Scipy - 版本历史

Shen：/* 稀疏矩阵 */

2022-01-20T03:29:39Z

稀疏矩阵

←上一版本		2022年1月20日 (四) 03:29的版本
第6行：		第6行：
	import numpy as np		import numpy as np
	indptr = np.array([0,2,3,6]) #游标指针数据 = n+1，前面n个分别是各行数据的起点，最后一个是非零数据的总数		indptr = np.array([0,2,3,6]) #游标指针数据 = n+1，前面n个分别是各行数据的起点，最后一个是非零数据的总数
	第0组（第0行）在 indices / data 中的起始下标[0]；		第0组（第0行）在 indices / data 中的起始下标[0]；1组（第1行）在 indices / data 中的起始下标[2]；第2组（第2行）在 indices / data 中的起始下标[3]。
	第1组（第1行）在 indices / data 中的起始下标[2]；
	第2组（第2行）在 indices / data 中的起始下标[3]。
	indices = np.array([0,2,2,0,1,2]) #非零数据所在的列		indices = np.array([0,2,2,0,1,2]) #非零数据所在的列
	data = np.array([1,2,3,4,5,6]) #非零数据的数值		data = np.array([1,2,3,4,5,6]) #非零数据的数值

2022-01-20T03:29:15Z

←上一版本		2022年1月20日 (四) 03:29的版本
第6行：		第6行：
	import numpy as np		import numpy as np
	indptr = np.array([0,2,3,6]) #游标指针数据 = n+1，前面n个分别是各行数据的起点，最后一个是非零数据的总数		indptr = np.array([0,2,3,6]) #游标指针数据 = n+1，前面n个分别是各行数据的起点，最后一个是非零数据的总数
	#第0组（第0行）在 indices / data 中的起始下标[0]；		第0组（第0行）在 indices / data 中的起始下标[0]；
	#第1组（第1行）在 indices / data 中的起始下标[2]；		第1组（第1行）在 indices / data 中的起始下标[2]；
	#第2组（第2行）在 indices / data 中的起始下标[3]。		第2组（第2行）在 indices / data 中的起始下标[3]。
	indices = np.array([0,2,2,0,1,2]) #非零数据所在的列		indices = np.array([0,2,2,0,1,2]) #非零数据所在的列
	data = np.array([1,2,3,4,5,6]) #非零数据的数值		data = np.array([1,2,3,4,5,6]) #非零数据的数值

2022-01-20T03:29:01Z

@@ 第1行： / 第1行： @@
 http://www.scipy-lectures.org
-==积分==
+==稀疏矩阵==
- >>> from scipy.integrate import quad
+ from scipy.sparse import csr_matrix
 ==求函数最小值==

2018-03-02T08:23:34Z

←上一版本		2018年3月2日 (五) 08:23的版本
第19行：		第19行：
	*Non-linear least squares: Levenberg–Marquardt algorithm implemented in scipy.optimize.leastsq().		*Non-linear least squares: Levenberg–Marquardt algorithm implemented in scipy.optimize.leastsq().
	*If the function is linear, this is a linear-algebra problem, and should be solved with scipy.linalg.lstsq().		*If the function is linear, this is a linear-algebra problem, and should be solved with scipy.linalg.lstsq().

			==文件输出==
			# Some test data
			x = np.arange(200).reshape((4,5,10))
			# Specify the filename of the .mat file
			matfile = 'test_mat.mat'
			# Write the array to the mat file. For this to work, the array must be the value
			# corresponding to a key name of your choice in a dictionary
			scipy.io.savemat(matfile, mdict={'out': x}, oned_as='row')

			# For the above line, I specified the kwarg oned_as since python (2.7 with
			# numpy 1.6.1) throws a FutureWarning. Here, this isn't really necessary
			# since oned_as is a kwarg for dealing with 1-D arrays.

			# Now load in the data from the .mat that was just saved
			matdata = scipy.io.loadmat(matfile)
			# And just to check if the data is the same:
			assert np.all(x == matdata['out'])

2017-10-27T02:33:33Z

←上一版本		2017年10月27日 (五) 02:33的版本
第1行：		第1行：
	http://www.scipy-lectures.org		http://www.scipy-lectures.org

			==积分==
			>>> from scipy.integrate import quad
			>>> def integrand(x, a, b):
			... return ax*2 + b
			>>> a = 2
			>>> b = 1
			>>> I = quad(integrand, 0, 1, args=(a,b))




	==求函数最小值==		==求函数最小值==

2017-10-01T12:58:10Z

←上一版本		2017年10月1日 (日) 12:58的版本
第1行：		第1行：
	http://www.scipy-lectures.org		http://www.scipy-lectures.org

	*求函数最小值		==求函数最小值==
	:Methods based on conjugate gradient are named with ‘cg’ in scipy. The simple conjugate gradient method to minimize a function is scipy.optimize.fmin_cg():		*Methods based on conjugate gradient are named with ‘cg’ in scipy. The simple conjugate gradient method to minimize a function is scipy.optimize.fmin_cg():
	~~:In~~ scipy, scipy.optimize.fmin() implements the Nelder-Mead approach: (不太依赖于倒数)		*n scipy, scipy.optimize.fmin() implements the Nelder-Mead approach: (不太依赖于倒数)
	:Brute force: a grid search		*Brute force: a grid search
	scipy.optimize.brute() evaluates the function on a given grid of parameters and returns the parameters corresponding to the minimum value.		:scipy.optimize.brute() evaluates the function on a given grid of parameters and returns the parameters corresponding to the minimum value.The parameters are specified with ranges given to numpy.mgrid. By default, 20 steps are taken in each direction:
			*Non-linear least squares: Levenberg–Marquardt algorithm implemented in scipy.optimize.leastsq().
	The parameters are specified with ranges given to numpy.mgrid. By default, 20 steps are taken in each direction:
			*If the function is linear, this is a linear-algebra problem, and should be solved with scipy.linalg.lstsq().

2017-10-01T12:54:21Z

←上一版本		2017年10月1日 (日) 12:54的版本
第4行：		第4行：
	:Methods based on conjugate gradient are named with ‘cg’ in scipy. The simple conjugate gradient method to minimize a function is scipy.optimize.fmin_cg():		:Methods based on conjugate gradient are named with ‘cg’ in scipy. The simple conjugate gradient method to minimize a function is scipy.optimize.fmin_cg():
	:In scipy, scipy.optimize.fmin() implements the Nelder-Mead approach: (不太依赖于倒数)		:In scipy, scipy.optimize.fmin() implements the Nelder-Mead approach: (不太依赖于倒数)
			:Brute force: a grid search
			scipy.optimize.brute() evaluates the function on a given grid of parameters and returns the parameters corresponding to the minimum value.
			The parameters are specified with ranges given to numpy.mgrid. By default, 20 steps are taken in each direction:

2017-10-01T12:51:55Z

←上一版本		2017年10月1日 (日) 12:51的版本
第2行：		第2行：

	*求函数最小值		*求函数最小值
	~~：Methods~~ based on conjugate gradient are named with ‘cg’ in scipy. The simple conjugate gradient method to minimize a function is scipy.optimize.fmin_cg():		:Methods based on conjugate gradient are named with ‘cg’ in scipy. The simple conjugate gradient method to minimize a function is scipy.optimize.fmin_cg():
			:In scipy, scipy.optimize.fmin() implements the Nelder-Mead approach: (不太依赖于倒数)

2017-10-01T12:48:44Z

←上一版本		2017年10月1日 (日) 12:48的版本
第1行：		第1行：
	http://www.scipy-lectures.org		http://www.scipy-lectures.org

			*求函数最小值
			：Methods based on conjugate gradient are named with ‘cg’ in scipy. The simple conjugate gradient method to minimize a function is scipy.optimize.fmin_cg():

2017-09-30T08:40:05Z

创建页面，内容为“http://www.scipy-lectures.org”

新页面

http://www.scipy-lectures.org