這個教程是為了幫助初學(xué)者掌握scipy并且肯能快地實際使用。
Python是一種通用語言。它被解釋運行，是動態(tài)類型語言，并且非常適合交互工作和快速實現(xiàn)原型，然而又足夠強大用來寫大型應(yīng)用。
NumPy是一個定義了數(shù)值數(shù)組和矩陣類型和它們的基本運算的語言擴展。
SciPy是另一種使用NumPy來做高等數(shù)學(xué)、信號處理、優(yōu)化、統(tǒng)計和許多其它科學(xué)任務(wù)的語言擴展。
Matplotlib是一個幫助繪圖的語言擴展。
SciPy和其它這些能用來完成許多任務(wù)：
首先它們很適于用來進(jìn)行嚴(yán)重依賴數(shù)學(xué)和數(shù)值運算的計算,它們可以原生地使用數(shù)組、矩陣和對數(shù)組和矩陣的運算，求出特征根，計算積分，解決微分方程。
NumPy的數(shù)組類(被用來實現(xiàn)矩陣類的基礎(chǔ))是考慮速度的實現(xiàn)，所以存取NumPy數(shù)組比存取Python列表速度更快。此外，NumPy實現(xiàn)一種數(shù)組語言，以致于不需要大多數(shù)循環(huán)。例如，普通Python(C等等也是相似的):
a = range(10000000)
b = range(10000000)
c = []
for i in range(len(a)):
c.append(a[i] + b[i])
這個循環(huán)將在幾GHz的處理器上耗時5到10秒，而NumPy：
import numpy as np
a = np.arange(10000000)
b = np.arange(10000000)
c = a + b
不僅這個更加簡潔和易讀，而且相比幾乎是瞬間的，甚至NumPy的導(dǎo)入都比普通Python中的循環(huán)更快。為什么？Python是一種動態(tài)類型的解釋語言，這意味著在每次循環(huán)迭代時它都必須檢查運算對象a和b的類型來選則+正確的意義。(在python中+被用到許多地方，比如連接字符串、可以有不同元素類型的列表)當(dāng)’+’的操作對象之一是一個NumPy數(shù)組時，NumPy的add函數(shù)將被Python自動選擇，僅僅檢測一次類型。然后它通過編譯C函數(shù)執(zhí)行”真正的”加法循環(huán)。這和普通python中的解釋循環(huán)相比是非?？斓?。
有許多通用的或特定用途的數(shù)值代碼使用了numpy和scipy。參考局部軟件索引來查看部分列表。Python有許多用來創(chuàng)建交互應(yīng)用的高級的模塊(例如TraitsUI和wxPython)。和scipy一同使用這些是最快的創(chuàng)建科學(xué)應(yīng)用的方法。
Python是一門語言，它有幾個用戶界面。沒有一個單獨的程序可以開始并且給一個集成的用戶體驗。取而代之的是各種使用python的方法。1
最普遍的方法是使用高級python交互shell來輸入命令和運行腳本。腳本可以用任何編輯器來寫，例如SPE,PyScripter,甚至notepad，emacs或者vi/vim。
scipy和numpy默認(rèn)都沒有提供繪圖函數(shù)。它們僅僅是數(shù)值工具。推薦的繪圖工具包是matplotlib。
在Windows、Mac OS X和Linux下，所有這些工具都被Enthought Python發(fā)行版提供，獲取更多關(guān)于安裝這些的指導(dǎo)參考此站點安裝scipy部分。
最快的使用scipy工作的方法可能就是這個交互數(shù)據(jù)分析教程
去學(xué)習(xí)Python語言，python教程可以讓你迅速熟悉python語法和對象。你可以從http://docs.python.org/download.html下載這個教程。
Dave Kuhlman的numpy和scipy教程是另一個很好的介紹：http://www.rexx.com/~dkuhlman/scipy_course_01.html.
本站點上的文檔和Cookbook部分提供更多學(xué)習(xí)材料。
讓我們看看在矩形窗函數(shù)的傅利葉變換。我們將使用一個交互python shell——ipython來做這個。因為我們想要通過交互繪圖呈現(xiàn)結(jié)果，我們將啟動使用--pylab參數(shù)啟動ipython，這個參數(shù)允許使用matplotlib交互。
$ ipython --pylab
Python 2.5.1 (r251:54863, May 2 2007, 16:27:44)
Type "copyright", "credits" or "license" for more information.
IPython 0.7.3 -- An enhanced Interactive Python.
? -> Introduction to IPython's features.
%magic -> Information about IPython's 'magic' % functions.
help -> Python's own help system.
object? -> Details about 'object'. ?object also works, ?? prints more.
Welcome to pylab, a matplotlib-based Python environment.
For more information, type 'help(pylab)'.
ipython提供了許多方便的特性，想tab補全python函數(shù)和一個優(yōu)秀的幫助系統(tǒng)。
In [1]: %logstart
Activating auto-logging. Current session state plus future input saved.
Filename : ipython_log.py
Mode : rotate
Output logging : False
Raw input log : False
Timestamping : False
State : active
這個激活一個登錄會話到一個文件。登錄文件格式允許在以后就像一個python腳本一樣被簡單的執(zhí)行，或編輯進(jìn)一個程序。ipython也記錄所有的輸入輸出(并把它們保存在叫In和Out的列表中)，因此你可以啟動有追溯的登錄。
In [2]: from scipy import *
因為numpy和scipy不是構(gòu)建在python中的，你必須顯示地告訴python加載它們的特性。Scipy提供numpy所以當(dāng)導(dǎo)入scipy時導(dǎo)入它是不必要的。
現(xiàn)在開始實際的數(shù)學(xué)：
In [3]: a = zeros(1000)
In [4]: a[:100]=1
第一行正如你所期望的那樣簡單地創(chuàng)建了一個有1000個0的數(shù)組;numpy默認(rèn)使這些0是雙精度浮點數(shù)，但是如果我想要單精度或復(fù)數(shù)，我可以指定zeors的額外參數(shù)。第二行把一百個元素設(shè)置成-1.
然后我想要對這個數(shù)組進(jìn)行傅利葉變換，scipy提供fft函數(shù)來完成這些：
b = fft(a)
為了看看b是什么樣的，我將使用matplotlib庫。如果你使用”–pylab”啟動ipython將不需要導(dǎo)入matplotlib。否則你應(yīng)導(dǎo)入它:from pylab import *但是你將沒有交互功能(當(dāng)你創(chuàng)建時自動繪圖)。
In [6]: plot(abs(b))
Out[6]: [<matplotlib.lines.Line2D instance at 0xb7b9144c>]
In [7]: show()
這將出現(xiàn)一個顯示b的圖像的窗口，如果你啟動ipython時使用--pylab的話show命令是不必要的。
我注意到如果我把b的0頻移動到中間看起來更好。我可以通過連接b的后半部分和前半部分來實現(xiàn)，但是我記不清concatenate的語法了:
In [8]: concatenate?
Type: builtin_function_or_method
Base Class: <type 'builtin_function_or_method'>
String Form: <built-in function concatenate>
Namespace: Interactive
Docstring:
concatenate((a1, a2, ...), axis=0)
Join arrays together.
The tuple of sequences (a1, a2, ...) are joined along the given axis
(default is the first one) into a single numpy array.
Example:
>>> concatenate( ([0,1,2], [5,6,7]) )
array([0, 1, 2, 5, 6, 7])
In [9]: f=arange(-500,500,1)
In [10]: grid(True)
In [11]: plot(f,abs(concatenate((b[500:],b[:500]))))
Out[11]: [<matplotlib.lines.Line2D instance at 0xb360ca4c>]
In [12]: show()
這得到了我想要的圖像。我可以使用交互控制上下移動和縮放圖片，并且為包含在出版物中產(chǎn)生postscript輸出(如果你想要學(xué)習(xí)更多繪圖知識，建議你閱讀matplotlib教程)。
當(dāng)你一遍又一遍重復(fù)做著相同的工作，把一些命令保存在文件中并把它們作為腳本在ipython中運行將很有用。你可以使用”Ctrl-D”退出當(dāng)前的ipython會話并且編輯ipython_log.py文件。當(dāng)你想要執(zhí)行這個文件中的指令時，你可以打開一個新的ipython會話輸入命令%run
-i ipython_log.py。
當(dāng)編輯一個腳本文件時，在ipython中嘗試一些命令也很方便。這將允許你在保存和運行之前，對一些簡單的情況逐行嘗試你的腳本。
如果你僅僅初學(xué)scipy和與其伴侶，以下的東西對你并不那么重要，不要太操心。但是當(dāng)你開發(fā)一些大型的應(yīng)用時最好記住它。
對交互工作(在ipython中)和一些小型的腳本使用from scipy import *沒什么。這樣將會有個優(yōu)點就是所有的功能在當(dāng)前命名空間都是立即可用的。然而，對大型的程序和軟件包來說，建議只導(dǎo)入你真正需要的函數(shù)和模塊。讓我們考慮這種情況：你(為了無論什么理由)想要比較numpy和scipy的fft函數(shù)。在你的腳本中你應(yīng)這樣寫：
# import from module numpy.fft
from numpy.fft import fft
# import scipy's fft implementation and rename it;
# Note: `from scipy import fft` actually imports numpy.fft.fft (check with
# `scipy.fft?` in Ipython or look at .../site-packages/scipy/__init__.py)
from scipy.fftpack import fft as scipy_fft
這個優(yōu)勢就是，當(dāng)你查看代碼時，你可以顯式的知道你在導(dǎo)入什么，代碼便因此變得清晰和可讀。而且，這通常比通過import *導(dǎo)入所有東西更快，特別是如果你是從一個像scipy一樣特別大的庫中導(dǎo)入。
然而，如果你使用許多不同的numpy函數(shù)，如果你顯式導(dǎo)入每一個函數(shù)導(dǎo)入聲明將變得非常長。但是你可以導(dǎo)入整個包來代替使用import *。
from numpy import * # bad
from numpy import abs, concatenate, sin, pi, dot, amin, amax, asarray, cov, diag, zeros, empty, exp, eye, kaiser # very long
import numpy # good
# use numpy.fft.fft() on array 'a'
b = numpy.fft.fft(a)
沒關(guān)系，因為通常import numpy非常快。另一方面，scipy相當(dāng)大(有很多子包)。因此from
scipy import *第一次導(dǎo)入可能非常慢(所有接下來的導(dǎo)入聲明將會更迅速地執(zhí)行，因為實際上沒有再次導(dǎo)入)。這是為什么當(dāng)你導(dǎo)入scipy時子包的導(dǎo)入默認(rèn)被禁止(像scipy.fft)，這樣它才能像import
numpy一樣快。如果你想使用比如說scipy.fft，你不得不顯式的導(dǎo)入它(這無論如何是個好的想法)。如果你想要一次加載所有子包，你將不得不import scipy; scipy.pkgbuild()。使用ipython的交互會話，你可以通過scipy
profile調(diào)用它(ipython -p scipy),為你讀取scipy的配置文件(通常在~/.ipython/ipythonrc-scipy)和加載所有scipy。對在即時交互環(huán)境使用scipy和matplotlib繪圖，你可以用像這樣的命令ipython
--pylab -p scipy。
文章摘自：http://reverland.org/python/2012/08/24/scipy/
獲得更多有關(guān)全面概述包結(jié)構(gòu)和”pythonic”導(dǎo)入慣例的信息，看一看Python教程的這一部分
