python的数据与matlab互通问题:SciPy

目录

• python数据与matlab互通SciPy
• python利用scipy.io.savemat()存储日志
• 利用matlab读取mat日志的方法
• Python数据分析scipy
• 定积分scipy.integrate
• 优化器scipy.optimize
• 插值scipy.interpolate
• 线性计算与矩阵分解scipy.linalg
• 总结

python数据与matlab互通SciPy

有时候需要利用python进行科学计算，但需要Matlab进行交互式画图，因此需要掌握python与matlab数据互通的技巧：SciPy

• SciPy 提供了与 Matlab 的交互的方法。
• SciPy 的 scipy.io 模块提供了很多函数来处理 Matlab 的数组。

python利用scipy.io.savemat()存储日志

参考：https://docs.scipy.org/doc/scipy/reference/generated/scipy.io.savemat.html

（一）语法

scipy.io.savemat（file_name， mdict， appendmat = True， format = '5'， long_field_names = False， do_compression = False， oned_as = 'row')
参数
file_name:str
      .mat 文件的名称（如果没有扩展名，需要设置appendmat == True）
mdict:dict
      从中保存 matfile 变量的字典。
appendmat:布尔值，可选
      True（默认值）将 .mat 扩展名附加到给定文件名的末尾（如果尚不存在）。
fomat：{'5', '4'}，字符串，可选
      '5'（默认值）用于 MATLAB 5 及更高版本（至 7.2），'4' 用于 MATLAB 4 .mat 文件。
long_field_names：布尔型，可选
      False（默认值）- 结构中的最大字段名称长度为 31 个字符，这是记录的最大长度。True - 结构中的最大字段名称长度为 63 个字符，适用于 MATLAB 7.6+。
do_compression：布尔值，可选
      是否在写入时压缩矩阵。默认为假。
oned_as ：{'row', 'column'}，可选
      如果是 'column'，则将一维 NumPy 数组写为列向量。如果为“行”，则将一维 NumPy 数组写为行向量。

（二）例子

from scipy import io
import numpy as np
arr = np.arange(10)

io.savemat('arr.mat', {"vec": arr})
#如果存入多组数据
io.savemat('saveddata.mat', {'xi': xi,'yi': yi,'ui': ui,'vi': vi})

利用matlab读取mat日志的方法

（一）载入日志文件

mat_struct=load('C:\Users\XXX\Desktop\task3-2022y01m23d-17h52m.mat');

（二）取出元素

mat_struct=load('C:\Users\XXX\Desktop\task3-2022y01m23d-17h52m.mat');
ans=mat_struct.ans;
select_info=mat_struct.select_info;
select_info_p=mat_struct.select_info_p;
clear mat_struct;

Python数据分析scipy

SciPy是一组专门解决科学计算中各种标准问题域的包的集合，主要包括下面这些包：

• scipy.integrate：数值积分例程和微分方程求解器
• scipy.linalg：扩展了由numpy.linalg提供的线性代数例程和矩阵分解功能
• scipy.optimize：函数优化器（最小化器）以及跟查找算法
• scipy.signal：信号处理工具
• scipy.sparse：稀疏矩阵和系数线性系统求解器
• scipy.special：SPECFUN(这是一个实现了许多常用数学函数（如伽马函数）的Fortran库)的包装器
• scipy.stats：标准连续和离散概率分布（如密度函数、采样器、连续分布函数等）、各种统计检验方法，以及更好的描述统计法
• scipy.weave：利用内联C++代码加速数组计算的工具

定积分scipy.integrate

导入积分模块：

import numpy as np #导入numpy库
from scipy import integrate #导入定积分模块

scipy.integrate.quad（func,a,b）：计算单重积分，参数分别为被积函数（f(x)）、积分下限、积分上限

res, err = integrate.quad(np.sin, 0, np.pi/2) # 对sin函数在[0,$\pi/2$]区间上积分，quad函数返回两个值，第一个为积分结果，第二个为误差值
print(integrate.quad(lambda x:x**2,0,1)) # 计算x**2的定积分，积分区间为0到1，并输出结果

scipy.integrate.dblquad（func,a,b,gfun,hfun）：计算双重积分，参数分别为被积函数（f(y,x)）、x的积分下限、x的积分上限、y的积分下限、y的积分上限

print(integrate.dblquad(lambda x,y:x**2+y,0,2,lambda x:0,lambda x:1)) #对x**2+y求定积分，x积分区间[0,1],y积分区间[0,2]，并输出结果

scipy.integrate.nquad（func,ranges）：计算多重积分，参数分别为被积函数（f(x0,x1,…,xn)）、积分区间（格式为[[a,b],[c,d],[e,f]],依次为x0、x1、x2、的积分区间）

def f(x,y):
    return x**2+y
 
def bound_x():
    return [0,1]
 
def bound_y():
    return [0,2]
 
print(integrate.nquad(f,[bound_x,bound_y]))

优化器scipy.optimize

导入模块

import numpy as np #导入numpy库
from scipy import optimize #导入优化模块

scipy.optimize.minimize(func,x0,args=(),method=None,jac=None)：计算标量函数的最小值，参数分别为标量函数、初值、、寻优方法

寻优方法有：

插值scipy.interpolate

导入模块

import numpy as np #导入numpy库
from scipy import interpolate #导入interpolate模块
import matplotlib.pyplot as plt #导入绘图模块

x = np.linspace(0, 1, 10) #创建数组，相当于x
y = np.sin(2 * np.pi * x) #相当于y

  

scipy.interpolate.interp1d()：1维插值函数

linear_f = interpolate.interp1d(x, y) #线性插值函数
x_new = np.linspace(0, 1, 50) #插值后的x
y_new = linear_f(x_new) #线性插值后的y
cubic_f = interpolate.interp1d(x, y, kind='cubic') #应用插值函数
cubic_y = cubic_f(x_new) #插值后的y值 

展示效果

plt.figure()
plt.plot(x, y, 'o', ms=6, label='x')
plt.plot(x_new, y_new, label='linear interp')
plt.plot(x_new, cubic_y, label='cubic interp')
plt.legend()
plt.show()

线性计算与矩阵分解scipy.linalg

导入模块

import numpy as np #导入numpy库
from scipy import linalg as lg #导入scipy库的linalg模块
arr=np.array([[1,2],[3,4]]) #创建方阵arr
b=np.array([6,14]) #创建矩阵b

scipy.linalg.det()：计算方阵的行列式

print('Det:',lg.det(arr)) #求矩阵arr的行列式

scipy.linalg.inv()：计算方阵的逆矩阵

print('Inv:',lg.inv(arr)) #求矩阵arr的逆矩阵

scipy.linalg.eig()：计算方阵的特征向量

print('Eig:',lg.eig(arr)) #求矩阵arr的特征向量

scipy.linalg.svd()：对矩阵进行奇异值分解

print('SVD:',lg.svd(arr)) #对矩阵arr进行svd分解

scipy.linalg.lu()：对矩阵进行LU分解

print('LU:',lg.lu(arr)) #对矩阵arr进行lu分解

scipy.linalg.qr()：对矩阵进行QR分解

print('QR:',lg.qr(arr)) #对矩阵arr进行qr分解

scipy.linalg.schur()：对矩阵进行Schur分解

print('Schur:',lg.schur(arr)) #对矩阵arr进行Schur分解

scipy.linalg.solve()：方程组求解

print('Sol:',lg.solve(arr,b)) #求方程组arr*x=b的解

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。