用python构建数学模型,python数学实验与建模

　　三剑客之Scipy

　　前面说过，最初的numpy其实是scipy的一部分，后来从scipy中分离出来。Scipy函数库在numpy库的基础上增加了很多数学、科学、工程计算中常用的库函数。如线性代数、常微分方程数值解、信号处理、图像处理、稀疏矩阵等等。因为它涉及到许多领域，所以我对此束手无策，犹如盲人摸象。我只能计算我的感觉。

　　一、插值

　　数据插值是数据处理中经常使用的一种技术。常用的插值方法有一维插值、二维插值、高阶插值等。常见的算法有线性插值、B样条插值、相邻插值等。

　　1、一维插值

　　一维插值最常用的算法是线性插值和三次样条插值。除此之外，还有前点插值、后点插值、近点插值、零阶插值(相当于前点插值)、一阶插值(相当于线性插值)、五阶插值等等。下面的例子比较了上面8中的插值方法。

　　importnumpyasnp

　　fromscipyimportinterpolate

　　importmatplotlib.pyplotasplt

　　PLT . RC params[ font . sans-serif ]=[宋芳]

　　PLT . RC params[ axes . unicode _ MINUS ]=False

　　x=np.linspace(0，10，11)

　　y=np.exp(-x/3.0)

　　X_new=np.linspace(0，10，100)#期望成为0到10之间的100个数据点。

　　f1=interpolate.interp1d(x，y，kind=linear )

　　f2=interpolate.interp1d(x，y，kind=nearest )

　　f3=interpolate.interp1d(x，y，kind=零)

　　f4=interpolate.interp1d(x，y，kind=slinear )

　　f5=interpolate.interp1d(x，y，kind=cubic )

　　f6=interpolate.interp1d(x，y，kind=quadratic )

　　f7=interpolate.interp1d(x，y，kind=previous )

　　f8=interpolate.interp1d(x，y，kind=next )

　　plt.figure(Demo ，facecolor=#eaeaea )

　　plt.subplot(221)

　　Plt.plot(x，y， o ，label=u 原始数据)

　　Plt.plot (x _ new，F2 (x _ new)，label=u 相邻点的插值)

　　Plt.plot (x _ new，F7 (x _ new)，label=u 前点插值)

　　Plt.plot (x _ new，F8 (x _ new)，label=u 后点线性插值)

　　plt .图例()

　　plt.subplot(222)

　　Plt.plot(x，y， o ，label=u 原始数据)

　　Plt.plot (x _ new，f1 (x _ new)，label=u 线性插值)

　　Plt.plot (x _ new，F3 (x _ new)，label=u 零阶样条插值)

　　Plt.plot (x _ new，F4 (x _ new)，label=u 一阶样条插值)

　　plt .图例()

　　plt.subplot(223)

　　plt.plot(x，y，现状

　　t;o",label=u"原始数据")

　　plt.plot(x_new,f1(x_new),label=u"线性插值")

　　plt.plot(x_new,f5(x_new),label=u"三阶样条插值")

　　plt.legend()

　　plt.subplot(224)

　　plt.plot(x,y,"o",label=u"原始数据")

　　plt.plot(x_new,f1(x_new),label=u"线性插值")

　　plt.plot(x_new,f6(x_new),label=u"五阶样条插值")

　　plt.legend()

　　plt.show()不同的插值方法画在一起，对比之下效果会比较明显：

　　2、二维插值

　　二维数据，通常总是对应着一个网格，比如，经纬度网格。如果插值对象只有一个二维数组，那么我们可以用数组的行列号来构造网格。

importnumpyasnp
　　fromscipyimportinterpolate
　　importmatplotlib.pyplotasplt
　　plt.rcParams['font.sans-serif']=['FangSong']
　　plt.rcParams['axes.unicode_minus']=False
　　y,x=np.mgrid[-2:2:20j,-3:3:30j]#30x20=600
　　z=x*np.exp(-x**2-y**2)
　　y_new,x_new=np.mgrid[-2:2:80j,-3:3:120j]#120x80=9600
　　f1=interpolate.interp2d(x[0,:],y[:,0],z,kind='linear')#线性插值
　　f2=interpolate.interp2d(x[0,:],y[:,0],z,kind='cubic')#三阶样条
　　f3=interpolate.interp2d(x[0,:],y[:,0],z,kind='quintic')#五阶样条
　　z1=f1(x_new[0,:],y_new[:,0])
　　z2=f2(x_new[0,:],y_new[:,0])
　　z3=f3(x_new[0,:],y_new[:,0])
　　plt.subplot(221)
　　plt.pcolor(x,y,z,cmap=plt.cm.hsv)
　　plt.colorbar()
　　plt.axis('equal')
　　plt.subplot(222)
　　plt.pcolor(x_new,y_new,z1,cmap=plt.cm.hsv)
　　plt.colorbar()
　　plt.axis('equal')
　　plt.subplot(223)
　　plt.pcolor(x_new,y_new,z2,cmap=plt.cm.hsv)
　　plt.colorbar()
　　plt.axis('equal')
　　plt.subplot(224)
　　plt.pcolor(x_new,y_new,z3,cmap=plt.cm.hsv)
　　plt.colorbar()
　　plt.axis('equal')
　　plt.show()

　　二、拟合

　　在工作中，我们常常需要在图中描绘某些实际数据观察的同时，使用一个曲线来拟合这些实际数据。所谓拟合，就是找出符合数据变化趋势的曲线方程，进而对变化趋势做出预测。

　　1、使用numpy.polyfit拟合

　　numpy.polyfit() 实现了最小二乘法，其功能是返回指定次数的多项式参数，这组参数使得多项式和样本数据的误差为最小。下面的代码，虚拟了谷神星的一段观测数据，籍此使用最小二乘法实现多项式拟合，进而推测出谷神星未来的运行轨迹。最后和虚拟的运行轨道方程比较。

#coding:utf-8
　　importnumpyasnp
　　importmatplotlib.pyplotasplt
　　plt.rcParams['font.sans-serif']=['FangSong']
　　plt.rcParams['axes.unicode_minus']=False
　　deff(t):
　　"""谷神星虚拟的运行轨道方程。我们假装不知道，仅用来验证预测结果是否准确"""
　　
　　t=t/7.5-1
　　return((t**2-1)**3+0.5)*np.sin(2*t)
　　t=np.linspace(0,20,201)#用于绘制实际的运行轨迹线
　　_x=np.linspace(0,15,16)#观测数据时间序列
　　_y=f(_x)#观测数据位置序列
　　x=np.linspace(15,20,6)#待预测的时间序列
　　loss_list=list()
　　foriinrange(2,16):#从2次到15次多项式，逐一计算误差
　　args=np.polyfit(_x,_y,i)#用最小二乘法找到一组系数
　　g=np.poly1d(args)#用这组系数生成方程g(x)
　　loss=np.sum(np.square(g(_x)-_y))#计算i次多项式拟合的误差
　　loss_list.append(loss)
　　print(i,loss)
　　k=loss_list.index(min(loss_list))+2
　　args=np.polyfit(_x,_y,k)
　　g=np.poly1d(args)
　　plt.figure('demo',facecolor='#eaeaea')
　　plt.plot(_x,_y,c='r',ls='',marker='o',label=u'观测数据')
　　plt.plot(_x,g(_x),c='b',ls='-',label=u'%d次多项式拟合，误差%0.8f'%(k,loss_list[k-2]))
　　plt.plot(x,g(x),c='r',ls=':',label=u'预测轨迹')
　　plt.plot(t,f(t),c='#60f0f0',ls='--',label=u'实际运行轨迹')
　　plt.legend(loc='lowerleft')
　　plt.show()

　　2、使用scipy.optimize.optimize.curve_fit拟合

　　不管曲线实际是什么样的，多项式拟合总是以一个有限次的多项式去逼近数据样本。还有一种拟合，就是我们知道曲线的标准方程，但有些系数或参数不确定，这样的拟合，也是要找到最佳系数或参数。scipy提供的拟合，需要先确定带参数的曲线方程，然后由scipy求解方程，返回曲线参数。

>>>importnumpyasnp
　　>>>importmatplotlib.pyplotasplt
　　>>>fromscipyimportoptimize
　　>>>x=np.arange(1,13,1)
　　>>>y=np.array([17,19,21,28,33,38,37,37,31,23,19,18])
　　>>>plt.plot(x,y)
　　[<matplotlib.lines.Line2Dobjectat0x04799D10>]
　　>>>plt.show()

　　可以看出，曲线近似正弦函数。构建函数y=asin(xpi/6+b)+c，使用scipy的optimize.curve_fit函数求出a、b、c的值：

>>>deffmax(x,a,b,c):
　　returna*np.sin(x*np.pi/6+b)+c
　　>>>fita,fitb=optimize.curve_fit(fmax,x,y,[1,1,1])
　　>>>printfita
　　[10.93254951-1.949609626.75]
　　>>>xn=np.arange(1,13,0.1)
　　>>>plt.plot(x,y)
　　[<matplotlib.lines.Line2Dobjectat0x04B160B0>]
　　>>>plt.plot(xn,fmax(xn,fita[0],fita[1],fita[2]))
　　[<matplotlib.lines.Line2Dobjectat0x04B16510>]
　　>>>plt.show()

　　三、求解非线性方程（组）

　　在数学建模中，需要对一些稀奇古怪的方程（组）求解，Matlab自然是首选，但Matlab不是免费的，scipy则为我们提供了免费的午餐！scipy.optimize库中的fsolve函数可以用来对非线性方程（组）进行求解。它的基本调用形式如下：

fsolve(func,x0)

　　我们先来求解一个简单的方程：$ \sin(x) - \cos(x) = 0.2$

>>>fromscipy.optimizeimportfsolve
　　>>>importnumpyasnp
　　>>>deff(A):
　　x=float(A[0])
　　return[np.sin(x)-np.cos(x)-0.2]
　　>>>result=fsolve(f,[1])
　　array([0.92729522])
　　>>>printresult
　　[0.92729522]
　　>>>printf(result)
　　[2.7977428707082197e-09]

>>>fromscipy.optimizeimportfsolve
　　>>>importnumpyasnp
　　>>>deff(A):
　　x=float(A[0])
　　y=float(A[1])
　　z=float(A[2])
　　return[4*x*x-2*np.sin(y*z),5*y+3,y*z-1.5]
　　>>>result=fsolve(f,[1,1,1])
　　>>>printresult
　　[-0.70622057-0.6-2.5]
　　>>>printf(result)
　　[-9.1260332624187868e-14,0.0,5.329070518200751e-15]

　　数值积分是对定积分的数值求解，例如可以利用数值积分计算某个形状的面积。我们知道，半径为1的圆的方程可写成：

　　下面让我们来考虑一下如何计算半径为1的半圆的面积，根据圆的面积公式，其面积应该等于PI/2。单位半圆曲线可以用下面的函数表示：

　　我们先定义一个计算根据x计算y的函数：

>>>defhalf_circle(x):
　　return(1-x**2)**0.5

　　下面的程序使用经典的分小矩形计算面积总和的方式，计算出单位半圆的面积：

>>>N=10000
　　>>>x=np.linspace(-1,1,N)
　　>>>dx=2.0/N
　　>>>y=half_circle(x)
　　>>>dx*np.sum(y[:-1]+y[1:])#面积的两倍
　　3.1412751679988937

　　如果我们调用scipy.integrate库中的quad函数的话，将会得到非常精确的结果：

>>>fromscipyimportintegrate
　　>>>pi_half,err=integrate.quad(half_circle,-1,1)
　　>>>pi_half*2
　　3.1415926535897984

　　在scipy.misc模块中，有一个函数可以载入Lena图像——这副图像是被用作图像处理的经典示范图像。我只是简单展示一下在该图像上的几个操作。

　　（1）载入Lena图像，并显示灰度图像

　　（2）应用中值滤波扫描信号的每一个数据点，并替换为相邻数据点的中值

　　（3）旋转图像

　　（4）应用Prewitt滤波器（基于图像强度的梯度计算）

>>>fromscipyimportmisc
　　>>>fromscipyimportndimage
　　>>>img=misc.lena().astype(np.float32)
　　>>>plt.subplot(221)
　　>>>plt.title('OriginalImage')
　　>>>plt.imshow(img,cmap=plt.cm.gray)
　　>>>plt.subplot(222)
　　>>>plt.title('MedianFilter')
　　>>>filtered=ndimage.median_filter(img,size=(42,42))
　　>>>plt.imshow(filtered,cmap=plt.cm.gray)
　　>>>plt.subplot(223)
　　>>>plt.title('Rotated')
　　>>>rotated=ndimage.rotate(img,90)
　　>>>plt.imshow(rotated,cmap=plt.cm.gray)
　　>>>plt.subplot(224)
　　>>>plt.title('PrewittFilter')
　　>>>filtered=ndimage.prewitt(img)
　　>>>plt.imshow(filtered,cmap=plt.cm.gray)
　　>>>plt.show()

　　相关推荐：

　　1、Python数学建模三剑客之Numpy

　　2、Python数学建模三剑客之Matplotlib

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。