python的scipy教程

❶ python的scipy里的odeint这个求微分方程的函数怎么用啊

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) 实际使用中，还是主要使用前三个参数，即微分方程的描写函数、初值和需要求解函数值对应的的时间点。接收数组形式。这个函数，要求微分方程必须化为标准形式，即dy/dt=f(y,t,)。 fromscipyimportodeint y=odeint(dy/dt=r*y*(1-y/k),y(0)=0.1,t) 对于微分方程全还给老师了，

❷ 如何使用python进行scipy.odr

也可以用python自带的安装工具，pip install numpy scipy 等。如果没有pip的话，可以试试easy-install numpy scipy。打开cmd，在里面输入这些命令。
不想自己一个一个装的话，最简单的方法是安装python(x,y)套装，也可以考虑enthought套装，都有完整的安装包。
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 如何系统地学习Python 中 matplotlib，numpy，scipy，pandas

系统地学习Python的数据分析库（Numpy、Scipy、Pandas等）是一个伪命题，真正有效的学习应该是基于数据分析实战。
脱
离实战的学习如纸上谈兵，只有经历过实战的考验，才能真正掌握所学的内容。之前答主在学习这些库的时候，花费了大量的时间研读练习各种教程，但是在实际项
目的过程中，仍然捉襟见肘，需要花费大量的时间查文档，去Google里搜答案。细想其中缘由，无非是因为表面上“系统”地学习了大量的函数和功能，但是
如果不能学以致用，那就无法做到熟能生巧，融会贯通。

对于初学者来讲，第一步是根据教程，对这些库建立基本的认识。可以参考以下材料：
推荐材料：Python for Data Analysis
推荐理由：这本书很全面，讲的很细，涵盖了Numpy、Scipy几个主要的数据分析库。但是这本书的缺点和优点一样明显，主要在于成书时间太早（2012年最后修改），部分内容有些陈旧，同时由于讲的很细，很多内容不太适合初学者。
阅读建议：前五章认真看一下，复制书里的代码，并能够调试运行成功，后面的章节根据需要挑着看。在建立基本认识之后，需要通过实战来进行强化，可以参考以下材料：

Harvard CS109 Data Science
之前已经有同学提到过这门课，但是仍然要再安利一下。推荐这门课主要有如下原因

有视频教程，不会太枯燥。
涵盖面广，难度适中，适合入门。
课程包括了概率论、数理统计及机器学习等内容，这些都是实际工作中常用的分析工具。
理论与实践相结合，并以Python为主要编程语言。
涉及到一点文本分析以及MapRece、Spark等内容
2. Kaggle竞赛

如果想更进一步的了解如何用Python进行数据分析，那么，Kaggle一定是最好的选择。这里汇集了来自全世界各地的数据分析高手，社区非常的活跃，
同时也有很多有趣的比赛及项目。从适合初学者入门的数字识别器、泰坦尼克号生存率预测，到奖金几万甚至几十万美元的竞赛，再到由各大公司，如
Facebook, Walmart等，举办的以招聘为导向的竞赛，你总能找到一款适合你的
题主提到的其他问题，我的回答是：

Python做数据挖掘是否足够强大？
Python做数据挖掘强大，很强大，非常强大。大部分高科技公司的数据部门以Python和R为主，越来越多传统行业的数据部门也在进行Python数据分析的尝试。

学习数据挖掘需要学习哪些知识呢？
可以参考热帖：如何成为一名数据科学家? 数据挖掘是数据科学家应该具备的技能之一，大牛们已经给出了如何成为一名数据科学家的方法，照着做就可以了。

❹ 如何安装python和scipy，numpy，scikitllearn

如何安装python和scipy，numpy，scikitllearn
yum直接安装
sudo yum -y install gcc gcc-c++ numpy python-devel scipy
其实官网可以找到

❺ python3.4版本 scipy库函数怎么安装

下载：scipy-0.18.1-cp35-cp35m-win32.whl

可以通过命令

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



成功安装。但是试图在程序中使用时会发现：


• import scipy



必定报错。经过简单阅读发现，问题出在numpy-mkl上，即默认安装的numpy中不包含MKL库，scipy的依赖关系没有实现。
好在还是上面那个网站，可以找到包含MKL库版本的numpy：


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

卸载之前的numpy和scipy之后，利用pip重新安装下载的两个whl文件，不再出现问题，效果如图：
<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">当然，具体使用中会不会出现问题，现在还未知。

当然，具体使用中会不会出现问题，现在还未知。

❻ 请问怎么安装Python的scipy，pandas，numpy这三个包啊目前我的python版本是3.5.1。

1、Python做数据挖掘很强大，最近几年很火的机器学习以及较为前沿的自然语言处理也会选用Python作为基础工具。下面是我之前写的一点Python数分挖掘的简单案例，代码均有，可以看下：你用Python做过什么有趣的数据挖掘/分析项目？-据数的回答写的简单且乱，轻拍！2、楼主提到Python作图，提到了matplotlib库。其实楼主可以试一下seaborn，简单易上手而且结果美观：SeabornMatplotlib是Python主要的绘图库。但是，我不建议你直接使用它，原因与开始不推荐你使用NumPy是一样的。虽然Matplotlib很强大，它本身就很复杂，你的图经过大量的调整才能变精致。因此，作为替代，我推荐你一开始使用Seaborn。Seaborn本质上使用Matplotlib作为核心库（就像Pandas对NumPy一样）。我将简短地描述下seaborn的优点。具体来说，它可以：默认情况下就能创建赏心悦目的图表。（只有一点，默认不是jetcolormap）创建具有统计意义的图能理解pandas的DataFrame类型，所以它们一起可以很好地工作。上述引用来源：Python和数据科学的起步指南一两行代码就可以做出类似下面的图：详细学习资料可查看：Seaborn:statisticaldatavisualization3、本科能否从事数据挖掘这个就难说了。如果楼主聪明好学，数学+统计基础不错，而且有一定编程能力，再加上上学期间找一些相关的数据挖掘实习练习一些项目，这样很大概率是可以的！或者楼主虽是本科，但是有较好的学校专业背景，那也是可以的！其它情况不敢保证！

❼ 如何安装scipy python2.7 linux

yum直接安装 sudo yum -y install gcc gcc-c++ numpy python-devel scipy 其实官网可以找到

❽ python scipy怎么做层次聚类

Python机器学习包里面的cluster提供了很多聚类算法，其中ward_tree实现了凝聚层次聚类算法。
但是没有看明白ward_tree的返回值代表了什么含义，遂决定寻找别的实现方式。
经过查找，发现scipy.cluster.hierarchy.fclusterdata能够实现层次聚类。

❾ python 的scipy 里的 odeint 这个求微分方程的函数怎么用啊

scipy中提供了用于解常微分方程的函数odeint()，完整的调用形式如下：
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)
实际使用中，还是主要使用前三个参数，即微分方程的描写函数、初值和需要求解函数值对应的的时间点。接收数组形式。这个函数，要求微分方程必须化为标准形式，即dy/dt=f(y,t,)。

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

对于微分方程全还给老师了，
http://hyry.dip.jp:8000/pydoc/index.html
这个地址有很多关于python做科学计算的文档，你可以去查查