SciPy ilə elmi hesablamalar

SciPy-ın əsas alətləri praktikada: minimum və köklərin tapılması (`optimize`), modelin verilənlərə uyğunlaşdırılması (`curve_fit`), müəyyən inteqrallar və diferensial tənliklər (`integrate`), interpolyasiya, xətti sistemlər və ehtimal paylanmaları — əl ilə yoxlamalar və soyuyan çay haqqında mini-layihə ilə.

  • Universitet
  • 25 dəq
  • 12 sual
  • 66 dərsdən 57-cisi

Bu dərsdə öyrənəcəksən

  • scipy.optimize ilə funksiyanın minimumunu, tənliklərin və sistemlərin köklərini tapmaq
  • quad ilə müəyyən inteqralları hesablamaq və solve_ivp ilə diferensial tənlikləri həll etmək
  • Ölçmələri interpolyasiya etmək, scipy.linalg ilə xətti sistemləri həll etmək və scipy.stats paylanmalarından istifadə etmək
  • curve_fit ilə modeli təcrübi verilənlərə uyğunlaşdırmaq və nəticəni əl ilə yoxlamaq

Aysel 90 °C-lik çay süzür və hər neçə dəqiqədən bir onun temperaturunu ölçür. Çay nə qədər tez soyuyur, nə vaxt 60 °C-yə enəcək və ilk on dəqiqədə orta temperaturu neçə olub? Bunlar üç klassik ədədi məsələdir: modelin uyğunlaşdırılması, kökün tapılması və inteqralın hesablanması. SciPy (Scientific Python) NumPy üzərində qurulmuş, yoxlanılmış alqoritmlər kitabxanasıdır və onların hər birini bir funksiya çağırışına çevirir. Dərsin sonunda çay məsələsini tam həll edəcəyik.

SciPy necə qurulub

SciPy riyaziyyatın sahələrinə uyğun alt paketlərə bölünür; lazım olanı açıq idxal et: from scipy import optimize. Funksiyalar Python funksiyalarını və NumPy massivlərini qəbul edir (bax: «NumPy-ın əsasları: massivlər») və adətən x, fun, success kimi sahələri olan nəticə obyekti qaytarır.

Alt paketNəyi həll edirƏsas funksiyalar
scipy.optimizeminimum, köklər, modelin uyğunlaşdırılmasıminimize_scalar, minimize, brentq, fsolve, curve_fit
scipy.integratemüəyyən inteqrallar, diferensial tənliklərquad, solve_ivp
scipy.interpolateölçmələr arasındakı qiymətlərCubicSpline, make_interp_spline
scipy.linalgxətti sistemlər, matrislərin ayrılışısolve, det, lu_factor, eig
scipy.statspaylanmalar, statistik testlərnorm, binom, ttest_ind
scipy.signal, scipy.fft, scipy.ndimagesiqnallar, spektrlər, şəkillərfind_peaks, fft, gaussian_filter

Davamını oxumaq üçün pulsuz qeydiyyatdan keç

Dərsin qalan bölmələri, test və qeydlər Educora hesabı ilə açılır. Qeydiyyat bir dəqiqə çəkir; irəliləyişin bütün cihazlarında saxlanılır.

Optimallaşdırma: minimum və köklər

Məqsəd funksiyasıTərif

Qiymətini mümkün qədər kiçik etmək istədiyimiz funksiya: xərc, məsafə, xəta. scipy.optimize onun minimumunu axtarır; maksimum lazımdırsa, −f(x)-in minimumunu tap.

Məktəb məsələsi: 330 ml-lik içki bankası. Hansı radiusda ən az metal sərf olunur? Həcmi V olan silindrin hündürlüyü h = V/(πr²) olduğundan onun səthinin sahəsi yalnız radiusdan asılıdır:

A(r) = 2πr² + 2V/rA′(r) = 4πr − 2V/r² = 0 ⇒ r = ∛(V/(2π))h = 2rA(r) = 2πr² + 2V/rA′(r) = 4πr − 2V/r² = 0 ⇒ r = ∛(V/(2π))h = 2r

Burada

A(r)
bankanın tam səthinin sahəsi (sm²)
r
oturacağın radiusu (sm)
V
həcm (sm³; 330 ml = 330 sm³)
h
hündürlük (sm)

Minimumda törəmə sıfıra bərabərdir; ən qənaətli bankanın hündürlüyü diametrinə bərabərdir (h = 2r).

Python
import numpy as np
from scipy import optimize

V = 330  # volume of the can, cm³

def area(r):
    return 2 * np.pi * r**2 + 2 * V / r

res = optimize.minimize_scalar(area, bounds=(1, 10), method='bounded')
r = res.x
h = V / (np.pi * r**2)
print(f'r = {r:.3f} cm, h = {h:.3f} cm, area = {res.fun:.1f} cm²')
print('by formula: r =', round((V / (2 * np.pi)) ** (1 / 3), 3))
print('h / r =', round(h / r, 3))
Gözlənilən nəticə
r = 3.745 cm, h = 7.490 cm, area = 264.4 cm²
by formula: r = 3.745
h / r = 2.0
bounds=(1, 10) və method='bounded' axtarışı 1 ilə 10 sm arasında aparır. res.x ən yaxşı radius, res.fun isə ən kiçik sahədir. Ədədi cavab düsturla üst-üstə düşür.

Nümunə 1: ən qənaətli banka

Məsələ

Ən qənaətli bankanın ölçülərini tap: 1) V = 330 sm³; 2) V = 1000 sm³ (bir litr).

Həllini göstərHəllini gizlət

Həll

1) r = ∛(330/(2π)) = ∛52,52 ≈ 3,745 sm, h = 2r ≈ 7,49 sm, A = 2π · 3,745² + 660 / 3,745 ≈ 264,4 sm² — res.x və res.fun ilə eynidir.
2) r = ∛(1000/(2π)) = ∛159,15 ≈ 5,42 sm, h ≈ 10,84 sm.
Real bankalar bundan hündürdür: dizaynda metal yeganə amil deyil.

Bir neçə dəyişən üçün başlanğıc nöqtə x0 ilə minimize işlət. Anbar harada olmalıdır ki, üç mağazaya gedən yolların cəmi ən qısa olsun? Çox mağaza üçün düstur yoxdur, kompüter isə bu nöqtəni millisaniyələrdə tapır:

Python
import numpy as np
from scipy import optimize

shops = np.array([[0, 0], [8, 0], [2, 6]])  # km

def total_distance(p):
    return np.sqrt(((shops - p) ** 2).sum(axis=1)).sum()

res = optimize.minimize(total_distance, x0=[1, 1])
print(res.success)
print('best point:', res.x.round(2), 'total:', round(res.fun, 2), 'km')
center = shops.mean(axis=0)
print('centroid:  ', center.round(2), 'total:', round(total_distance(center), 2), 'km')
Gözlənilən nəticə
True
best point: [2.6  2.09] total: 13.08 km
centroid:   [3.33 2.  ] total: 13.18 km
x0 ilkin təxmindir; susmaya görə üsul (BFGS) yamac boyunca aşağı enir. Tapılan nöqtə (2,6; 2,09) mərkəzdən (koordinatların ortasından) yaxşıdır — bunlar eyni nöqtə deyil.

Kök f(x) = 0 olan x-dir. brentq(f, a, b) uclarında f-in işarələri müxtəlif olan parça tələb edir: kəsilməz funksiya sıfırdan keçmədən işarəsini dəyişə bilməz, ona görə daxildə kök zəmanətlidir. fsolve tənliklər sistemini başlanğıc nöqtədən həll edir.

f(a) · f(b) < 0 ⇒ f(c) = 0, c ∈ (a; b)

Burada

a, b
parçanın ucları (brentq(f, a, b))
c
axtarılan kök

Yarıya bölmə parçanı ikiyə bölür və işarənin dəyişdiyi yarını saxlayır; Brent üsulu (brentq) daha sürətlidir, amma bu zəmanəti qoruyur.

Python
import numpy as np
from scipy import optimize

def f(x):
    return x**3 - 2 * x - 5

print(f(2), f(3))
root = optimize.brentq(f, 2, 3)
print(round(root, 6), abs(f(root)) < 1e-9)

sol = optimize.root_scalar(lambda x: np.cos(x) - x, bracket=[0, 1])
print(round(sol.root, 6), sol.converged)

def system(v):
    x, y = v
    return [x**2 + y**2 - 25, x - y - 1]

print(optimize.fsolve(system, x0=[1, 1]).round(6))
print(optimize.fsolve(system, x0=[-5, -5]).round(6))
Gözlənilən nəticə
-1 16
2.094551 True
0.739085 True
[4. 3.]
[-3. -4.]
f(2) = −1 və f(3) = 16 müxtəlif işarəlidir, ona görə 2,094551 kökü onların arasındadır. x² + y² = 25, x − y = 1 sisteminin iki həlli var; fsolve başlanğıc nöqtəyə ən yaxın olanı qaytarır.

Nümunə 2: parça yararlıdırmı?

Məsələ

brentq işlətmək olarmı? 1) x³ − 2x − 5, [2; 3] parçası (iki dəfə yarıya böl); 2) cos x − x, [0; 1]; 3) x² − 4, [−3; 3].

Həllini göstərHəllini gizlət

Həll

1) f(2) = −1 < 0, f(3) = 16 > 0 — işarələr fərqlidir. f(2,5) = 5,625 > 0 → kök [2; 2,5]-dədir; f(2,25) ≈ 1,89 > 0 → [2; 2,25]-dədir. Kod 2,094551 verir.
2) f(0) = 1 > 0, f(1) = cos 1 − 1 ≈ −0,46 < 0 → kök var (0,739085).
3) f(−3) = f(3) = 5 > 0 — işarələr eynidir, ±2 kökləri olsa da, brentq ValueError: f(a) and f(b) must have different signs xətası verir. [0; 3] kimi parça seç.

İnteqrallar və diferensial tənliklər

∫ₐᵇ f(x) dx = F(b) − F(a)

Burada

F
ibtidai funksiya: F′(x) = f(x)
a, b
inteqrallamanın sərhədləri

Nyuton–Leybnis düsturu. quad üçün F lazım deyil: o, sahəni ədədi hesablayır (adaptiv Qauss–Kronrod kvadraturu) və xətanın qiymətləndirməsini də qaytarır.

Python
import numpy as np
from scipy import integrate

value, error = integrate.quad(lambda x: 3 * x**2 + 1, 0, 2)
print(round(value, 10), error < 1e-10)

value, _ = integrate.quad(lambda x: np.exp(-x**2), 0, np.inf)
print(round(value, 6), round(np.sqrt(np.pi) / 2, 6))

value, _ = integrate.quad(np.sin, 0, np.pi)
print(round(value, 6))

value, _ = integrate.quad(lambda x, a: a * x, 0, 4, args=(0.5,))
print(value)
Gözlənilən nəticə
10.0 True
0.886227 0.886227
2.0
4.0
quad (qiymət, xəta) cütü qaytarır. Sərhəd kimi np.inf də olar: ∫₀^∞ e^(−x²) dx = √π/2. Funksiyanın əlavə parametrləri args ilə ötürülür.

Nümunə 3: inteqralları əl ilə hesablayaq

Məsələ

Hesabla və kodla müqayisə et: 1) ∫₀² (3x² + 1) dx; 2) ∫₀^π sin x dx; 3) ∫₀⁴ 0,5x dx.

Həllini göstərHəllini gizlət

Həll

1) F(x) = x³ + x; F(2) − F(0) = 8 + 2 = 10.
2) F(x) = −cos x; −cos π + cos 0 = 1 + 1 = 2.
3) F(x) = 0,25x²; 0,25 · 16 = 4 — oturacağı 4, hündürlüyü 2 olan üçbucağın sahəsi.

İnteraktiv

Simulyasiya yüklənir…
b-ni dəyiş: rənglənmiş sahə ∫₀ᵇ (3x² + 1) dx = b³ + b-dir. b = 2 olanda o, quad-ın qaytardığı kimi 10-a bərabərdir.

Koşi məsələsi (başlanğıc şərtli məsələ)Tərif

dy/dt = f(t, y) diferensial tənliyi və başlanğıc qiymət y(t₀) = y₀. solve_ivp(fun, t_span, y0) həlli addım-addım irəli aparır (susmaya görə Runge–Kutta RK45); t_eval lazım olan anları göstərir.

dT/dt = −k · (T − Tₘ)T(t) = Tₘ + (T₀ − Tₘ) · e^(−kt)dT/dt = −k · (T − Tₘ)T(t) = Tₘ + (T₀ − Tₘ) · e^(−kt)

Burada

T
çayın temperaturu (°C)
Tₘ
mühitin (otağın) temperaturu
k
soyuma əmsalı (1/dəq)
T₀
t = 0 anındakı temperatur

Nyutonun soyuma qanunu: otaqla fərq nə qədər böyükdürsə, çay o qədər tez soyuyur. Dəqiq həll ədədi həlli yoxlamağa imkan verir.

Python
import numpy as np
from scipy.integrate import solve_ivp

k, room = 0.08, 22  # 1/min, °C

def cooling(t, T):
    return -k * (T - room)

sol = solve_ivp(cooling, t_span=(0, 30), y0=[90], t_eval=[0, 10, 20, 30], rtol=1e-8)
exact = room + (90 - room) * np.exp(-k * sol.t)
print(sol.success, sol.y.shape)
for t, T, Te in zip(sol.t, sol.y[0], exact):
    print(f't = {t:2.0f} min   numeric {T:6.2f}   exact {Te:6.2f}')
Gözlənilən nəticə
True (1, 4)
t =  0 min   numeric  90.00   exact  90.00
t = 10 min   numeric  52.55   exact  52.55
t = 20 min   numeric  35.73   exact  35.73
t = 30 min   numeric  28.17   exact  28.17
Funksiyanın imzası fun(t, y) olmalıdır — əvvəl zaman. sol.y-in forması (tənliklərin sayı, anların sayı)-dır. Susmaya görə dəqiqlikdə (rtol=1e-3) 10-cu dəqiqədəki qiymət 52,55 əvəzinə 52,53 olardı, ona görə rtol=1e-8 verdik.

Nümunə 4: soyuma qanunu əl ilə

Məsələ

k = 0,08 1/dəq, Tₘ = 22 °C, T₀ = 90 °C. Tap: 1) T(10); 2) T(20); 3) çayın 60 °C-yə çatdığı anı.

Həllini göstərHəllini gizlət

Həll

1) T(10) = 22 + 68 · e^(−0,8) = 22 + 68 · 0,4493 ≈ 52,55 °C.
2) T(20) = 22 + 68 · e^(−1,6) = 22 + 68 · 0,2019 ≈ 35,73 °C — hər ikisi yuxarıdakı cədvəldəki kimi.
3) 60 = 22 + 68 · e^(−0,08t) ⇒ e^(−0,08t) = 38/68 ⇒ t = ln(68/38) / 0,08 ≈ 7,27 dəq.

İnterpolyasiya, xətti cəbr və paylanmalar

Termometr temperaturu hər üç saatdan bir qeyd edib. Saat 10:30-da neçə dərəcə olub? İnterpolyasiya məlum nöqtələrdən dəqiq keçən əyri qurur: np.interp qonşu nöqtələri düz xətlərlə, CubicSpline isə hamar kub parçalarla birləşdirir.

y = y₀ + (y₁ − y₀) · (x − x₀)/(x₁ − x₀)y = y₀ + (y₁ − y₀) · (x − x₀)/(x₁ − x₀)

Burada

(x₀; y₀), (x₁; y₁)
x-in hər iki tərəfindəki iki ölçmə
x
qiymətin lazım olduğu nöqtə

İki qonşu nöqtə arasında xətti interpolyasiya — np.interp məhz bunu edir.

Python
import numpy as np
from scipy.interpolate import CubicSpline

hours = np.array([0, 3, 6, 9, 12, 15, 18, 21])
temp = np.array([14, 12, 13, 19, 25, 27, 22, 17])

print(np.interp(10.5, hours, temp))
spline = CubicSpline(hours, temp)
print(round(float(spline(10.5)), 2))
print(np.interp([1.5, 13.5], hours, temp))
print(np.interp(30, hours, temp), round(float(spline(30)), 1))
Gözlənilən nəticə
22.0
22.27
[13. 26.]
17.0 98.6
10,5 saatda xətti interpolyasiya 22,0 °C, splayn isə 22,27 °C verir. Verilənlərdən kənarda (30 saat) np.interp sadəcə son qiyməti təkrarlayır, splayn isə absurd 98,6 °C uydurur.

Nümunə 5: xətti interpolyasiya əl ilə

Məsələ

Ölçmələr: 0 saat — 14 °C, 3 — 12, 9 — 19, 12 — 25, 15 — 27. Tap: 1) 10,5 saatda; 2) 1,5 saatda; 3) 13,5 saatda temperaturu.

Həllini göstərHəllini gizlət

Həll

1) 9 ilə 12 arası: 19 + (25 − 19) · 1,5/3 = 19 + 3 = 22 °C.
2) 0 ilə 3 arası: 14 + (12 − 14) · 1,5/3 = 13 °C.
3) 12 ilə 15 arası: 25 + (27 − 25) · 1,5/3 = 26 °C. Kodun [13. 26.] nəticəsi ilə eynidir.

scipy.linalg-də numpy.linalg-in hər şeyi və daha çoxu var (bax: «NumPy: vektorlaşdırma və xətti cəbr»): məsələn, lu_factor ilə bir dəfə hesablanan LU ayrılışı lu_solve ilə çoxlu sağ tərəflər üçün təkrar işlədilir. Üç çek: 2 dəftər, 3 qələm və bir xətkeş 8,30 manat; 1 dəftər, 2 qələm və 2 xətkeş — 6,70; 3 dəftər, bir qələm və bir xətkeş — 8,60. Hər mal neçəyədir?

Python
import numpy as np
from scipy import linalg

A = np.array([[2, 3, 1],
              [1, 2, 2],
              [3, 1, 1]])
b = np.array([8.30, 6.70, 8.60])
print(linalg.solve(A, b).round(2))
print(round(linalg.det(A), 6))

lu, piv = linalg.lu_factor(A)
for rhs in ([8.30, 6.70, 8.60], [6.00, 5.00, 7.00]):
    print(linalg.lu_solve((lu, piv), rhs).round(2))
Gözlənilən nəticə
[2.1 0.9 1.4]
10.0
[2.1 0.9 1.4]
[1.8 0.4 1.2]
Dəftər 2,10, qələm 0,90, xətkeş 1,40 manat. det A = 10 ≠ 0, ona görə həll yeganədir. Ayrılış ikinci çek dəsti üçün yenidən hesablanmadan işlədilir.

scipy.stats yüzdən çox paylanmaya vahid interfeys verir: pmf/pdf, cdf = P(X ≤ x), sf = P(X > x), ppf (kvantil), rvs (təsadüfi seçmə), fit. Normal paylanma və testlər «Python ilə statistika» dərsindədir; burada şagird 4 variantlı testin 10 sualının hamısını təxminlə cavablandırır.

P(X = m) = C(n, m) · pᵐ · (1 − p)ⁿ⁻ᵐE(X) = npσ = √(np(1 − p))

Burada

n
sınaqların (sualların) sayı
m
uğurların sayı
p
bir sınaqda uğurun ehtimalı (burada 1/4)
C(n, m)
birləşmələrin sayı: n! / (m! · (n − m)!)

Binomial paylanma — stats.binom(n, p).

Python
from scipy import stats

guess = stats.binom(n=10, p=0.25)
print(round(guess.pmf(0), 4), round(guess.pmf(3), 4))
print(round(guess.sf(4), 4))
print(guess.mean(), round(guess.std(), 3))

heights = stats.norm(loc=170, scale=8).rvs(size=500, random_state=42)
mu, sigma = stats.norm.fit(heights)
print(round(mu, 2), round(sigma, 2))
Gözlənilən nəticə
0.0563 0.2503
0.0781
2.5 1.369
170.05 7.84
10 sualdan 5 və ya daha çoxunu təxminlə tapmağın ehtimalı cəmi 0,078-dir. sf(4) = P(X > 4) = P(X ≥ 5) — diskret paylanmalarda sərhədə diqqət et! fit 500 təsadüfi boy qiymətindən μ ≈ 170 və σ ≈ 8 parametrlərini bərpa etdi.

Nümunə 6: binomial ehtimallar əl ilə

Məsələ

n = 10, p = 0,25. Tap: 1) P(X = 0); 2) P(X = 3); 3) E(X) və σ.

Həllini göstərHəllini gizlət

Həll

1) 0,75¹⁰ ≈ 0,0563.
2) C(10, 3) = 120; 120 · 0,25³ · 0,75⁷ = 120 · 0,015625 · 0,1335 ≈ 0,2503.
3) E(X) = 10 · 0,25 = 2,5; σ = √(10 · 0,25 · 0,75) = √1,875 ≈ 1,369. Hamısı kodla üst-üstə düşür.

Mini-layihə: soyuyan çay

Aysel-in verilənlərinə qayıdaq. Otaq 22 °C-dir; naməlumlar T₀ və k-dır. curve_fit onları elə seçir ki, model ilə ölçmələr arasındakı kənarlaşmaların kvadratları cəmi ən kiçik olsun — bu, ən kiçik kvadratlar üsuludur.

S(T₀, k) = ∑ (Tᵢ − T(tᵢ; T₀, k))² → min

Burada

(tᵢ; Tᵢ)
ölçmələr: zaman və temperatur
T(t; T₀, k)
modelin qiyməti
S
xətaların kvadratları cəmi

curve_fit(model, t, T, p0) ən yaxşı parametrləri və onların kovariasiya matrisini qaytarır; diaqonalın kvadrat kökü parametrlərin standart xətalarıdır.

  1. Modeli yaz

    model(t, T0, k): əvvəl dəyişən, sonra parametrlər.

  2. Parametrləri uyğunlaşdır

    Ağlabatan p0 başlanğıcı ilə curve_fit.

  3. Suallara cavab ver

    60 °C anı üçün brentq, 10 dəqiqəlik orta üçün quad.

  4. Yoxla

    Düsturlarla müqayisə et və nöqtələri əyri ilə birlikdə çək.

Python
import numpy as np
import matplotlib.pyplot as plt
from scipy import optimize, integrate

t = np.array([0, 2, 4, 6, 8, 10, 12, 15, 20])
T = np.array([89.6, 80.3, 71.0, 64.5, 57.5, 52.9, 47.8, 42.9, 35.4])
ROOM = 22

def model(t, T0, k):
    return ROOM + (T0 - ROOM) * np.exp(-k * t)

(T0, k), cov = optimize.curve_fit(model, t, T, p0=[90, 0.1])
print(f'T0 = {T0:.1f} °C, k = {k:.4f} 1/min ± {np.sqrt(cov[1, 1]):.4f}')
t60 = optimize.brentq(lambda x: model(x, T0, k) - 60, 0, 60)
print(f'60 °C after {t60:.1f} min (formula: {np.log((T0 - ROOM) / (60 - ROOM)) / k:.1f})')
avg, _ = integrate.quad(model, 0, 10, args=(T0, k))
print(f'mean temperature in the first 10 min: {avg / 10:.1f} °C')

grid = np.linspace(0, 25, 100)
plt.scatter(t, T, label='measured')
plt.plot(grid, model(grid, T0, k), label='model')
plt.axhline(60, ls='--', c='gray')
plt.xlabel('time, min')
plt.ylabel('T, °C')
plt.legend()
Gözlənilən nəticə
T0 = 89.9 °C, k = 0.0797 1/min ± 0.0008
60 °C after 7.3 min (formula: 7.3)
mean temperature in the first 10 min: 68.8 °C
k = 0,0797 ± 0,0008 1/dəq. Çay təxminən 7,3 dəqiqədən sonra 60 °C-yə enir, ilk 10 dəqiqədə orta temperaturu isə 68,8 °C-dir. Qrafikdə ölçmələr və uyğunlaşdırılmış əyri görünür.

Nümunə 7: layihəni əl ilə yoxlayaq

Məsələ

T₀ = 89,9 °C və k = 0,0797 1/dəq üçün yoxla: 1) 60 °C-yə çatma vaxtını; 2) ilk 10 dəqiqədə orta temperaturu.

Həllini göstərHəllini gizlət

Həll

1) t = ln((89,9 − 22)/(60 − 22)) / 0,0797 = ln(1,787) / 0,0797 ≈ 0,5805 / 0,0797 ≈ 7,3 dəq.
2) T̄ = (1/10) · ∫₀¹⁰ T(t) dt = 22 + 67,9 · (1 − e^(−0,797)) / 0,797 ≈ 22 + 67,9 · 0,689 ≈ 68,8 °C.
Əl ilə alınan nəticələr brentq və quad ilə üst-üstə düşür.

Tapşırıq

e^(−x) = x tənliyinin [0; 1] parçasındakı kökünü (brentq, 4 rəqəm), sonra bir sətirdə f(x) = x² − 4x + 7 funksiyasının minimumundakı x və f-i (minimize_scalar, 3 rəqəm) çap et.

Tapşırıq · Python
import numpy as np
from scipy import optimize

# 1) the root of exp(-x) - x on [0, 1]

# 2) the minimum of x**2 - 4*x + 7
Gözlənilən nəticə
0.5671
2.0 3.0

Tapşırıq

y″ = −y, y(0) = 0, y′(0) = 1 tənliyinin həlli y = sin t-dir. Onu y′ = v, v′ = −y sistemi kimi yaz, (0, 2) aralığında solve_ivp ilə (rtol=1e-8) həll et və t = π/6 və t = π/2 anlarında y-i 3 onluq rəqəmlə ayrı sətirlərdə çap et.

Tapşırıq · Python
import numpy as np
from scipy.integrate import solve_ivp

def oscillator(t, state):
    y, v = state
    return [0, 0]  # the derivatives [y', v']

# solve on (0, 2) from [0, 1] and print y at pi/6 and pi/2
Gözlənilən nəticə
0.500
1.000

Yadda saxla

  • SciPy NumPy üzərində yoxlanılmış alqoritmlər toplusudur: alt paketləri açıq idxal et (from scipy import optimize) və nəticə obyektinin sahələrini oxu (x, fun, success).
  • minimize_scalar və minimize minimumu tapır (maksimum üçün −f); cavab lokaldır və x0-dan asılıdır.
  • brentq(f, a, b) üçün f(a) · f(b) < 0 lazımdır; fsolve sistemləri başlanğıc nöqtədən həll edir; curve_fit modelin parametrlərini ən kiçik kvadratlar üsulu ilə seçir.
  • quad (qiymət, xəta) qaytarır və sonsuz sərhədləri qəbul edir; solve_ivp(fun, t_span, y0) fun(t, y) imzası tələb edir və cavabı sol.y-ə yazır.
  • Yalnız verilənlərin daxilində interpolyasiya et; scipy.linalg (solve, lu_factor) xətti sistemləri həll edir, scipy.stats paylanmalarının ortaq metodları var: pmf/pdf, cdf, sf, ppf, rvs, fit.
Dərsdə səhv və ya qeyri-dəqiqlik gördün?

Özünü yoxla

12 sual. Hər düzgün cavab XP qazandırır.

Sual 1 / 12

Sual 1 / 12. f(a) və f(b)-nin işarələri müxtəlif olan [a; b] parçasında kəsilməz funksiyanın kökünü hansı funksiya tapır?