[SciPy入门指南这个教程是为了帮助初学者掌握scipy并且肯能快地实际使用。什么是scipy、numpy、matplotlib？它们是用来干什么的？如何使用scipy工作学习使用scipy示例会话

python和networkx的三个给力科学计算的基友：numpy、scipy和matplotlib。

numpy擅长数组处理，多维数组的产生与访问，还有庞大的函数库，包括：求和、平均值、方差、最值、排序、矩阵、矩阵类和线性代数模块等。其安装，在第一篇中有说。

matplotlib擅长画图，点和线多形态展示、坐标轴变换等。其安装在第一篇有说。

scipy很强大，常微分方程求解、信号处理、图像处理等。安装好python编译器后，到scipy官网上下载相应的软件包(http://sourceforge.net/projects/scipy/files/)，由于本人安装的是python-2.6，下载相应版本，然后点击exe安装；安装完毕，在IDEL里面输入import scipy进行测试(ps：网上有说用easy_install去安装，结果没有成功，应该是Linux下可以，windows下不可以)

这三者基本次序是数据存在numpy中，低级处理用numpy，高级处理用scipy，数据显示用matplotlib。

2.  numpy

numpy提供了两个基本的对象：narray和ufunc。

narray：存储单一数据类型的多维数组

ufunc：能够对数组进行处理的函数

2.1 narray对象

在narray对象中存储这多维度数组，有数组就有类型。基本的数据类型有：

[先决条件在阅读这个教程之前，你多少需要知道点python。如果你想重新回忆下，请看看Python Tutorial.如果你想要运行教程中的示 numpy中的基本数据类型 类型 类型说明 bool True or False int 所处平台的整型(一般为int32或int64) int8 字节型(-128-127) int16 16位整型(-32768-32767) int32 32位整型 int64   unit8 无符号整型(0-255) unit16 无符号整型(0-65535) unit32   unit64   float 64位标准float float16 半精度浮点数：1位标志位、5位指数位、10位小数位 float32 单精度浮点：1、8、23 float64 双精度：1,11,52 complex 标准的128位复数     当然，除了基本的数据类型，numpy还支持数据结构类型的数组。

(1)narray对象的创建：

import numpy as np

>>> a=np.array([1,2,3,4])

>>> b=np.array((6,7,8,9))

>>> a.shape

(4,)

>>> a.shape=2,2

>>> a

array([[1, 2],

[3, 4]])

>>> a.shape=1,-1

>>> a

array([[1, 2, 3, 4]])

>>> a=np.arange(0,1,0.1)

#产生(0,1]的数组，数组每个元素直接的差为0.1

>>> a

array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])

>>> a=np.linspace(0,1,10)

#linsapce(a,b,endpoint=True | False),True的时候产生[0,1]的等差数列，False的时候为[0,1)

>>> a

array([ 0. , 0.11111111, 0.22222222, 0.33333333, 0.44444444,

0.55555556, 0.66666667, 0.77777778, 0.88888889, 1. ])

>>> a=np.logspace(0,1,12,base=2,endpoint=false)

Traceback (most recent call last):

File "", line 1, in

a=np.logspace(0,1,12,base=2,endpoint=false)

NameError: name 'false' is not defined

#logsapce产生等比数列，logspace(a,b,c,base=10 | 2,endpoint=True | False),base指定了a和b的指数，代表了范围；c指定了等比数列的元素个数

>>> a=np.logspace(0,1,12,base=2,endpoint=False)

>>> a

array([ 1. , 1.05946309, 1.12246205, 1.18920712, 1.25992105,

1.33483985, 1.41421356, 1.49830708, 1.58740105, 1.68179283,

1.78179744, 1.88774863])

>>> a=np.zeros(10)

>>> a

array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

>>> a=np.ones(10)

>>> a

array([ 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]) (2)存取元素

数组访问的下标从0开始

特定元素的index访问。可以用index访问，例如对于数组a，可以有：a[5]

范围index访问。a[2:5]，下标从2到5(左闭右开的区间)

a[1:-1:2]，下表从1到尾部，2表示每隔一个元素获取一个元素

a[5:1:-2]，第三个参数即步长为负数，这里为-2，即逆序每隔一个元素获取一个元素

数据结构数组的建立与访问：(可以看到，数组内部就像字典，其访问根据索引)

>>> persontype=np.dtype({'names':['name','age','weight'],'formats':['S32','i','f']},align=True)

>>> a=np.array([("Zhang",32,75.5),("wang",24,65.3)],dtype=persontype)

>>> a

array([('Zhang', 32, 75.5), ('wang', 24, 65.300003051757812)],

dtype=[('name', '|S32'), ('age', '

>>> a[0]

('Zhang', 32, 75.5)

>>> a[0].name

Traceback (most recent call last):

File "", line 1, in

a[0].name

AttributeError: 'numpy.void' object has no attribute 'name'

>>> a[1]['name']

'wang'

>>> 2.2 ufunc运算

x=np.linspace(0,2*np.pi,10)

>>> x

array([ 0. , 0.6981317 , 1.3962634 , 2.0943951 , 2.7925268 ,

3.4906585 , 4.1887902 , 4.88692191, 5.58505361, 6.28318531])

>>> y=np.sin(x)

>>> y

array([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01,

8.66025404e-01, 3.42020143e-01, -3.42020143e-01,

-8.66025404e-01, -9.84807753e-01, -6.42787610e-01,

-2.44929360e-16])

>>> np.sin(x,out=x) #在计算时，指定了输出out为x，所以x中的元素也改变了

array([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01,

8.66025404e-01, 3.42020143e-01, -3.42020143e-01,

-8.66025404e-01, -9.84807753e-01, -6.42787610e-01,

-2.44929360e-16])

>>> x

array([ 0.00000000e+00, 6.42787610e-01, 9.84807753e-01,

8.66025404e-01, 3.42020143e-01, -3.42020143e-01,

-8.66025404e-01, -9.84807753e-01, -6.42787610e-01,

-2.44929360e-16])

>>> np.add(x,y)

#add(x,y[,z])即可以指定将结果存入z中，如果没有z，则默认存入y中

#出了add之外，数值运算还有数组减法substract(x,y[,z])，乘法multiply(x,y[,z])，元素取负negative(x[，y])，x**y-power(x,y[,z])，x%y-remainder(x,y[,z])

#还有布尔运算，equal(x,y[,z])，不等not_equal(x,y[,z])，小于等于less_equal(x,y[,z]),大于greater，大于等于greater_equal

array([ 0.00000000e+00, 1.28557522e+00, 1.96961551e+00,

1.73205081e+00, 6.84040287e-01, -6.84040287e-01,

-1.73205081e+00, -1.96961551e+00, -1.28557522e+00,

-4.89858720e-16])

>>> 此外，还有求和sum、最小min、最大max、乘积dot

[网上找了半天，终于把要安装的资料找到了。其他的不怎么全，就自己再次总结一下写。         我自己安装的是python 2.7。所以以下的东东都是针对2.7的软件。         nump