python的scipy教程

❶ python的scipy里的odeint這個求微分方程的函數怎麼用啊

scipy.integrate.odeint(func,y0,t,args=(),Dfun=None,col_deriv=0,full_output=0,ml=None,mu=None,rtol=None,atol=None,tcrit=None,h0=0.0,hmax=0.0,hmin=0.0,ixpr=0,mxstep=0,mxhnil=0,mxordn=12,mxords=5,printmessg=0) 實際使用中，還是主要使用前三個參數，即微分方程的描寫函數、初值和需要求解函數值對應的的時間點。接收數組形式。這個函數，要求微分方程必須化為標准形式，即dy/dt=f(y,t,)。 fromscipyimportodeint y=odeint(dy/dt=r*y*(1-y/k),y(0)=0.1,t) 對於微分方程全還給老師了，

❷ 如何使用python進行scipy.odr

也可以用python自帶的安裝工具，pip install numpy scipy 等。如果沒有pip的話，可以試試easy-install numpy scipy。打開cmd，在裡面輸入這些命令。
不想自己一個一個裝的話，最簡單的方法是安裝python(x,y)套裝，也可以考慮enthought套裝，都有完整的安裝包。
如果用linux也很方便，比如ubuntu下用sudo apt-get install python-numpy python-scipy python-matplotlib等。

❸ 如何系統地學習Python 中 matplotlib，numpy，scipy，pandas

系統地學習Python的數據分析庫（Numpy、Scipy、Pandas等）是一個偽命題，真正有效的學習應該是基於數據分析實戰。
脫
離實戰的學習如紙上談兵，只有經歷過實戰的考驗，才能真正掌握所學的內容。之前答主在學習這些庫的時候，花費了大量的時間研讀練習各種教程，但是在實際項
目的過程中，仍然捉襟見肘，需要花費大量的時間查文檔，去Google里搜答案。細想其中緣由，無非是因為表面上「系統」地學習了大量的函數和功能，但是
如果不能學以致用，那就無法做到熟能生巧，融會貫通。

對於初學者來講，第一步是根據教程，對這些庫建立基本的認識。可以參考以下材料：
推薦材料：Python for Data Analysis
推薦理由：這本書很全面，講的很細，涵蓋了Numpy、Scipy幾個主要的數據分析庫。但是這本書的缺點和優點一樣明顯，主要在於成書時間太早（2012年最後修改），部分內容有些陳舊，同時由於講的很細，很多內容不太適合初學者。
閱讀建議：前五章認真看一下，復制書里的代碼，並能夠調試運行成功，後面的章節根據需要挑著看。在建立基本認識之後，需要通過實戰來進行強化，可以參考以下材料：

Harvard CS109 Data Science
之前已經有同學提到過這門課，但是仍然要再安利一下。推薦這門課主要有如下原因

有視頻教程，不會太枯燥。
涵蓋面廣，難度適中，適合入門。
課程包括了概率論、數理統計及機器學習等內容，這些都是實際工作中常用的分析工具。
理論與實踐相結合，並以Python為主要編程語言。
涉及到一點文本分析以及MapRece、Spark等內容
2. Kaggle競賽

如果想更進一步的了解如何用Python進行數據分析，那麼，Kaggle一定是最好的選擇。這里匯集了來自全世界各地的數據分析高手，社區非常的活躍，
同時也有很多有趣的比賽及項目。從適合初學者入門的數字識別器、泰坦尼克號生存率預測，到獎金幾萬甚至幾十萬美元的競賽，再到由各大公司，如
Facebook, Walmart等，舉辦的以招聘為導向的競賽，你總能找到一款適合你的
題主提到的其他問題，我的回答是：

Python做數據挖掘是否足夠強大？
Python做數據挖掘強大，很強大，非常強大。大部分高科技公司的數據部門以Python和R為主，越來越多傳統行業的數據部門也在進行Python數據分析的嘗試。

學習數據挖掘需要學習哪些知識呢？
可以參考熱帖：如何成為一名數據科學家? 數據挖掘是數據科學家應該具備的技能之一，大牛們已經給出了如何成為一名數據科學家的方法，照著做就可以了。

❹ 如何安裝python和scipy，numpy，scikitllearn

如何安裝python和scipy，numpy，scikitllearn
yum直接安裝
sudo yum -y install gcc gcc-c++ numpy python-devel scipy
其實官網可以找到

❺ python3.4版本 scipy庫函數怎麼安裝

下載：scipy-0.18.1-cp35-cp35m-win32.whl

可以通過命令

• pip install scipy-0.18.1-cp35-cp35m-win32.whl



成功安裝。但是試圖在程序中使用時會發現：


• import scipy



必定報錯。經過簡單閱讀發現，問題出在numpy-mkl上，即默認安裝的numpy中不包含MKL庫，scipy的依賴關系沒有實現。
好在還是上面那個網站，可以找到包含MKL庫版本的numpy：


• numpy-1.11.2+mkl-cp35-cp35m-win32.whl

卸載之前的numpy和scipy之後，利用pip重新安裝下載的兩個whl文件，不再出現問題，效果如圖：
<img src="https://pic1.mg.com/50/_hd.png" data-rawwidth="938" data-rawheight="314" class="origin_image zh-lightbox-thumb" width="938" data-original="https://pic1.mg.com/_r.png">當然，具體使用中會不會出現問題，現在還未知。

當然，具體使用中會不會出現問題，現在還未知。

❻ 請問怎麼安裝Python的scipy，pandas，numpy這三個包啊目前我的python版本是3.5.1。

1、Python做數據挖掘很強大，最近幾年很火的機器學習以及較為前沿的自然語言處理也會選用Python作為基礎工具。下面是我之前寫的一點Python數分挖掘的簡單案例，代碼均有，可以看下：你用Python做過什麼有趣的數據挖掘/分析項目？-據數的回答寫的簡單且亂，輕拍！2、樓主提到Python作圖，提到了matplotlib庫。其實樓主可以試一下seaborn，簡單易上手而且結果美觀：SeabornMatplotlib是Python主要的繪圖庫。但是，我不建議你直接使用它，原因與開始不推薦你使用NumPy是一樣的。雖然Matplotlib很強大，它本身就很復雜，你的圖經過大量的調整才能變精緻。因此，作為替代，我推薦你一開始使用Seaborn。Seaborn本質上使用Matplotlib作為核心庫（就像Pandas對NumPy一樣）。我將簡短地描述下seaborn的優點。具體來說，它可以：默認情況下就能創建賞心悅目的圖表。（只有一點，默認不是jetcolormap）創建具有統計意義的圖能理解pandas的DataFrame類型，所以它們一起可以很好地工作。上述引用來源：Python和數據科學的起步指南一兩行代碼就可以做出類似下面的圖：詳細學習資料可查看：Seaborn:statisticaldatavisualization3、本科能否從事數據挖掘這個就難說了。如果樓主聰明好學，數學+統計基礎不錯，而且有一定編程能力，再加上上學期間找一些相關的數據挖掘實習練習一些項目，這樣很大概率是可以的！或者樓主雖是本科，但是有較好的學校專業背景，那也是可以的！其它情況不敢保證！

❼ 如何安裝scipy python2.7 linux

yum直接安裝 sudo yum -y install gcc gcc-c++ numpy python-devel scipy 其實官網可以找到

❽ python scipy怎麼做層次聚類

Python機器學習包裡面的cluster提供了很多聚類演算法，其中ward_tree實現了凝聚層次聚類演算法。
但是沒有看明白ward_tree的返回值代表了什麼含義，遂決定尋找別的實現方式。
經過查找，發現scipy.cluster.hierarchy.fclusterdata能夠實現層次聚類。

❾ python 的scipy 里的 odeint 這個求微分方程的函數怎麼用啊

scipy中提供了用於解常微分方程的函數odeint()，完整的調用形式如下：
scipy.integrate.odeint(func, y0, t, args=(), Dfun=None, col_deriv=0, full_output=0, ml=None, mu=None, rtol=None, atol=None, tcrit=None, h0=0.0, hmax=0.0,hmin=0.0, ixpr=0, mxstep=0, mxhnil=0, mxordn=12, mxords=5, printmessg=0)
實際使用中，還是主要使用前三個參數，即微分方程的描寫函數、初值和需要求解函數值對應的的時間點。接收數組形式。這個函數，要求微分方程必須化為標准形式，即dy/dt=f(y,t,)。

from scipy import odeint
y = odeint(dy/dt=r*y*(1-y/k) ,y(0)=0.1,t)

對於微分方程全還給老師了，
http://hyry.dip.jp:8000/pydoc/index.html
這個地址有很多關於python做科學計算的文檔，你可以去查查