python科學計算包
㈠ 如何快速優雅的使用python的科學計算庫
Python是一種強大的編程語言，其提供了很多用於科學計算的模塊，常見的包括numpy、scipy、pandas和matplotlib。要利用Python進行科學計算，就需要一一安裝所需的模塊，而這些模塊可能又依賴於其它的軟體包或庫，因而安裝和使用起來相對麻煩。幸好有人專門在做這一類事情，將科學計算所需要的模塊都編譯好，然後打包以發行版的形式供用戶使用，Anaconda就是其中一個常用的科學計算發行版。
我們從網站(鏈接1)下載的默認的Anaconda版本已經內置了很多庫（鏈接2），包括numpy等。
盡管Anaconda已經自帶了大量科學計算中的常用模塊，可以直接使用。有時需要安裝一些其他python模塊。比如：
conda
anaconda自帶了conda命令用於安裝與更新模塊，比如:
1 conda install scipy2 conda update scipy
安裝完我們需要的庫之後，如果我們採用隨Anaconda一起安裝的spyder作為開發環境，那麼本文就結束了o_o
事實上是，我一直在用pycharm作為python開發的IDE。寫本文之前的5個小時內我一直在嘗試各種不同方法讓我電腦里的pycharm可以成功安裝好numpy庫，瀏覽完各大中外網站介紹的方法後讓我意識到這是一個很煩的問題。採用包括但不限於pip命令、安裝相應的各種版本whl文件都因為各種各樣的原因失效。極其失望的我嘗試了安裝了Anaconda，在這個界面（鏈接3）我發現了
「How to set up an IDE to use Anaconda」
它裡面介紹了幾種軟體使用Anaconda的方法，包括Pycharm。
Spyder
Python Tools for Visual Studio (PTVS)
PyCharm
Eclipse & PyDev
Wing IDE
Ninja IDE
因此，配置完pycharm調用Anaconda後，我們在可以快樂的在pycharm裡面調用各種科學計算庫啦。
具體步驟如下：
1.安裝Anaconda
2.安裝Pycharm
3.在Pycharm的Files>>settings>>Project Interpreter>>Add local 裡面添加Anaconda python.exe. 應用之後就可以調用各種Anaconda的庫啦。
有點曲線救國的味道
㈡ python數據分析的包 哪些
IPython
IPython 是一個在多種編程語言之間進行交互計算的命令行 shell，最開始是用 python 開發的，提供增強的內省，富媒體，擴展的 shell
語法，tab 補全，豐富的歷史等功能。IPython 提供了如下特性：
更強的交互 shell(基於 Qt 的終端)
一個基於瀏覽器的記事本，支持代碼，純文本，數學公式，內置圖表和其他富媒體
支持交互數據可視化和圖形界面工具
靈活，可嵌入解釋器載入到任意一個自有工程里
簡單易用，用於並行計算的高性能工具
由數據分析總監，Galvanize 專家 Nir Kaldero 提供。
GraphLab Greate 是一個 Python 庫，由 C++ 引擎支持，可以快速構建大型高性能數據產品。
這有一些關於 GraphLab Greate 的特點：
可以在您的計算機上以交互的速度分析以 T 為計量單位的數據量。
在單一平台上可以分析表格數據、曲線、文字、圖像。
最新的機器學習演算法包括深度學習，進化樹和 factorization machines 理論。
可以用 Hadoop Yarn 或者 EC2 聚類在你的筆記本或者分布系統上運行同樣的代碼。
藉助於靈活的 API 函數專注於任務或者機器學習。
在雲上用預測服務便捷地配置數據產品。
為探索和產品監測創建可視化的數據。
由 Galvanize 數據科學家 Benjamin Skrainka 提供。
Pandas
pandas 是一個開源的軟體，它具有 BSD 的開源許可，為 Python
編程語言提供高性能，易用數據結構和數據分析工具。在數據改動和數據預處理方面，Python 早已名聲顯赫，但是在數據分析與建模方面，Python
是個短板。Pands 軟體就填補了這個空白，能讓你用 Python 方便地進行你所有數據的處理，而不用轉而選擇更主流的專業語言，例如 R 語言。
整合了勁爆的 IPyton 工具包和其他的庫，它在 Python 中進行數據分析的開發環境在處理性能，速度，和兼容方面都性能卓越。Pands
不會執行重要的建模函數超出線性回歸和面板回歸;對於這些，參考 statsmodel 統計建模工具和 scikit-learn 庫。為了把 Python
打造成頂級的統計建模分析環境，我們需要進一步努力，但是我們已經奮斗在這條路上了。
由 Galvanize 專家，數據科學家 Nir Kaldero 提供。
PuLP
線性編程是一種優化，其中一個對象函數被最大程度地限制了。PuLP 是一個用 Python
編寫的線性編程模型。它能產生線性文件，能調用高度優化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，來求解這些線性問題。
由 Galvanize 數據科學家 Isaac Laughlin 提供
Matplotlib
matplotlib 是基於 Python 的
2D(數據)繪圖庫，它產生(輸出)出版級質量的圖表，用於各種列印紙質的原件格式和跨平台的互動式環境。matplotlib 既可以用在 python 腳本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 應用伺服器，和6類 GUI
工具箱。
matplotlib 嘗試使容易事情變得更容易，使困難事情變為可能。你只需要少量幾行代碼，就可以生成圖表，直方圖，能量光譜(power
spectra)，柱狀圖，errorcharts，散點圖(scatterplots)等，。
為簡化數據繪圖，pyplot 提供一個類 MATLAB 的介面界面，尤其是它與 IPython
共同使用時。對於高級用戶，你可以完全定製包括線型，字體屬性，坐標屬性等，藉助面向對象介面界面，或項 MATLAB 用戶提供類似(MATLAB)的界面。
Galvanize 公司的首席科學官 Mike Tamir 供稿。
Scikit-Learn
Scikit-Learn 是一個簡單有效地數據挖掘和數據分析工具(庫)。關於最值得一提的是，它人人可用，重復用於多種語境。它基於
NumPy，SciPy 和 mathplotlib 等構建。Scikit 採用開源的 BSD 授權協議，同時也可用於商業。Scikit-Learn
具備如下特性：
分類(Classification) – 識別鑒定一個對象屬於哪一類別
回歸(Regression) – 預測對象關聯的連續值屬性
聚類(Clustering) – 類似對象自動分組集合
降維(Dimensionality Rection) – 減少需要考慮的隨機變數數量
模型選擇(Model Selection) –比較、驗證和選擇參數和模型
預處理(Preprocessing) – 特徵提取和規范化
Galvanize 公司數據科學講師，Isaac Laughlin提供
Spark
Spark 由一個驅動程序構成，它運行用戶的 main 函數並在聚類上執行多個並行操作。Spark
最吸引人的地方在於它提供的彈性分布數據集(RDD)，那是一個按照聚類的節點進行分區的元素的集合，它可以在並行計算中使用。RDDs 可以從一個 Hadoop
文件系統中的文件(或者其他的 Hadoop 支持的文件系統的文件)來創建，或者是驅動程序中其他的已經存在的標量數據集合，把它進行變換。用戶也許想要 Spark
在內存中永久保存 RDD，來通過並行操作有效地對 RDD 進行復用。最終，RDDs 無法從節點中自動復原。
Spark 中第二個吸引人的地方在並行操作中變數的共享。默認情況下，當 Spark
在並行情況下運行一個函數作為一組不同節點上的任務時，它把每一個函數中用到的變數拷貝一份送到每一任務。有時，一個變數需要被許多任務和驅動程序共享。Spark
支持兩種方式的共享變數：廣播變數，它可以用來在所有的節點上緩存數據。另一種方式是累加器，這是一種只能用作執行加法的變數，例如在計數器中和加法運算中。
㈢ python安裝科學計算包出問題，請大俠指點
ImportError: No mole named six
Pylab包內部需要使用six包，需要另外安裝
命令提示符下輸入
pip install six
㈣ numpy或python的其它科學計算包中能不能指定任意精度
numpy或python的其它科學計算包中能不能指定任意精度
這是第一個題，大概做了2個小時吧，各種糾結啊，後面兩個正在做。中間遇到的問題總結：
函式的利用，os.path.walk，python字元集，getopt模塊的使用學習，os.path.exists()的利用，列表的對應關系等等
習題2 ：關鍵詞-----》序列號問題：
[html]
#!/usr/bin/python
#coding=utf-8
import sys
def collect(file):
result={}
for line in file.readlines():
left,right=line.split()
if result.has_key(right):
result[right].append(left)
else:
result[right]=[left]
return result
if __name__=="__main__":
print sys.argv
if len(sys.argv)==1:
print 'usage:\tpython value_keys.py test.txt'
㈤ 什麼是Python科學計算
本書介紹如何用Python開發科學計算的應用程序，除了介紹數值計算之外，還著重介紹如何製作互動式的2D、3D圖像，如何設計精巧的程序界面，如何與C語言編寫的高速計算程序結合，如何編寫聲音、圖像處理演算法等內容。書中涉及的Python擴展庫包括NumPy、SciPy、SymPy、matplotlib、Traits、TraitsUI、Chaco、TVTK、Mayavi、VPython、OpenCV等，涉及的應用領域包括數值運算、符號運算、二維圖表、三維數據可視化、三維動畫演示、圖像處理以及界面設計等。書中以大量實例引導讀者逐步深入學習，每個實常式序都有詳盡的解釋，並都能在本書推薦的運行環境中正常運行。此外，本書附有大量的圖表和插圖，力求減少長篇的理論介紹和公式推導，以便讀者通過實例和數據學習並掌握理論知識。
㈥ 有沒有可以並行計算的python科學計算庫
因為我的程序中需要並行的是優化計算的evaluation部分，所以如果能夠找到一些支持並行優專化的庫就可以。
從python官網上，可以找屬到一個DEAP庫（git上有），利用map進行並行計算。
這個庫的優點是，documents和例子是非常詳細的。很多函數，用戶可以根據自己的需求修改，介面還是很好用的。
DEAP中是通過調用了一個scoop庫（git上有）中的map函數來進行並行計算的。
如果你的項目不是優化，可以直接用scoop來做並行計算，scoop的documents也是蠻詳細的。
㈦ 如何安裝Python數據科學計算庫
數據科學計算庫
Python中的數據科學計算庫有Numpy、Scipy、pandas、matplotlib（前面我分享了一篇matplotlib的簡單應用，歷史文章裡面就有）。
Numpy是一個基礎性的Python庫，為我們提供了常用的數值數組和函數。
Scipy是Python的科學計算庫，對Numpy的功能進行了擴充，同時也有部分功能是重合的。Numpy和Scipy曾經共享過基礎代碼。
pandas是一個流行的開源Python項目，它的名稱取panel data（面板數據，一個計量經濟學的術語）和Python data analysis（Python數據分析）的意思。
matplotlib是一個基於Numpy的繪圖庫。
庫的安裝
安裝這些庫之前要先安裝Python，默認已全部安裝，（Windows直接下載安裝，Linux自帶2.7版本，可以自行安裝3.6版本）。
為了節約時間在更重要的知識上，這里只介紹最簡單的安裝方式，即包管理工具安裝Python庫。
不管是Windows和Linux下，都可以在命令行下直接使用下面的命令來安裝相關的庫，前提是已經安裝了pip包（pip包管理工具的相關安裝可以看原文這里有鏈接）：
pip install numpy scipy pandas matplotlib或（easy_install是Python自帶的）easy_install numpy scipy pandas matplotlib#Linux下安裝pip包sudo apt-get install python-pip
說明：Linux下如果涉及許可權問題則需要開頭添加sudo。安裝示例如下所示：
Numpy數組簡單示例
我們已經安裝好了numpy，然後就可以來個簡單的小測試了。與傳統的Python列表相比，進行數值運算時，numpy數組的效率要高的多。
完成相同的運算時，numpy代碼和Python傳統代碼相比用到的顯式循環語句明顯要少，因為numpy是基於向量化的運算。
假設要對向量a和b進行求和，這里的向量指的是一個「一維數組」，a存放的是整數0到n-1的2次冪，如果n等於3，則a存的是0、1、4，向量b存的是整數0到n的3次冪，下面來看一下普通Python代碼和numpy來計算的差別：
先看代碼：
#filename:vectorsSum.pyimport sysfrom datetime import datetimeimport numpy as np#numpy方法def numpySum(n):a = np.arange(n, dtype = 'int64')**2#3次冪太大會溢出，注意(後面細說)b = np.arange(n, dtype = 'int64')**3c = a + breturn c#普通方法def pythonSum(n):#range() 返回的是「range object」，而不是實際的list 值,所以這里要加上lista = list(range(n))b = list(range(n))c = []for i in range(len(a)):a[i] = i ** 2b[i] = i ** 3c.append(a[i] + b[i])return csize = int(sys.argv[1])start = datetime.now()c = pythonSum(size)delta = datetime.now() - startprint ("最後兩個元素的和：", c[-2:])print ("pythonSum花費的時間（微秒）", delta.microseconds)start = datetime.now()c = numpySum(size)delta = datetime.now() - startprint ("最後兩個元素的和：", c[-2:])print ("numpySum花費的時間（微秒）", delta.microseconds)#下面測試一下對與1000個，2000個，3000個向量元素，運行結果如下圖所示。
看一下運行結果：
上面的結果看到，numpy的計算效率比普通的方法要快不少，所以開始學習吧。
㈧ 為什麼Python適合科學計算
原因大約有以下幾點：
1. Python的語法簡單，這對很少接觸編程的搞學術老師的福音。
2. Python相較於其他語言有更豐富的模塊，比如科學計算的numpy。
3. Python越來越流行。
Python(英語發音:/ˈpaɪθən/), 是一種面向對象、解釋型計算機程序設計語言，由Guido van Rossum於1989年底發明，第一個公開發行版發行於1991年，Python 源代碼同樣遵循 GPL(GNU General Public License)協議。
Python語法簡潔而清晰，具有豐富和強大的類庫。它常被昵稱為膠水語言，能夠把用其他語言製作的各種模塊(尤其是C/C++)很輕松地聯結在一起。
常見的一種應用情形是，使用Python快速生成程序的原型(有時甚至是程序的最終界面)，然後對其中有特別要求的部分，用更合適的語言改寫，比如3D游戲中的圖形渲染模塊，性能要求特別高，就可以用C/C++重寫，而後封裝為Python可以調用的擴展類庫。需要注意的是在您使用擴展類庫時可能需要考慮平台問題，某些可能不提供跨平台的實現。
它常被昵稱為膠水語言，它能夠很輕松的把用其他語言製作的各種模塊（尤其是C/C++）輕松地聯結在一起。常見的一種應用情形是，使用python快速生成程序的原型（有時甚至是程序的最終界面），然後對其中有特別要求的部分，用更合適的語言改寫。比如3D游戲中的圖形渲染模塊，速度要求非常高，就可以用C++重寫。
㈨ 求Python科學計算第二版的PDF文件
我這整理了一些Python入門學習的電子書想要的可以sixin
㈩ 如何給python載入科學計算庫
1.安裝
安裝Python2.7:hownloads/release/python-2712/根據電腦配置選擇合適版本下載安裝。
安裝過python之後，Python27Scripts有pip.exe，在Python27Scripts文件夾下運行cmd（點擊Shift+右鍵），可以用pip安裝其他包。
1. 安裝科學計算庫
pip installjupyter
pip installpandas
pip installnumpy
pip installmatplotlib
pip installseaborn
pip installscikit-learn
2. 用上述方式安裝scipy不成功，可以這樣：在ci.e/~gohlke/pythonlibs/下載合適的whl包，pip install <拖入下載到的scipy包>。安裝後import scipy若提示缺少numpy+MKL，可以pip uninstall numpy，再下載numpy+MKL的whl包，pip install *.whl。
檢測安裝是否成功，打開Python的shell，輸入：
import matplotlib
import numpy
import scipy等，若不報錯，就安裝成功。
比如生成一個y=x的直線：
import matplotlib.pyplot as plt
plt.plot([1,2,3])
plt.ylabel('some numbers')
plt.show()1234
上述是我採用的安裝方式，過程比較順利，除了pip，還有其他的方式哈：
1. 用easy_install安裝，但是這種方法卸載不方便，不推薦。
2. 用anaconda的conda命令，好像也很常用，因為conda會安裝或者更新一些依賴庫，但是pip未必。有興趣的可以試試。
2. 科學計算庫的使用
綜合：
1.遇到Numpy陌生函數，查詢用法
2.pandas教程及API
pandas讀取csv文件，提供了大量能使我們快速便捷地處理數據的函數和方法。
3.Matplotlib Tutorial(譯)
是python最著名的繪圖庫,它提供了一整套和matlab相似的命令API,十分適合互動式地進行制圖。
數據可視化：
1.Seaborn tutorial
Seaborn模塊自帶許多定製的主題和高級的介面，來控制matplotlib圖表的外觀。
機器演算法：
1.scikit-learn
scikit-learn的基本功能主要被分為六個部分，分類，回歸，聚類，數據降維，模型選擇，數據預處理，機器學習模型非常豐富，包括SVM，決策樹，GBDT，KNN等等，可以根據問題的類型選擇合適的模型，具體可以參考官方網站上的文檔。