اسکپی ٹیوٹوریل: ازگر سائپی کیا ہے اور اس کا استعمال کیسے کریں؟

ریاضی میں بہت سارے تصورات ہوتے ہیں جو بہت اہم ہیں لیکن ایک ہی وقت میں ، پیچیدہ اور وقت طلب۔ البتہ، مکمل اسکائی لائبریری مہیا کرتی ہے جو ہمارے لئے اس مسئلے کو حل کرتی ہے۔ اس اسکائپای ٹیوٹوریل میں ، آپ سیکھیں گے کہ اس لائبریری کا استعمال کچھ افعال اور ان کی مثالوں کے ساتھ کیسے کریں۔

آگے بڑھنے سے پہلے ، اس مضمون میں زیر بحث سارے عنوانات پر ایک نظر ڈالیں:

• کیا سائنس ہے؟
• NumPy بمقابلہ SciPy
• سائنس پے میں سب پیکجز
• بنیادی افعال
• خصوصی کام
• انضمام کے افعال
• اصلاح کے افعال
• فوئیر ٹرانسفارم افعال
• سگنل پروسیسنگ کے افعال
• لکیری الجبرا
• ویرل ایگینولیوز
• مقامی اعداد و شمار کے ڈھانچے اور الگورتھم
• کثیر جہتی تصویری پروسیسنگ کے افعال
• فائل IO

تو آئیے شروع کرتے ہیں۔ :)

کیا سائنس ہے؟

SciPy ایک اوپن سورس ازگر لائبریری ہے جو سائنسی اور ریاضی کے مسائل کو حل کرنے کے لئے استعمال ہوتی ہے۔ اس پر بنایا گیا ہے توسیع اور صارف کو اعلٰی سطح کے کمانڈوں کی ایک وسیع رینج کے ساتھ ڈیٹا کو جوڑ توڑ اور دیکھنے کی اجازت دیتا ہے۔ جیسا کہ پہلے ذکر کیا گیا ہے ، اسکپائ نیومپی پر بناتا ہے اور اس وجہ سے اگر آپ سکپی پی کو درآمد کرتے ہیں تو ، NumPy کو درآمد کرنے کی ضرورت نہیں ہے۔

NumPy بمقابلہ SciPy

NumPy اور SciPy دونوں ہیں استعمال ریاضی اور عددی تجزیہ کے لئے استعمال کیا جاتا ہے۔ NumPy میں سرنی کے اعداد و شمار اور بنیادی کاروائیاں جیسے چھانٹنا ، ترتیب دینا ، وغیرہ شامل ہیں جبکہ ، SciPy تمام عددی کوڈ پر مشتمل ہے۔ اگرچہ NumPy ایک بڑی تعداد فراہم کرتا ہے اس سے لکیری الجبرا ، فوئیر ٹرانسفارمز وغیرہ کو حل کرنے میں مدد مل سکتی ہے ، سائنس پائی لائبریری ہے جس میں بہت سے دوسرے افراد کے ساتھ ساتھ ان افعال کے مکمل خصوصیات والے ورژن شامل ہیں۔ تاہم ، اگر آپ ازگر کا استعمال سائنسی تجزیہ کر رہے ہیں تو ، آپ کو NumPy اور SciPy دونوں انسٹال کرنے کی ضرورت ہوگی جب سے سائنس پی NumPy پر بناتا ہے۔

سائنس پائی میں سب پیکجز:

اسکائی پائی کے پاس مختلف سائنسی گنتی کے لئے بہت سارے ذیلی ذخیرے ہیں جو درج ذیل ٹیبل میں دکھائے گئے ہیں:

تاہم ، تفصیلی وضاحت کے ل you ، آپ اس پر عمل کرسکتے ہیں سرکاری دستاویزات .

یہ پیکیج استعمال کرنے سے پہلے خصوصی طور پر درآمد کرنے کی ضرورت ہے۔ مثال کے طور پر:

اسکپی امپورٹ کلسٹر سے

ان میں سے ہر ایک کام کو تفصیل سے دیکھنے سے پہلے ، آئیے پہلے ان افعال پر ایک نظر ڈالیں جو NumPy اور SciPy میں عام ہیں۔

بنیادی افعال:

NumPy کے ساتھ تعامل:

سکپائ نیپپی پر بناتا ہے اور اسی وجہ سے آپ خود ارے کو سنبھالنے کے لئے نمپای افعال کا خود استعمال کرسکتے ہیں۔ ان افعال کے بارے میں گہرائی سے جاننے کے ل you ، آپ آسانی سے مدد () ، معلومات () یا ذریعہ () افعال استعمال کرسکتے ہیں۔

مدد():

کسی بھی فنکشن کے بارے میں معلومات حاصل کرنے کے ل you ، آپ اس کا استعمال کرسکتے ہیں مدد() تقریب اس فنکشن کو استعمال کرنے کے دو طریقے ہیں:

• بغیر کسی پیرامیٹرز کے
• پیرامیٹرز کا استعمال کرتے ہوئے

یہاں ایک مثال ہے جو مندرجہ بالا دونوں طریقوں کو ظاہر کرتی ہے۔

درآمد کلسٹر مدد (کلسٹر) سے # پیرامیٹر مدد کے ساتھ () # پیرامیٹر کے بغیر

جب آپ مذکورہ کوڈ پر عمل کرتے ہیں تو ، پہلی مدد () اس کے بارے میں معلومات لوٹاتی ہے جھرمٹ ذیلی ماڈل. دوسری مدد () صارف سے کسی ماڈیول ، مطلوبہ الفاظ ، وغیرہ کا نام درج کرنے کو کہتی ہے جس کے لئے صارف معلومات حاصل کرنا چاہتا ہے۔ اس فنکشن پر عمل درآمد روکنے کے لئے ، صرف 'چھوڑیں' ٹائپ کریں اور انٹر کو دبائیں۔

معلومات ():

یہ فنکشن مطلوبہ کے بارے میں معلومات لوٹاتا ہے ، ماڈیولز ، وغیرہ۔

scipy.info (کلسٹر)

ذریعہ():

ماخذ کوڈ صرف لکھی گئی اشیاء کے لئے واپس کیا جاتا ہے . اگر آپ کسی دوسرے زبان جیسے طریق C. کار یا چیزوں کو سی کے لکھے ہوئے ہیں اس کی صورت میں یہ مفید معلومات واپس نہیں کرتی ہے۔ تاہم اگر آپ اس فنکشن کو استعمال کرنا چاہتے ہیں تو ، آپ اسے مندرجہ ذیل طور پر کرسکتے ہیں:

scipy.source (جھرمٹ)

خصوصی کام:

اسکپائی متعدد خصوصی افعال مہیا کرتا ہے جو بیضوی جیسی ریاضی کی طبیعیات میں استعمال ہوتا ہے، سہولت افعال ، گاما ، بیٹا ، وغیرہ۔تمام افعال کو تلاش کرنے کے ل you ، آپ مدد () فنکشن کا استعمال پہلے کی طرح کر سکتے ہیں۔

صریحی اور سہ رخی افعال:

SciPy کا خصوصی فنکشن پیکیج بہت سارے افعال مہیا کرتا ہے جس کے ذریعے آپ کو تاثیر تلاش کرسکتے ہیں اور مثلثیاتی مسائل کو حل کرسکتے ہیں۔

مندرجہ ذیل مثال پر غور کریں:

مثال:

اسکپی امپورٹ اسپیشل سے a = خصوصی.exp10 (3) پرنٹ (ا) بی = اسپیشل۔ ایکس پی 2 (3) پرنٹ (بی) سی = اسپیشل۔سندگ (90) پرنٹ (سی) ڈی = اسپیشل کوسڈیگ (45) پرنٹ ( d)

آؤٹ پٹ:

Qtp اور سیلینیم کے درمیان فرق

1000.0
8.0
1.0
0.7071067811865475

سائنسپی کے خصوصی فنکشن پیکیج میں اور بھی بہت سارے افعال موجود ہیں جو آپ خود آزما سکتے ہیں۔

انضمام کے فرائض:

SciPy انٹیگرلز کو حل کرنے کیلئے متعدد افعال فراہم کرتا ہے۔ عام تفرق انضمام سے لے کر انٹیگرلز کی گنتی کے لئے ٹراپیزائڈیل قواعد کو استعمال کرنے میں ، سائنسپائ تمام قسم کے انٹیگرلز کے مسائل کو حل کرنے کے لئے افعال کا ذخیرہ ہے۔

عام انضمام:

SiPy نامی ایک فنکشن فراہم کرتا ہے چار کسی ایسے فعل کے لازمی حساب کا حساب لگانا جس میں ایک متغیر ہو۔ حدود ہوسکتی ہیں inf & انفین(± inf) لامحدود حدود کی نشاندہی کرنا۔ کواڈ () فنکشن کا ترکیب مندرجہ ذیل ہے۔

سنٹیکس:

پرمانا ، زیادہ سے زیادہ 1 = 50 ، لمس = 50)

یہاں ، فنکشن حدود a اور b کے درمیان ضم ہوجائے گا (لامحدود بھی ہوسکتا ہے)۔

مثال:

اسکیپی امپورٹ سے اسپیچی امپورٹ اسپیشل امپورٹ انٹیگریٹ a = لیمبڈا x: special.exp10 (x) b = scipy.integrate.quad (a، 0، 1) پرنٹ (بی)

مندرجہ بالا مثال میں ، فنکشن ‘اے’ کی حدود 0 ، 1 کے درمیان جانچ کی جاتی ہے۔ جب اس کوڈ پر عمل درآمد ہوتا ہے تو ، آپ کو مندرجہ ذیل آؤٹ پٹ نظر آئے گا۔

آؤٹ پٹ:

(3.9086503371292665 ، 4.3394735994897923e-14)

ڈبل انٹیگرل فنکشن:

SciPy فراہم کرتا ہے dblquad جو ڈبل انٹیگرلز کا حساب لگانے کے لئے استعمال کیا جاسکتا ہے۔ ایک ڈبل اٹوٹ ، جیسا کہ ہم میں سے بہت سے لوگوں کو معلوم ہے ، دو اصلی متغیروں پر مشتمل ہے۔ dblquad () فنکشن کو اس کے پیرامیٹر کے طور پر ساتھ ساتھ دیگر 4 متغیرات کو بھی شامل کیا جائے گا جو حدود اور افعال کی وضاحت کرتے ہیں۔ D y اور dx

مثال:

اسکپی امپورٹ سے a = lambda y ، x: x * y ** 2 b = lambda x: 1 c = lambda x: -1 integrate.dblquad (a، 0، 2، b، c)

آؤٹ پٹ:

-1.3333333333333335، 1.4802973661668755e-14)

سائنس پے ٹرپل انٹیگرلز ، این انٹیگرلز ، رومبرگ انٹیگرلز ، وغیرہ کی جانچ کرنے کے لئے مختلف دیگر افعال مہیا کرتا ہے جس سے آپ مزید تفصیل کے ساتھ دریافت کرسکتے ہیں۔ مطلوبہ افعال کے بارے میں تمام تفصیلات تلاش کرنے کے لئے ، مدد فنکشن کا استعمال کریں۔

اصلاح کے افعال:

scipy.optimize عام طور پر استعمال شدہ بہتری کے الگورتھم فراہم کرتا ہے جسے مدد کی تقریب کا استعمال کرتے ہوئے دیکھا جاسکتا ہے۔

یہ بنیادی طور پر درج ذیل پر مشتمل ہے:

• متعدد اسکیلر افعال کی بے ضابطگی اور مجبوری کم سے کم کرنا i.e کم سے کم (مثال کے طور پر ، BFGS ، نیوٹن کونجویٹ گریڈیئنٹ ، نیلڈر_ میڈ سادیکس ، وغیرہ)
• عالمی سطح پر اصلاح کے معمولات (جیسے تفریق_یوالوشن ، ڈوئل_انیلنگ ، وغیرہ)
• کم سے کم چوکوں کو کم سے کم کرنا اور وکر کی فٹنگ (جیسے. کم سے کم اسکوائرز ، وکر_فٹ وغیرہ)
• اسکیلر غیر متفاوت افعال کم سے کم اور جڑ تلاش کرنے والے (جیسے. minimize_scalar اور root_scalar)
• ہائبرڈ پوول ، لیونبرگ مارکورڈ جیسے الگورتھم کا استعمال کرتے ہوئے کثیر القاب مساوات کے نظام حل کرنے والے۔

روزن بروک فنکشن:

روزن بروک فنکشن ( روزن ) تدریجی بنیاد پر اصلاح کے الگورتھم کے لئے استعمال ہونے والا ایک آزمائشی مسئلہ ہے۔ اس کی وضاحت اسکائپائی میں مندرجہ ذیل ہے:

مثال:

scipy.optimize درآمد روسن a = 1.2 * np.arange (5) روزین (a) سے این پی کے بطور nump درآمد کریں

آؤٹ پٹ: 7371.0399999999945

نیلڈر میڈ:

نیلڈرe میڈ طریقہ ایک عددی طریقہ ہے جو کثیر جہتی جگہ میں اکثر کسی فنکشن کا کم سے کم / زیادہ سے زیادہ تلاش کرنے کے لئے استعمال ہوتا ہے۔ مندرجہ ذیل مثال میں ، کم سے کم طریقہ کار نیلڈر میڈ میڈ الگورتھم کے ساتھ استعمال ہوتا ہے۔

مثال:

اسکپی امپورٹ سے ایکٹ [= 2.4، 1.7، 3.1، 2.9، 0.2] b = optize.minimize (optize.rosen، a، method = 'Nelder-Mead') b.x

آؤٹ پٹ: صف ([0.96570182، 0.93255069، 0.86939478، 0.75497872، 0.56793357])

رگاؤ افعال:

ہندسوں کے تجزیے کے میدان میں ، وقفے سے مراد اعداد و شمار کے مشہور نکات کے ایک سیٹ میں نئے ڈیٹا پوائنٹس کی تعمیر ہے۔ اس سکی لائبریری میں ایک سب پیکیج نامی اسکیپی انٹیرپولیٹ شامل ہے جس پر مشتمل ہےاسپلائن افعال اور کلاسز ، ایک جہتی اور کثیر جہتی (غیر متفرق اور کثیر الماری) انٹرپولیشن کلاسز وغیرہ۔

یکساں رکاوٹ:

یکساں رکاوٹ بنیادی طور پر منحنی خطوط کا ایک ایسا علاقہ ہے جووہ وکر ڈھونڈتا ہے جو دو جہتی ڈیٹا پوائنٹس کی سیریز کے عین مطابق فٹ فراہم کرتا ہے۔ SciPy فراہم کرتا ہے انٹرپ 1 ڈی غیر متناسب رگڑ پیدا کرنے کے لئے استعمال کیا جا سکتا ہے کہ تقریب.

مثال:

درآمد matplotlib.pyplot کے طور پر plt بطور scipy درآمد انٹرپولیٹ x = np.arange (5 ، 20) y = np.exp (x / 3.0) f = interpolate.interp1d (x، y) x1 = np.arange (6، 12) y1 = f (x1) # استعمال انٹرپلیشن فنکشن by interp1d` plt.plot (x، y، 'o'، x1، y1، '-') plt.show () کے ذریعہ لوٹا گیا

آؤٹ پٹ:

متعدد رگاؤ:

کثیر التواء رگڑ(مقامی)رکاوٹ) ایک قسم ہےرکاوٹایک سے زیادہ متغیر پر مشتمل افعال پر۔ مندرجہ ذیل مثال نے اس کی ایک مثال ظاہر کی ہے انٹر پی 2 ڈی تقریب
انٹرپ 2 ڈی (ایکس ، وائی ، زیڈ) فنکشن کا استعمال کرتے ہوئے 2-D گرڈ کے ساتھ انٹرپولٹنگ بنیادی طور پر کچھ فنکشن کے بارے میں X ، y ، z اری کا استعمال کرے گا۔ f: 'z = f (x، y)' اور ایک فنکشن لوٹاتا ہے جس کا کال کا طریقہ استعمال کرتا ہے سپلائی رگڑ نئے نکات کی قدر معلوم کرنے کے ل.
مثال:

اسکپی امپورٹ انٹرپولیٹ درآمد matplotlib.pyplot سے بطور plt x = np.arange (0،10) y = np.arange (10،25) x1، y1 = np.meshgrid (x، y) z = np.tan (xx + yy) f = interplate.interp2d (x، y، z، قسم = 'مکعب') x2 = np.arange (2،8) y2 = np.arange (15،20) z2 = f (xnew، ynew) plt. پلاٹ (x، z [0،:]، 'ro-'، x2، z2 [0،:]، '-') plt.show ()

آؤٹ پٹ:

فوئیر ٹرانسفارم افعال:

فوئیر تجزیہ ایک ایسا طریقہ ہے جو وقتا فوقتا کسی اجزاء کے اجزاء کے طور پر کسی فنکشن کے اظہار اور ان اجزاء سے سگنل کی بازیافت سے متعلق ہے۔ فٹ افعال واپس کرنے کے لئے استعمال کیا جا سکتا ہےایک حقیقی یا پیچیدہ ترتیب کی مجرد فوورئیر کی تبدیلی۔

مثال:

scipy.fftpack سے درآمد fft ، ifft x = np.array ([0،1،2،3]) y = fft (x) پرنٹ (y)

آؤٹ پٹ: [6. + 0.j -2. + 2.j -2. + 0.j -2.-2.j]

اسی طرح ، آپ کا استعمال کرکے اس کا الٹا پا سکتے ہیں ifft مندرجہ ذیل کے طور پر کام:

مثال:

rom scipy.fftpack درآمد fft ، ifft x = np.array ([0،1،2،3]) y = ifft (x) پرنٹ (y)

آؤٹ پٹ: [1.5 + 0.j -0.5-0.5j -0.5 + 0.j -0.5 + 0.5j]

سگنل پروسیسنگ کے فرائض:

سگنل پروسیسنگ کے ساتھ معاہدےسائن ، تجزیہ اور سنشلیزائز سگنلز جیسے صوتی ، امیجز ، وغیرہ۔ اسکائی کچھ کام کرتا ہے جس کے استعمال سے آپ ایک جہتی اور دو جہتی ڈیٹا کو ڈیزائن ، فلٹر اور انٹرپولیٹ کرسکتے ہیں۔

فلٹرنگ:

سگنل کو فلٹر کرنے سے ، آپ بنیادی طور پر اس سے ناپسندیدہ اجزا ختم کردیتے ہیں۔ آرڈر شدہ فلٹرنگ انجام دینے کے ل you ، آپ اس کا استعمال کرسکتے ہیں آرڈر_فلٹر تقریب یہ فنکشن بنیادی طور پر سرنی پر فلٹرنگ کا حکم دیتا ہے۔ اس فنکشن کا ترکیب مندرجہ ذیل ہے۔

سنٹیکس:
آرڈر_فلٹر (ایک ، ڈومین ، درجہ)

a = N جہتی ان پٹ سرنی

گٹ گٹوب ایک جیسے ہیں

ڈومین = ماسک سرنی جس میں طول و عرض کی ایک ہی تعداد ہے جس کی تعداد `a` ہے

درجہ = غیر منفی نمبر جو ترتیب دینے کے بعد فہرست سے عناصر کا انتخاب کرتا ہے (0 سب سے چھوٹی ہے جس کے بعد 1…)

مثال:

اسکپی امپورٹ سگنل x = np.arange (35). ریڈ (7 ، 5) ڈومین = np.identity (3) پرنٹ (x ، آخر = 'این این') پرنٹ (سگنل. آرڈر_فلٹر (x ، ڈومین ، 1))

آؤٹ پٹ:

[[0 1 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]
[25 26 27 28 29]
[30 31 32 33 34]]

[[0. 1. 2. 3. 0. 0.]
[5.. 7.. 8.. ].]
[10۔ 11. 12. 13. 8.]
[پندرہ۔ 16. 17. 18. 13.]
[بیس. 21. 22. 23. 18.]
[25۔ 26. 27. 28. 23.]
[0. 25. 26. 27. 28.]]

لہروں:

scipy.signal subpackage بھی مختلف افعال پر مشتمل ہوتا ہے جسے طول موجد پیدا کرنے کے لئے استعمال کیا جاسکتا ہے۔ ایسی ہی ایک تقریب ہے چہچہانا . یہ فنکشن ایک ایف ہےتقاضا سے بھری ہوئی کوسائن جنریٹر اور نحو درج ذیل ہے:

سنٹیکس:
چہکنا (ٹی ، ایف 0 ، ٹی 1 ، ایف 1 ، طریقہ = ’لکیری‘ ، فائی = 0 ، ورٹیکس_زیرو = سچ)

کہاں،

مثال:

scipy.signal Import chirp سے ، سپیکٹروگرام امپورٹ matplotlib.pyplot بطور plt t = np.linspace (6، 10، 500) w = Chirp (t، f0 = 4، f1 = 2، t1 = 5، طریقہ = 'لکیری') plt.plot (t، w) plt.title ('Linear Chirp') plt.xlabel ('سیکنڈ میں وقت)') plt.show ()

آؤٹ پٹ:

لکیری الجبرا:

لکیری الجبرا ویکٹر خالی جگہوں اور میٹرکس کا استعمال کرتے ہوئے لکیری مساوات اور ان کی نمائندگیوں سے نمٹتا ہے۔ SciPy پر بنایا گیا ہےاٹلس لیپک اور بی ایل اے ایس لائبریریاں ہیں اور ہیںلکیری الجبرا سے متعلق مسائل کو حل کرنے میں بہت تیزی سے۔ numpy.linalg سے تمام افعال کے علاوہ ، scipy.linalg دیگر متعدد اعلی افعال بھی فراہم کرتا ہے۔ اس کے علاوہ ، اگر numpy.linalg ساتھ نہیں ہےاٹلس لیپک اور بی ایل اے ایس سپورٹ ، اسکیپ لائنگ نمی ڈاٹ لینگ سے تیز ہے۔

میٹرکس کا الٹا تلاش کرنا:

ریاضی کے لحاظ سے ، میٹرکس A کا الٹامیٹرکس ہےبیاس طرح کہاے بی = میںکہاںمیںشناختی میٹرکس ہے جس میں اہم اخترن نیچے کی علامت ہےبی = اے^ایک. SciPy میں ، یہ الٹا استعمال کرکے حاصل کیا جاسکتا ہے linalg.inv طریقہ

مثال:

اسکپی امپورٹ لینلگ A = np.array ([[1،2]، [4،3]]) B = linalg.inv (A) پرنٹ (B) سے بطور این پی پی درآمد کریں

آؤٹ پٹ:

[[-0.6 0.4]
[0.8 -0.2]]

تشخیص کرنے والوں کی تلاش:

میٹرکس کے قابلیت سے ریاضی کے حساب سے حاصل کی گئی قیمت مربع میٹرکس کے عامل کے طور پر جانا جاتا ہے۔ SciPy میں ، یہ ایک فنکشن کا استعمال کرکے کیا جاسکتا ہے جس میں مندرجہ ذیل ترکیب موجود ہے:

سنٹیکس:
det (ایک ، اوور رائٹ_ا = غلط ، چیک_فائنٹ = سچ)
کہاں،

a: (M، M) ایک مربع میٹرکس ہے

جڑنے والی فہرست کو سی میں نافذ کریں

اوور رائٹ_ا (بول ، اختیاری): ایک میں اکرائٹنگ ڈیٹا کی اجازت دیں

چیک_فائنائٹ (بول ، اختیاری): ان پٹ میٹرکس صرف محدود تعداد پر مشتمل ہے یا نہیں اس کی جانچ کرنا

مثال:

اسکپی امپورٹ لینلگ A = np.array ([[1،2] ، [4،3]]) B = linalg.det (A) پرنٹ (B) سے بطور این پی پی درآمد کریں

آؤٹ پٹ: -5.0

ویرل ایگینولیوز:

ایگن ویلیوس اسکیلرز کا ایک مخصوص مجموعہ ہے جو لکیری مساوات سے منسلک ہوتا ہے۔ ایرپیک فراہم کرتا ہے کہ آپ کو ایگن ویلیوز (ایجین ویکٹرز) کو بہت تیزی سے تلاش کرنے کی اجازت دیتا ہے۔ ARPACK کی مکمل فعالیت کے اندر پیک کیا گیا ہےدو اعلی سطحی انٹرفیس جو scipy.sparse.linalg.eigs اور scipy.sparse.linalg.eigsh ہیں۔ eigs. ایگس انٹرفیس آپ کو حقیقی یا پیچیدہ نمبرسومیٹرک مربع میٹرکس کے ایگن ویلیوز تلاش کرنے کی اجازت دیتا ہے جبکہ ایگش انٹرفیس میں ریئل سڈولک یا کمپلیکس - ہرمیٹیئن میٹرکس کے انٹرفیس ہوتے ہیں۔

آٹھ فنکشن ایک پیچیدہ ہرمیٹیئن یا اصلی توازن میٹرکس کے لئے ایک عمومی نوعیت کی ایجینولو مسئلہ حل کرتا ہے۔

مثال:

scipy.linalg سے آٹھ امپورٹ نیمی بطور NP A = np.array درآمد کریں ([[1، 2، 3، 4]، [4، 3، 2، 1]، [1، 4، 6، 3]، [2، 3 ، 2 ، 5]]) ا ، بی = آٹھ (اے) پرنٹ ('منتخب کردہ آبائی قیمتیں:' ، ا) پرنٹ ('کمپلیکس ندرے:' ، بی)

آؤٹ پٹ:

منتخب کردہ ایگونولیوز: [-2.53382695 1.66735639 3.69488657 12.17158399]
کمپلیکس ندارے: [[0.69205614 0.5829305 0.25682823 -0.33954321]
[-0.68277875 0.46838936 0.03700454 -0.5595134]
[0.23275694 -0.29164622 -0.72710245 -0.57627139]
[0.02637572 -0.59644441 0.63560361 -0.48945525]]

مقامی اعداد و شمار کے ڈھانچے اور الگورتھم:

مقامی اعداد و شمار بنیادی طور پر ایسی اشیاء پر مشتمل ہوتے ہیں جو لائنوں ، پوائنٹس ، سطحوں ، وغیرہ سے بنا ہوتے ہیں۔وورونوئی آریگرام ، مثلثات ، وغیرہ۔ Qhull لائبریری کا استعمال کرتے ہوئے۔ یہ قریبی پڑوسی نقطہ سوالات کے ل for کے ڈی ٹری کے نفاذ پر مشتمل ہے۔

Delaunay مثلث:

ریاضی کے مطابق ، ہوائی جہاز میں متناسب پوائنٹس کے ایک سیٹ کے لئے ڈیلونئی مثلث ایک مثلث ہے جس میں دیئے گئے پوائنٹس کے سیٹ میں کوئی نقطہ نہیں ہوتا ہےکسی بھی مثلث کے طواف کے اندر۔

مثال:

scpy.spatial درآمد Delaunay پوائنٹس = np.array ([[0، 1]، [1، 1]، [1، 0]، [0، 0]]) a = Delaunay (پوائنٹس) سے plt کے طور پر matplotlib.pyplot درآمد کریں # ڈیلانے آبجیکٹ پرنٹ (ا) پرنٹ (a.smplices) plt.triplot (پوائنٹس [: ، 0] ، پوائنٹس [: ، 1] ، a.simplices) plt.plot (پوائنٹس [: ، 1] ، پوائنٹس [:، 0]، 'o') plt.show ()

آؤٹ پٹ:

کثیر جہتی تصویری پروسیسنگ افعال:

تصویری پروسیسنگ بنیادی طور پر معلومات کو بازیافت کرنے یا اصل سے ایک بہتر تصویر حاصل کرنے کے لئے کسی شبیہہ پر کام کرنے سے متعلق ہے۔ scipy.ndimage پیکیج متعدد پر مشتمل ہوتا ہےتصویری پروسیسنگ اور تجزیہ کے افعال جو صوابدیدی جہتی کی صفوں کے ساتھ کام کرنے کے لئے ڈیزائن کیا گیا ہے۔

کنولیوشن اور ارتباط:

SciPy متعدد افعال فراہم کرتا ہے جو تصاویر کے ارتباط اور کنفیوژن کی اجازت دیتا ہے۔

• تقریب correlate1d کسی دیئے ہوئے محور کے ساتھ جہتی ارتباط کا حساب لگانے کے لئے استعمال کیا جاسکتا ہے
• تقریب ارتباط مخصوص دانا کے ساتھ کسی بھی دیئے گئے صف کا کثیر جہتی ارتباط کی اجازت دیتا ہے
• تقریب confolve1d کسی دیئے ہوئے محور کے ساتھ ایک جہتی سمجھنے کے لئے بھی استعمال کیا جاسکتا ہے
• تقریب قائل کرنا مخصوص دانا کے ساتھ کسی بھی دیئے گئے صف کو کثیر جہتی سمجھنے کی اجازت دیتا ہے

مثال:

اسکیپی سے انڈے کے بطور این پی پی درآمد کریں۔ درآمد درآمد کے سلسلے میں درآمد کے سلسلے میں 1 ڈی (3،5،1،7،2،6،9،4]، وزن = [1،2])

آؤٹ پٹ: صف ([9 ، 13 ، 7 ، 15 ، 11 ، 14 ، 24 ، 17])

IO فائل:

scipy.io پیکیج متعدد افعال مہیا کرتا ہے جو آپ کو مختلف فارمیٹس کی فائلوں کے انتظام میں مدد کرتا ہے جیسے MATLAB فائلیں ، IDL فائلیں ، میٹرکس مارکیٹ فائلیں وغیرہ۔

اس پیکیج کو استعمال کرنے کے ل you ، آپ کو مندرجہ ذیل اس کی درآمد کرنا ہوگی۔

scipy.io کو بطور ایسیو درآمد کریں

سب پیکج سے متعلق مکمل معلومات کے ل you ، آپ پر سرکاری دستاویز کا حوالہ دے سکتے ہیں فائل IO .

اس سے ہمیں اس اسکائی پائی ٹیوٹوریل کے اختتام تک پہنچتا ہے۔ مجھے امید ہے کہ آپ سب کچھ واضح طور پر سمجھ چکے ہوں گے۔ یقینی بنائیں کہ آپ زیادہ سے زیادہ مشق کریں .

ہمارے لئے ایک سوال ہے؟ براہ کرم اس 'سائنسپائی ٹیوٹوریل' بلاگ کے تبصرے سیکشن میں اس کا تذکرہ کریں اور ہم جلد سے جلد آپ کے پاس مل جائیں گے۔

اس کی مختلف ایپلیکیشنز کے ساتھ ازگر میں گہرائی سے آگاہی حاصل کرنے کے ل you ، آپ براہ راست داخلہ لے سکتے ہیں 24/7 کی حمایت اور زندگی بھر تک رسائی کے ساتھ۔