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 paket | Nəyi həll edir | Əsas funksiyalar |
|---|---|---|
scipy.optimize | minimum, köklər, modelin uyğunlaşdırılması | minimize_scalar, minimize, brentq, fsolve, curve_fit |
scipy.integrate | müəyyən inteqrallar, diferensial tənliklər | quad, solve_ivp |
scipy.interpolate | ölçmələr arasındakı qiymətlər | CubicSpline, make_interp_spline |
scipy.linalg | xətti sistemlər, matrislərin ayrılışı | solve, det, lu_factor, eig |
scipy.stats | paylanmalar, statistik testlər | norm, binom, ttest_ind |
scipy.signal, scipy.fft, scipy.ndimage | siqnallar, spektrlər, şəkillər | find_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:
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).
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
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:
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.
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.
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.]
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
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
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.
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
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
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.
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.
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
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
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.
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.
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
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
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?
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]
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.
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).
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
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
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.
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.
Modeli yaz
model(t, T0, k): əvvəl dəyişən, sonra parametrlər.Parametrləri uyğunlaşdır
Ağlabatan
p0başlanğıcı iləcurve_fit.Suallara cavab ver
60 °C anı üçün
brentq, 10 dəqiqəlik orta üçünquad.Yoxla
Düsturlarla müqayisə et və nöqtələri əyri ilə birlikdə çək.
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
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
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.
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 + 7Gözlənilən 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.
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/2Gözlənilən 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_scalarvəminimizeminimumu tapır (maksimum üçün −f); cavab lokaldır vəx0-dan asılıdır.brentq(f, a, b)üçün f(a) · f(b) < 0 lazımdır;fsolvesistemləri başlanğıc nöqtədən həll edir;curve_fitmodelin 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 cavabısol.y-ə yazır.- Yalnız verilənlərin daxilində interpolyasiya et;
scipy.linalg(solve,lu_factor) xətti sistemləri həll edir,scipy.statspaylanmalarının ortaq metodları var:pmf/pdf,cdf,sf,ppf,rvs,fit.