SciPy以NumPy为基础，提供了应用更加广泛的科学计算工具。

其在以下方面有着优秀的函数库：

1.线性代数

2.数值积分

3.插值

4.优化

5.随机数生成

6.信号处理

7.其他

与NumPy一样，SciPy有着稳定，成熟，且应用广泛的数值运算库。

许多SciPy函数仅仅是给诸如LAPACK，BLAS这样的Fortran数值计算工业标准库提供了接口。

在本文中，我们仅仅讨论一些常用的函数和特性，不做深入讨论。

一·SciPy与NumPy

由于SciPy以NumPy为基础，那么import scipy的同时便import 了numpy库。

所以，我们经常在SciPy函数的初始化文件中看到如下代码：

# Import numpy symbols to scipy name space
from numpy import *
from numpy.random import rand, randn
from numpy.fft import fft, ifft
from numpy.lib.scimath import *
# Remove the linalg imported from numpy so that the scipy.linalg package can be
# imported.
del linalg

scipy.optimize  scipy.integrate scipy.stats

所以这些子库需要分别import，比如：

import scipy.optimize
from scipy.integrate import quad

import numpy as np

二·统计子库 scipy.stats

scipy.stats的主要功能有以下几个方面：

1.数值随机变量对象（包括密度分布函数，累积分布函数，样本函数等）

2.一些估计方法

3.一些测试方法

随机变量与分布

考虑beta函数。

numpy 中提供了获取随机变量的样本的方法：

In [1]: import numpy as np

In [2]: np.random.beta(5, 5, size=3)
Out[2]: array([ 0.6167565 ,  0.67994589,  0.32346476])

为了获取更多beta分布的特性，我们经常使用scipy.stats

import numpy as np
from scipy.stats import beta
from matplotlib.pyplot import hist, plot, show
q = beta(5, 5)      # Beta(a, b), with a = b = 5 q是一个对象
obs = q.rvs(2000)   # 2000 observations 获得2000个样本
hist(obs, bins=40, normed=True)   
grid = np.linspace(0.01, 0.99, 100)
plot(grid, q.pdf(grid), 'k-', linewidth=2)
show()

In [14]: q.cdf(0.4)      # Cumulative distribution function  累积密度函数
Out[14]: 0.2665676800000002

In [15]: q.pdf(0.4)      # Density function   密度函数
Out[15]: 2.0901888000000004

In [16]: q.ppf(0.8)      # Quantile (inverse cdf) function   
Out[16]: 0.63391348346427079

In [17]: q.mean()
Out[17]: 0.5

identifier = scipy.stats.distribution_name(shape_parameters)

distributon_name有两个关键参数loc和scale。

identifier = scipy.stats.distribution_name(shape_parameters, `loc=c`, `scale=d`)

这里还有另一种方法生成与上一中方法一样的随机变量：

import numpy as np
from scipy.stats import beta
from matplotlib.pyplot import hist, plot, show
obs = beta.rvs(5, 5, size=2000) # 2000 observations
hist(obs, bins=40, normed=True)
grid = np.linspace(0.01, 0.99, 100)
plot(grid, beta.pdf(grid, 5, 5), 'k-', linewidth=2)
show()

In [19]: from scipy.stats import linregress

In [20]: x = np.random.randn(200)

In [21]: y = 2 * x + 0.1 * np.random.randn(200)

In [22]: gradient, intercept, r_value, p_value, std_err = linregress(x, y)

In [23]: gradient, intercept
Out[23]: (1.9962554379482236, 0.008172822032671799)

求根与稳定点：

稳定点：已知连续函数f(x) ,则函数f(x)的稳定点为x0，使得条件f(x0) = x0成立。

例如以下函数f(x)：

如果我们要求方程f(x) = 0的根的化，可以利用scipy.optimize的二分法bisect。

n [24]: from scipy.optimize import bisect

In [25]: f = lambda x: np.sin(4 * (x - 0.25)) + x + x**20 - 1

In [26]: bisect(f, 0, 1)
Out[26]: 0.40829350427936706

这一方法利用函数曲线的切线 逐渐逼近零点。

如果函数的形态很好，那么此方法比bisect更快。

如果函数的形态不好，那么它比bisect慢。这主要是由于此方法依赖于求导运算。

在实际求根过程中，常常采用混合方法，先用一种方法求解，如果速度不快，则寻找

另外更好的方法，加速求解。

在SciPy中，混合方法是brentq：

from scipy.optimize import brentq 

In [35]: brentq(f, 0, 1)
Out[35]: 0.40829350427936706

In [36]: timeit brentq(f, 0, 1)
10000 loops, best of 3: 63.2 us per loop

常常采用 scipy.optimize.fsolve      一个MinPACK库接口。

移步http://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.fsolve.html 见真相

稳定点问题：

In [1]: from scipy.optimize import fixed_point

In [2]: fixed_point(lambda x: x**2, 10.0)  # 10.0 is an initial guess
Out[2]: 1.0

优化问题

一元函数最小与最大值

In [9]: from scipy.optimize import fminbound

In [10]: fminbound(lambda x: x**2, -1, 2)  # Search in [-1, 2]
Out[10]: 0.0

多元函数局部优化：有以下几个函数

 minimize, fmin, fmin_powell, fmin_cg, fmin_bfgs, and fmin_ncg 

多元函数受限局部优化：fmin_l_bfgs_b, fmin_tnc, fmin_cobyla

由于涉及更加多的搜索算法等数学知识就不详细介绍了。

具体问题请到官网：http://docs.scipy.org/doc/scipy/reference/optimize.html  查询

积分

单变量积分可以利用quad方法

In [13]: from scipy.integrate import quad

In [14]: integral, error = quad(lambda x: x**2, 0, 1)

In [15]: integral
Out[15]: 0.33333333333333337

多元函数积分，固定误差积分等可以参见：http://docs.scipy.org/doc/scipy/reference/integrate.html

SciPy 基础