今天在搞定Django框架的blog搭建后，尝试一下python的科学计算能力。

python的科学计算有三剑客：numpy，scipy，matplotlib。

numpy负责数值计算，矩阵操作等；

scipy负责常见的数学算法，插值、拟合等；

matplotlib负责画图。

 

首先，百度上头三个，依次安装。

可以考虑使用pyhton34/script/easy-install 工具； easy-insatll -m matplotlib;

 

尝试一下代码，拟合实例；

 

 1 

#

 -*- coding: utf-8 -*-

 2 

import numpy as np

 3 

from scipy.optimize 

import leastsq

 4 

import pylab as pl

 5 

 6 

def func(x, p):

 7     

#

 """

 8 

    

#

 数据拟合所用的函数: A*sin(2*pi*k*x + theta)

 9 

    

#

 """

10 

    A, k, theta = p

11     

return A*np.sin(2*np.pi*k*x+theta)   

12 

13 

def residuals(p, y, x):

14     

#

 """

15 

    

#

 实验数据x, y和拟合函数之间的差，p为拟合需要找到的系数

16 

    

#

 """

17 

    

return y - func(x, p)

18 

19 x = np.linspace(0, -2*np.pi, 100)

20 A, k, theta = 10, 0.34, np.pi/6 

#

 真实数据的函数参数

21 

y0 = func(x, [A, k, theta]) 

#

 真实数据

22 

y1 = y0 + 2 * np.random.randn(len(x)) 

#

 加入噪声之后的实验数据    

23 

24 p0 = [7, 0.2, 0] 

#

 第一次猜测的函数拟合参数

25 

26 

#

 调用leastsq进行数据拟合

27 

#

 residuals为计算误差的函数

28 

#

 p0为拟合参数的初始值

29 

#

 args为需要拟合的实验数据

30 

plsq = leastsq(residuals, p0, args=(y1, x))

31 

32 

#

 print (u"真实参数:")

33 

print([A, k, theta])

34 

#

 print (u"拟合参数")

35 

print(plsq[0]) 

#

 实验数据拟合后的参数

36 

37 pl.plot(x, y0, label=u

"

real data

")

38 pl.plot(x, y1, label=u

"

data with noisy

")

39 pl.plot(x, func(x, plsq[0]), label=u

"

nihe data

")

40 pl.legend()

41 pl.show()

运行提示错误，缺少第三方包，如six,dateutil,pyparsing等，缺什么装什么；第三方包大多直接拖到D:\python34\lib目录下就可以了，很方便。

都装上后，运行成功，如图；