Python数据分析常见库介绍之Scipy

Scipy是一个高级的科学计算库，它和

Numpy

联系很密切，Scipy一般都是操控Numpy数组来进行科学计算，Scipy让Python成为了半个MATLAB。Scipy包含的功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算，而这些功能都是我们在之后进行数据分析需要的。下面是一些常用的Scipy的子模块。

Scipy是依赖于numpy的，所以在安装Scipy前需要先安装好Numpy。安装Scipy的方法和安装Numpy的方法是一样的，这里不再提及。由于Scipy非常的完备且复杂，在日常的数据分析中，并不是每一个都会用上，本文就简单介绍几个常用的并且比较有趣的子模块。

输入与输出（scipy.io）

scipy.io模块提供了多种功能来解决不同格式的文件输入和输出，包括Matlab，Wave，Arff，Matrix Market等等，最常见的是Matlab格式的。

loadmat()是打开一个Matlab文件，savemat()是保存一个Matlab文件，通过whosmat()可以列出Matlab文件中的变量。

优化算法（scipy.optimize）

Scipy的optimize模块提供了许多数值优化算法

非线性方程组求解（fsolve()）

最小二乘拟合（leastsq()）

除了上述的方程组求解和最小二乘拟合，Optimize还提供了诸如正弦波或者余弦波的曲线拟合（curve_fit()），全局最小值（basinhopping()）等等函数，基本能够满足我们进行优化求解的需求。

统计函数（scipy.stats）

stats模块提供了大约80种连续随机变量和10多种离散分布变量，连续的和离散的随机变量都被包含在内。所有的连续随机变量都是rv_continuous的派生类的对象，而所有的离散随机变量都是rv_discrete的派生类的对象。此处以最常见的正态分布为例了解一下stats的基本用法。

生成服从指定分布的随机变量

概率密度函数和累积分布函数

统计检验

stats子模块也包括了诸如kstest 和normaltest等样本测试函数，用来检测样本是否服从某种分布。

除此之外，stats模块中还提供了一些描述函数，如下表，这里就不详细讲了，可以通过官网文档进行相关学习。

聚类

树状图如下：

k-means 聚类

有些时候我们可能不知道最终究竟聚成多少类，一个办法是用层次聚类的结果进行初始化。当然也可以直接输入某个数值。

通过上面的一些代码演示，相信你一定对Scipy有了一定的了解。如果你遇到了什么不能解决的问题，可以自行搜索获得解答。

在下一次的推送中，我们将对Pandas库进行相关的学习。