apple', 'peach', 'puppy']
至
['ape', 'appel', 'peach', 'puppy']
要么
['ape', 'apple', 'peach', 'puppy']
我尝试的一个想法是,对于每个项目,遍历列表,如果get_close_matches返回多个匹配,则使用它,如果不保持单词不变.这部分工作,但它可以建议苹果为appel,然后申请苹果,这些话只会切换位置,没有任何改变.
我会很感激任何指针,图书馆的名称等.
注意:同样在性能方面,我们有300,000个项目列表,get_close_matches似乎有点慢.有谁知道基于C/++的解决方案吗？
谢谢,
注意:进一步调查显示kmedoid是正确的算法(以及层次聚类),因为kmedoid不需要"中心",它需要/使用数据点本身作为中心(这些点称为medoids,因此名称).在单词分组的情况下,medoid将是该组/集群的代表元素.
我试图使用递归神经网络来预测销售需求.这里
提到的序列在PyBrain中受到示例代码的支持.即使数据不是完全类别,我也为此示例建模了它们.数据在这里
6 6 6 6 2 6 2 6 2 2 6 2 6 6 2 6 2 4 4 4 5 6 6 1 2 2 6 6 6 2 6 2 6 6 2 6 2 2 6 2 1 2 2 6 6 6 2 1 2 6 2 6 6 2 2 6 2 2 2 6 2 6 2 2 2 2 2 6 2 2 6 6 6 6 1 2 2 …我使用fft分析了sunspots.dat数据(下面),这是该领域的一个典型例子.我从真实和想象部分的fft中获得了结果.然后我尝试使用这些系数(前20个)来重建符合傅立叶变换公式的数据.思考真实的部分对应于a_n和想象到b_n,我有
import numpy as np
from scipy import *
from matplotlib import pyplot as gplt
from scipy import fftpack
def f(Y,x):
total = 0
for i in range(20):
total += Y.real[i]*np.cos(i*x) + Y.imag[i]*np.sin(i*x)
return total
tempdata = np.loadtxt("sunspots.dat")
year=tempdata[:,0]
wolfer=tempdata[:,1]
Y=fft(wolfer)
n=len(Y)
print n
xs = linspace(0, 2*pi,1000)
gplt.plot(xs, [f(Y, x) for x in xs], '.')
gplt.show()
但是出于某种原因,我的情节并不反映ifft生成的情节(我在两侧使用相同数量的系数).可能有什么不对？
数据:
我需要Python/Numpy等效的Matlab(Octave)离散拉普拉斯算子(函数)del2().我试过几个Python解决方案,其中没有一个似乎与del2的输出相匹配.在Octave我有
image = [3 4 6 7; 8 9 10 11; 12 13 14 15;16 17 18 19]
del2(image)
这给出了结果
0.25000 -0.25000 -0.25000 -0.75000
-0.25000 -0.25000 0.00000 0.00000
0.00000 0.00000 0.00000 0.00000
0.25000 0.25000 0.00000 0.00000
在Python上我试过了
import numpy as np
from scipy import ndimage
import scipy.ndimage.filters
image = np.array([[3, 4, 6, 7],[8, 9, 10, 11],[12, 13, 14, 15],[16, 17, 18, 19]])
stencil = np.array([[0, 1, 0],[1, -4, 1], [0, 1, 0]])
print ndimage.convolve(image, stencil, mode='wrap')
给出了结果
[[ 23 19 …我试图在图像上使用谱聚类.我首先计算亲和度矩阵,然后尝试获得特征向量.但是,在7056x7056矩阵上,eig()调用时间过长.关于如何改进这个的任何建议？也许我应该使用不同形式的亲和力？
import matplotlib.pyplot as plt
import numpy as np
Img = plt.imread("twoObj.bmp")
Img2 = Img.flatten()
(n,) = Img2.shape
A = np.subtract.outer(Img2, Img2)
V,D = np.linalg.eig(A)
我试图计算dellstore2数据库的累计用户数.看看这里和其他论坛的答案,我用过这个
select
date_trunc('month',orderdate),
sum(count(distinct(customerid)))
over (order by date_trunc('month',orderdate))
from orders group by date_trunc('month',orderdate)
这回来了
2004-01-01 00:00:00.0 979
2004-02-01 00:00:00.0 1,952
2004-03-01 00:00:00.0 2,922
2004-04-01 00:00:00.0 3,898
2004-05-01 00:00:00.0 4,873
2004-06-01 00:00:00.0 5,846
2004-07-01 00:00:00.0 6,827
2004-08-01 00:00:00.0 7,799
2004-09-01 00:00:00.0 8,765
2004-10-01 00:00:00.0 9,745
2004-11-01 00:00:00.0 10,710
2004-12-01 00:00:00.0 11,681
每个月都是
979
973
970
976
975
973
981
972
966
980
965
971
看起来很好,看看前几个项目.但是当我跑的时候
select count(distinct(customerid)) from orders
对于整个事情,我明白了
8996
这与第一个输出11,681中的最后一项不一致.我猜上面的计算不能确定几个月的唯一性.这种计算的最快方法是什么,最好不使用自连接？
按照这里的例子
http://www.randalolson.com/2013/01/14/filling-in-pythons-gaps-in-statistics-packages-with-rmagic/
我在IPython笔记本中的不同数据集上尝试了相同的操作.
https://github.com/burakbayramli/kod/blob/master/delltest/dell.tgz
from pandas import *
orders = read_csv("dell.csv",sep=",")
%load_ext rmagic
%R -i orders print(summary(orders))
我明白了
Length Class Mode
[1,] 25 -none- list
[2,] 25 -none- list
[3,] 25 -none- list
..
但是在R中也一样
data <- read.csv ("dell.csv",header=TRUE,sep=",")
print (summary(data))
给我正确的摘要信息.
rank per_customer_count total_total_amount orderid
Min. : 1.000 Min. : 1.000 Min. : 0.14 Min. : 1
1st Qu.: 2.000 1st Qu.: 6.000 1st Qu.: 866.11 1st Qu.: 2964
Median : 4.000 Median : 8.000 Median : 1764.08 Median …在这里的熊猫笔记本上
我看到qcut的结果被指定为DataFrame的新列.Dataframe有两列,但以某种方式将qcut输出分配给一个新列神奇地找到了"var"变量所在的正确级别 - 未检查另一个变量.这里的熊猫语义是什么？示例输出如下:
In [2]:
from pandas import *
from statsmodels.formula.api import logit
from statsmodels.nonparametric import KDE
from patsy import dmatrix, dmatrices
In [3]:
df = read_csv('wells.dat', sep = ' ', header = 0, index_col = 0)
print df.head()
switch arsenic dist assoc educ
1 1 2.36 16.826000 0 0
2 1 0.71 47.321999 0 0
3 0 2.07 20.966999 0 10
4 1 1.15 21.486000 0 12
5 1 1.10 40.874001 1 14
In [4]:
model_form = …我正在尝试使用LD_PRELOAD方法捕获来自我的游戏的图像,通过提供我自己的库,以便拦截OpenGL调用.这个方法适用于简单的演示OpenGL代码(请参阅此项目的文件demo.cpp,make.sh,load.sh),但是对于我认为使用OpenGL的FPS游戏UrbanTerror不起作用.我自己提供的函数gettimeofday被正确调用,但是由于某些原因我的glXSwapBuffers不是.这些游戏使用OpenGL的方式有何不同？如果是这样,怎么样？有关如何加入UrT和/或其他FPS游戏的任何提示都将受到欢迎.我在Ubuntu 11上.
我正在尝试为图像创建亲和度矩阵.我现在尝试使用简单的像素值差异,我的图像是84x84,扁平化它是一个大小为7056的向量,它给出了大小为7056x7056的亲和度矩阵A. 为了填写亲和度矩阵的值,我开始使用明显的方法:
import matplotlib.pyplot as plt
import numpy as np
Img = plt.imread("twoObj.bmp")
Img2 = Img.flatten()
(n,) = Img2.shape
print n
A = np.zeros((n,n))
for i in range(n):
for j in range(n):
A[i,j] = np.abs(Img2[i] - Img2[j])
但执行时间太长.Numpy中是否有任何内置方式,或者可用的库更快地运行它？
我需要处理发送到笔记本电脑视频显示器的图像,我需要使用C++或shell程序将键盘输入发送到我的Linux系统.
我的目标是处理属于FPS游戏的图像,然后根据这些图像在游戏中进行操作(因此键盘输入).我没有尝试理解(如果它甚至可能)如何使用某些API与游戏X或Y进行交互,我认为这是与任何游戏进行交互的最快捷方式,劫持Linux输入和输出.
没有任何内核或设备驱动程序黑客攻击,有没有办法做到这一点？之前我使用recordmydesktop将我的桌面记录为视频,我想我可以破解其代码并尝试从中进行逆向工程.还有其他想法吗？我在Ubuntu 11上.
linux x11 linux-device-driver linux-kernel function-interposition
我需要计算 N 行的点积；假设对于每一行，我需要计算 1xM 乘 MxM 乘 Mx1。如果我只看一行，我会从这个计算中得到 1x1。但是，我有 N 行，所以我想我会堆叠这些行，然后将其提供给点积；但是我得到了 NxN 矩阵。我需要的结果在对角线上，但是有没有一种更快的方法来进行这种计算，同时又不会浪费空间？理想情况下，我希望最终得到一个 Nx1 向量，而不是 NxN 矩阵。
例子
单排
r = np.array([[1,2]]).T
R = np.array([[2,2],[2,2]])
给
[[18]]
多行
rs = np.array([[1,2],[4,4]]).T
R = np.array([[2,2],[2,2]])
print np.dot(np.dot(rs.T,R), rs)
[[ 18 48]
[ 48 128]]