python的數據與matlab互通問題:SciPy
更新時間：2022年12月15日 08:53:40 作者：后廠村路蔡徐坤
這篇文章主要介紹了python的數據與matlab互通問題SciPy，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教
python數據與matlab互通SciPy
有時候需要利用python進行科學計算，但需要Matlab進行交互式畫圖，因此需要掌握python與matlab數據互通的技巧：SciPy
- SciPy 提供了與 Matlab 的交互的方法。
- SciPy 的 scipy.io 模塊提供了很多函數來處理 Matlab 的數組。
python利用scipy.io.savemat()存儲日志
參考：https://docs.scipy.org/doc/scipy/reference/generated/scipy.io.savemat.html
（一）語法
scipy.io.savemat（file_name， mdict， appendmat = True， format = '5'， long_field_names = False， do_compression = False， oned_as = 'row')
參數
file_name:str
.mat 文件的名稱（如果沒有擴展名，需要設置appendmat == True）
mdict:dict
從中保存 matfile 變量的字典。
appendmat:布爾值，可選
True（默認值）將 .mat 擴展名附加到給定文件名的末尾（如果尚不存在）。
fomat：{'5', '4'}，字符串，可選
'5'（默認值）用于 MATLAB 5 及更高版本（至 7.2），'4' 用于 MATLAB 4 .mat 文件。
long_field_names：布爾型，可選
False（默認值）- 結構中的最大字段名稱長度為 31 個字符，這是記錄的最大長度。True - 結構中的最大字段名稱長度為 63 個字符，適用于 MATLAB 7.6+。
do_compression：布爾值，可選
是否在寫入時壓縮矩陣。默認為假。
oned_as ：{'row', 'column'}，可選
如果是 'column'，則將一維 NumPy 數組寫為列向量。如果為“行”，則將一維 NumPy 數組寫為行向量。
（二）例子
from scipy import io
import numpy as np
arr = np.arange(10)
io.savemat('arr.mat', {"vec": arr})
#如果存入多組數據
io.savemat('saveddata.mat', {'xi': xi,'yi': yi,'ui': ui,'vi': vi})利用matlab讀取mat日志的方法
（一）載入日志文件
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數據分析scipy
SciPy是一組專門解決科學計算中各種標準問題域的包的集合，主要包括下面這些包：
scipy.integrate：數值積分例程和微分方程求解器scipy.linalg：擴展了由numpy.linalg提供的線性代數例程和矩陣分解功能scipy.optimize：函數優(yōu)化器（最小化器）以及跟查找算法scipy.signal：信號處理工具scipy.sparse：稀疏矩陣和系數線性系統(tǒng)求解器scipy.special：SPECFUN(這是一個實現(xiàn)了許多常用數學函數（如伽馬函數）的Fortran庫)的包裝器scipy.stats：標準連續(xù)和離散概率分布（如密度函數、采樣器、連續(xù)分布函數等）、各種統(tǒng)計檢驗方法，以及更好的描述統(tǒng)計法scipy.weave：利用內聯(lián)C++代碼加速數組計算的工具
定積分scipy.integrate
導入積分模塊：
import numpy as np #導入numpy庫 from scipy import integrate #導入定積分模塊
scipy.integrate.quad（func,a,b）：計算單重積分，參數分別為被積函數（f(x)）、積分下限、積分上限
res, err = integrate.quad(np.sin, 0, np.pi/2) # 對sin函數在[0,$\pi/2$]區(qū)間上積分，quad函數返回兩個值，第一個為積分結果，第二個為誤差值 print(integrate.quad(lambda x:x**2,0,1)) # 計算x**2的定積分，積分區(qū)間為0到1，并輸出結果
scipy.integrate.dblquad（func,a,b,gfun,hfun）：計算雙重積分，參數分別為被積函數（f(y,x)）、x的積分下限、x的積分上限、y的積分下限、y的積分上限
print(integrate.dblquad(lambda x,y:x**2+y,0,2,lambda x:0,lambda x:1)) #對x**2+y求定積分，x積分區(qū)間[0,1],y積分區(qū)間[0,2]，并輸出結果
scipy.integrate.nquad（func,ranges）：計算多重積分，參數分別為被積函數（f(x0,x1,…,xn)）、積分區(qū)間（格式為[[a,b],[c,d],[e,f]],依次為x0、x1、x2、的積分區(qū)間）
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]))
優(yōu)化器scipy.optimize
導入模塊
import numpy as np #導入numpy庫 from scipy import optimize #導入優(yōu)化模塊
scipy.optimize.minimize(func,x0,args=(),method=None,jac=None)：計算標量函數的最小值，參數分別為標量函數、初值、、尋優(yōu)方法
尋優(yōu)方法有：
插值scipy.interpolate
導入模塊
import numpy as np #導入numpy庫 from scipy import interpolate #導入interpolate模塊 import matplotlib.pyplot as plt #導入繪圖模塊
x = np.linspace(0, 1, 10) #創(chuàng)建數組，相當于x y = np.sin(2 * np.pi * x) #相當于y
scipy.interpolate.interp1d()：1維插值函數
linear_f = interpolate.interp1d(x, y) #線性插值函數 x_new = np.linspace(0, 1, 50) #插值后的x y_new = linear_f(x_new) #線性插值后的y cubic_f = interpolate.interp1d(x, y, kind='cubic') #應用插值函數 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()
線性計算與矩陣分解scipy.linalg
導入模塊
import numpy as np #導入numpy庫 from scipy import linalg as lg #導入scipy庫的linalg模塊 arr=np.array([[1,2],[3,4]]) #創(chuàng)建方陣arr b=np.array([6,14]) #創(chuàng)建矩陣b
scipy.linalg.det()：計算方陣的行列式
print('Det:',lg.det(arr)) #求矩陣arr的行列式scipy.linalg.inv()：計算方陣的逆矩陣
print('Inv:',lg.inv(arr)) #求矩陣arr的逆矩陣scipy.linalg.eig()：計算方陣的特征向量
print('Eig:',lg.eig(arr)) #求矩陣arr的特征向量scipy.linalg.svd()：對矩陣進行奇異值分解
print('SVD:',lg.svd(arr)) #對矩陣arr進行svd分解scipy.linalg.lu()：對矩陣進行LU分解
print('LU:',lg.lu(arr)) #對矩陣arr進行l(wèi)u分解scipy.linalg.qr()：對矩陣進行QR分解
print('QR:',lg.qr(arr)) #對矩陣arr進行qr分解scipy.linalg.schur()：對矩陣進行Schur分解
print('Schur:',lg.schur(arr)) #對矩陣arr進行Schur分解scipy.linalg.solve()：方程組求解
print('Sol:',lg.solve(arr,b)) #求方程組arr*x=b的解總結
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
Python中實現(xiàn)字符串類型與字典類型相互轉換的方法
這篇文章主要介紹了Python中實現(xiàn)字符串類型與字典類型相互轉換的方法,非常實用,需要的朋友可以參考下2014-08-08
這篇文章主要介紹了基于pyinstaller超級加密操作 (加殼和轉c)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-03-03
Python利用networkx畫圖繪制Les?Misérables人物關系
這篇文章主要為大家介紹了Python利用networkx畫圖處理繪制Les?Misérables悲慘世界里的人物關系圖，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-05-05
今天小編就為大家分享一篇對python的文件內注釋 help注釋方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05
這篇文章主要為大家詳細介紹了如何基于Python實現(xiàn)繪制一個簡單的足球，文中的示例代碼講解詳細，具有一定的借鑒價值，感興趣的可以嘗試一下2023-02-02
使用pyinstaller打包PySide2程序中遇到的問題
說到打包，我們就需要用到python程序的打包工具pyinstaller了,這個包安裝簡單,使用同樣簡單,下面這篇文章主要給大家介紹了關于使用pyinstaller打包PySide2程序中遇到的問題,需要的朋友可以參考下2023-05-05
python 實現(xiàn)快速生成連續(xù)、隨機字母列表
今天小編就為大家分享一篇python 實現(xiàn)快速生成連續(xù)、隨機字母列表，具有很好的價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要為大家介紹了python光學仿真面向對象光學元件類的實現(xiàn)示例解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步2021-10-10
python獲取http請求響應頭headers中的數據的示例
這篇文章主要介紹了python獲取http請求響應頭headers中的數據，本文通過示例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2022-02-02
前段時間做一個項目，不得不使用Python直接生成Excel文件，后來隨著需求的變化，還要對已有的Excel文件進行讀取。所以想著記錄下來，這篇文章主要給大家介紹了Python操作Excel之xlsx文件的相關資料，需要的朋友可以參考下。2017-03-03