সায়পাই টিউটোরিয়াল: পাইথন সাইপপি কী এবং এটি কীভাবে ব্যবহার করতে হয়?

SciPy একটি পাইথন গ্রন্থাগার যা বৈজ্ঞানিক এবং গাণিতিক সমস্যাগুলি সমাধান করার জন্য ব্যবহৃত হয়। NumPy বনাম SciPy। বেসিক, বিশেষ, সংহতকরণ, অনুকূলকরণ, উদাহরণ সহ।

গণিত একটি বিশাল সংখ্যক ধারণাগুলি নিয়ে কাজ করে যা খুব গুরুত্বপূর্ণ তবে একই সাথে জটিল এবং সময়সাপেক্ষ। যাহোক, আমাদের জন্য এই সমস্যাটি সমাধান করে এমন একটি পূর্ণাঙ্গ সায়পাই লাইব্রেরি সরবরাহ করে। এই সায়পাই টিউটোরিয়ালে, আপনি কয়েকটি ফাংশন এবং তাদের উদাহরণ সহ এই লাইব্রেরিটি কীভাবে ব্যবহার করবেন তা শিখবেন।



এগিয়ে যাওয়ার আগে, এই নিবন্ধে আলোচিত সমস্ত বিষয় একবার দেখুন:



চল শুরু করা যাক. :)

সায়পি কী?

SciPy একটি ওপেন-সোর্স পাইথন গ্রন্থাগার যা বৈজ্ঞানিক এবং গাণিতিক সমস্যাগুলি সমাধান করার জন্য ব্যবহৃত হয়। এটি নির্মিত হয়েছে এক্সটেনশন এবং ব্যবহারকারীকে উচ্চ-স্তরের কমান্ডগুলির বিস্তৃত পরিসীমা দিয়ে ডেটা ম্যানিপুলেট এবং ভিজ্যুয়ালাইজ করার অনুমতি দেয়। যেমন আগেই উল্লেখ করা হয়েছে, সায়্পাই নিউপাইতে বিল্ডস তৈরি করে এবং তাই আপনি যদি সায়্পাই আমদানি করেন তবে নম্পপি আমদানি করার দরকার নেই।



NumPy বনাম SciPy

NumPy এবং SciPy উভয়ই ব্যবহৃত গাণিতিক এবং সংখ্যা বিশ্লেষণের জন্য ব্যবহৃত। নুমপাইতে অ্যারে ডেটা এবং মৌলিক ক্রিয়াকলাপগুলি যেমন বাছাইকরণ, সূচীকরণ ইত্যাদির মধ্যে রয়েছে, অন্যদিকে সায়পি সমস্ত সংখ্যাসূচক কোড নিয়ে গঠিত। যদিও NumPy একটি সংখ্যা সরবরাহ করে যে লিনিয়ার বীজগণিত, ফুরিয়ার রূপান্তর ইত্যাদির সমাধানে সহায়তা করতে পারে, সায়পি একটি লাইব্রেরি যা আসলে অন্যান্য অনেকের সাথে এই ফাংশনগুলির সম্পূর্ণ বৈশিষ্ট্যযুক্ত সংস্করণ ধারণ করে। যাইহোক, আপনি যদি পাইথন ব্যবহার করে বৈজ্ঞানিক বিশ্লেষণ করছেন, আপনার বিজ্ঞান নম্পপিতে যেহেতু সায়পি তৈরি করে, আপনাকে নিমপ এবং স্কিপি উভয়ই ইনস্টল করতে হবে।

সায়পাইতে সাবপ্যাকেজ:

সায়পাইয়ের বিভিন্ন বৈজ্ঞানিক গণনাগুলির জন্য কয়েকটি সাবপ্যাকেজ রয়েছে যা নীচের সারণীতে প্রদর্শিত হয়েছে:

নামবর্ণনা
গুচ্ছক্লাস্টারিং অ্যালগোরিদম
ধ্রুবকশারীরিক এবং গাণিতিক ধ্রুবক
fftpackফাস্ট ফুরিয়ার ট্রান্সফর্ম রুটিন
সংহত করাসংহতকরণ এবং সাধারণ ডিফারেনশিয়াল সমীকরণ সমাধানকারী
বিভক্ত করাবিরক্তি এবং স্মুথ স্প্লাইজ
আমিইনপুট এবং আউটপুট
লিনালগরৈখিক বীজগণিত
আমি উড়েএন-ডাইমেনশনাল ইমেজ প্রসেসিং
গন্ধঅরথোগোনাল দূরত্বের রিগ্রেশন
অনুকূলিতকরণঅপ্টিমাইজেশন এবং রুট সন্ধানের রুটিন ines
সংকেতসংকেত প্রক্রিয়াজাতকরণ
বিরলস্পারস ম্যাট্রিক এবং যুক্ত রুটিনগুলি
স্থানিকস্থানিক ডেটা স্ট্রাকচার এবং অ্যালগরিদমগুলি
বিশেষবিশেষ ফাংশন
পরিসংখ্যানপরিসংখ্যান বিতরণ এবং ফাংশন

তবে, বিস্তারিত বিবরণের জন্য, আপনি নিম্নলিখিতটি অনুসরণ করতে পারেন অফিসিয়াল ডকুমেন্টেশন



এই প্যাকেজগুলি ব্যবহার করার আগে একচেটিয়াভাবে আমদানি করা দরকার। উদাহরণ স্বরূপ:

স্কিপি আমদানি ক্লাস্টার থেকে

এই প্রতিটি ফাংশনটি বিশদভাবে দেখার আগে, প্রথমে NumPy এবং SciPy উভয়ই সাধারণ যে ফাংশনগুলি দেখি সেগুলি একবার দেখে নেওয়া যাক।

বেসিক ফাংশন:

NumPy এর সাথে মিথস্ক্রিয়া:

SciPy NumPy এ বিল্ড করে এবং তাই আপনি অ্যারে পরিচালনা করতে NumPy ফাংশন নিজেই ব্যবহার করতে পারেন। এই ফাংশনগুলি সম্পর্কে গভীরভাবে জানতে, আপনি কেবল সহায়তা (), তথ্য () বা উত্স () ফাংশনগুলি ব্যবহার করতে পারেন।

সহায়তা ():

যে কোনও ফাংশন সম্পর্কে তথ্য পেতে, আপনি এটি ব্যবহার করতে পারেন সহায়তা () ফাংশন এই ফাংশনটি দুটিভাবে ব্যবহার করা যেতে পারে:

  • কোনও পরামিতি ছাড়াই
  • পরামিতি ব্যবহার করে

এখানে একটি উদাহরণ যা উপরের দুটি পদ্ধতি দেখায়:

স্কিপি আমদানি ক্লাস্টার সহায়তা (ক্লাস্টার) থেকে # পরামিতি সাহায্যের সাথে () # পরামিতি ছাড়াই

আপনি উপরের কোডটি কার্যকর করার সময়, প্রথম সহায়তা () এর সম্পর্কিত তথ্য প্রদান করে গুচ্ছ সাবমডিউল। দ্বিতীয় সাহায্য () ব্যবহারকারীকে কোনও মডিউল, কীওয়ার্ড ইত্যাদির নাম লিখতে বলে যার জন্য ব্যবহারকারী তথ্য চাইতে চান। এই ফাংশনটির সম্পাদন থামাতে, কেবল 'প্রস্থান করুন' টাইপ করুন এবং এন্টার টিপুন।

তথ্য ():

এই ফাংশনটি পছন্দসই সম্পর্কে তথ্য ফেরত দেয় , মডিউল ইত্যাদি

scipy.info (গুচ্ছ)

উৎস():

উত্স কোডটি কেবলমাত্র লিখিত বস্তুর জন্য ফিরে আসে । পদ্ধতি বা বস্তু সি হিসাবে অন্য কোনও ভাষায় লিখিত ক্ষেত্রে এই ফাংশনটি দরকারী তথ্য ফেরত দেয় না তবে আপনি যদি এই ফাংশনটি ব্যবহার করতে চান তবে আপনি নীচের হিসাবে এটি করতে পারেন:

scipy.source (গুচ্ছ)

বিশেষ কার্যাদি:

SciPy বেশ কয়েকটি বিশেষ ফাংশন সরবরাহ করে যা উপবৃত্তের মতো গাণিতিক পদার্থবিজ্ঞানে ব্যবহৃত হয়, সুবিধার ফাংশন, গামা, বিটা ইত্যাদিসমস্ত ফাংশন সন্ধান করতে, আপনি পূর্বে বর্ণিত সাহায্য () ফাংশনটি ব্যবহার করতে পারেন।

তাত্পর্যপূর্ণ এবং ত্রিকোণমিতিক কার্য:

SciPy এর বিশেষ ফাংশন প্যাকেজটি এমন অনেকগুলি ক্রিয়াকলাপ সরবরাহ করে যার মাধ্যমে আপনি এক্সপোনেন্টগুলি খুঁজে পেতে এবং ত্রিকোণমিতিক সমস্যার সমাধান করতে পারেন।

নিম্নলিখিত উদাহরণ বিবেচনা করুন:

জাভা মধ্যে স্ট্রিং পদ্ধতি

উদাহরণ:

স্কিপি আমদানি বিশেষ a = বিশেষ.exp10 (3) মুদ্রণ (ক) খ = বিশেষ.এক্সপি 2 (3) মুদ্রণ (খ) সি = বিশেষ.সিন্ড (90) মুদ্রণ (সি) ডি = বিশেষ কোডসডিজি (45) মুদ্রণ ( d)

আউটপুট:

1000.0
8.0
1.0
0.7071067811865475

সায়পাইয়ের বিশেষ ফাংশন প্যাকেজে উপস্থিত রয়েছে আরও অনেক ফাংশন যা আপনি নিজের জন্য চেষ্টা করতে পারেন।

সংহতকরণ কার্যাদি:

SciPy ইন্টিগ্রালগুলি সমাধান করার জন্য বিভিন্ন ফাংশন সরবরাহ করে। সাধারণ ডিফারেনশিয়াল ইন্টিগ্রেটার থেকে ট্র্যাপিজয়েডাল বিধি ব্যবহার করে ইন্টিগ্রালগুলি গণনা করা, সায়পিই হ'ল সমস্ত ধরণের ইন্টিগ্রালের সমস্যা সমাধানের জন্য ফাংশনগুলির একটি স্টোরহাউস।

সাধারণ সংহতকরণ:

SiPy নামের একটি ফাংশন সরবরাহ করে কোয়াড একটি ক্রিয়াকলাপ আছে যা একটি ফাংশন এর অবিচ্ছেদ্য গণনা করতে। সীমা হতে পারে Inf & ইনফিন(± inf) অসীম সীমা নির্দেশ করতে। কোয়াড () ফাংশনের সিনট্যাক্সটি নিম্নরূপ:

বাক্য গঠন:

কোয়াড (ফানক, এ, বি, আরগস = (), ফুল_আউটপুট = ০, ইপসাবস = ১.৯৯ ই -৮৮, এপ্রেসেল = ১.৯৯ ই -৮৮, সীমা = ৫০, পয়েন্ট = কিছুই নয়, ওজন = কিছুই নয়, ডাব্লুওয়্যার = কিছুই নেই, ওওপটস = কিছুই নয়) , সর্বোচ্চ 1 = 50, লিমেলস্ট = 50)

এখানে, ফাংশনটি a এবং b সীমাগুলির মধ্যে একীভূত হবে (এছাড়াও অসীম হতে পারে)।

উদাহরণ:

স্কিপি আমদানি থেকে বিশেষ স্কিপি আমদানি থেকে এক = ল্যাম্বদা এক্স: বিশেষ.এক্সপি 10 (এক্স) বি = scipy.integrate.quad (ক, 0, 1) মুদ্রণ (খ)

উপরের উদাহরণে, ফাংশন ‘ক’ সীমা 0, 1 এর মধ্যে মূল্যায়ন করা হয়। যখন এই কোডটি কার্যকর করা হয়, আপনি নীচের আউটপুটটি দেখতে পাবেন।

আউটপুট:

(3.9086503371292665, 4.3394735994897923e-14)

ডাবল ইন্টিগ্রাল ফাংশন:

SciPy সরবরাহ করে dblquad যা ডাবল ইন্টিগ্রাল গণনা করতে ব্যবহার করা যেতে পারে। একটি ডাবল অবিচ্ছেদ্য, যেমনটি আমরা অনেকেই জানি, দুটি বাস্তব ভেরিয়েবল থাকে। Dblquad () ফাংশনটি 4 টি অন্যান্য ভেরিয়েবলের সাথে এটির পরামিতি হিসাবে সংহত করতে ফাংশন গ্রহণ করবে যা সীমা এবং কার্যগুলি সংজ্ঞায়িত করে dy এবং dx।

উদাহরণ:

স্কিপি আমদানি থেকে a = ল্যাম্বদা y, x: x * y ** 2 বি = ল্যাম্বদা এক্স: 1 সি = ল্যাম্বদা এক্স: -1 ইন্টিগ্রেট.ডব্লকোয়াড (ক, 0, 2, বি, সি)

আউটপুট:

-1.3333333333333335, 1.4802973661668755e-14)

ট্রিপল ইন্টিগ্রাল, এন ইন্টিগ্রালস, রোমবার্গ ইন্টিগ্রালস ইত্যাদির মূল্যায়ন করার জন্য সায়পাই বিভিন্ন অন্যান্য ফাংশন সরবরাহ করে যা আপনি আরও বিশদভাবে দেখতে পারবেন। প্রয়োজনীয় ফাংশন সম্পর্কে সমস্ত বিবরণ সন্ধান করতে সহায়তা ফাংশনটি ব্যবহার করুন।

অনুকূলকরণ কার্যাদি:

Scipy.optimize বেশ কয়েকটি প্রচলিত ব্যবহৃত অপটিমাইজেশন অ্যালগরিদম সরবরাহ করে যা সহায়তা ফাংশনটি ব্যবহার করে দেখা যায়।

এটি মূলত নিম্নলিখিতটি নিয়ে গঠিত:

  • মাল্টিভিয়ারেট স্ক্যালার ফাংশনগুলি নিয়ন্ত্রণহীন এবং সীমাবদ্ধ ন্যূনতমকরণ i.e কমান (উদাঃ বিএফজিএস, নিউটন কনজুগেট গ্রেডিয়েন্ট, নেল্ডার_মেড সিমপ্লেক্স ইত্যাদি)
  • গ্লোবাল অপ্টিমাইজেশনের রুটিনগুলি (উদাঃ ডিফারেনশিয়াল ডেভলিউশন, ডুয়াল_অ্যানেলিং ইত্যাদি)
  • সর্বনিম্ন-স্কোয়ারগুলি মিনিমাইজেশন এবং কার্ভ ফিটিং (যেমন: সর্বনিম্ন_স্কোয়ারস, কার্ভ_ফিট ইত্যাদি)
  • স্কেলার অবিচ্ছিন্ন ফাংশন মিনিমাইজার এবং মূলের সন্ধানকারী (যেমন: মিনিমাইজ_স্ক্যালার এবং রুট_সালার)
  • হাইব্রিড পাওয়েল, লেভেনবার্গ-মার্কোয়ার্ডের মতো অ্যালগরিদম ব্যবহার করে মাল্টিভারিয়েট সমীকরণ সিস্টেম সলভারগুলি।

রোজনব্রুক ফাংশন:

রোজনব্রুক ফাংশন ( রোজেন ) গ্রেডিয়েন্ট-ভিত্তিক অপ্টিমাইজেশন অ্যালগরিদমের জন্য ব্যবহৃত একটি পরীক্ষার সমস্যা। এটি সায়পাইতে নিম্নলিখিত হিসাবে সংজ্ঞায়িত করা হয়েছে:

রোজেন-স্কিপি টিউটোরিয়াল-এডুরেকাউদাহরণ:

স্কিপি থেকে নপি হিসাবে আমদানি করুন। আমদানি রোজন এ = 1.2 * এনপি.আরঞ্জ (5) রোজেন (এ)

আউটপুট: 7371.0399999999945

নেল্ডার-মাড:

দ্যনেল্ডারEমিড পদ্ধতিটি একটি সংখ্যাসূচক পদ্ধতি যা প্রায়শই বহুমাত্রিক স্থানে কোনও ফাংশনের নূন্যতম / সর্বাধিক সন্ধান করতে ব্যবহৃত হয়। নিম্নলিখিত উদাহরণে, নেলদার-মাংস অ্যালগরিদমের পাশাপাশি ন্যূনতম পদ্ধতিটি ব্যবহৃত হয়।

উদাহরণ:

স্কিপি আমদানি থেকে অপ্টিমাইজ করুন a = [২.৪, ১.7, ৩.১, ২.৯, ০.২] বি = অপ্টিমাইজ.মিনিমাইজ (অপ্টিমাইজ.রোসেন, এ, মেথড = 'নেল্ডার-মিড') বি.এক্স

আউটপুট: অ্যারে ([0.96570182, 0.93255069, 0.86939478, 0.75497872, 0.56793357])

বিভক্তকরণ কার্যাদি:

সংখ্যা বিশ্লেষণের ক্ষেত্রে, ইন্টারপোলেশন জ্ঞাত তথ্য পয়েন্টগুলির একটি সেটের মধ্যে নতুন ডেটা পয়েন্ট তৈরির বোঝায়। সায়পাই লাইব্রেরিতে স্কিপি ইন্ডিটারপোলেট নামে একটি সাবপ্যাকেজ রয়েছে যা গঠিতস্প্লাইন ফাংশন এবং ক্লাস, এক-মাত্রিক এবং বহু-মাত্রিক (অবিভাজনযুক্ত এবং মাল্টিভারিয়েট) ইন্টারপোলেশন ক্লাস ইত্যাদি

অবিচ্ছিন্ন প্রবৃত্তি:

ইউনিভারিটেড ইন্টারপোলেশন মূলত বক্ররেখার ক্ষেত্র যা একটিদ্বি-মাত্রিক ডেটা পয়েন্টগুলির একটি সিরিজের জন্য যথাযথ ফিট করে এমন বক্ররেখাকে সন্ধান করে। SciPy সরবরাহ করে ইন্টারপ 1 ডি অবিচ্ছিন্ন প্রবৃত্তি উত্পাদন করতে ব্যবহার করা যেতে পারে যা ফাংশন।

উদাহরণ:

স্কিপি আমদানি ইন্টারপোলেট x = np.arange (5, 20) y = np.exp (x / 3.0) f = interplate.interp1d (x, y) x1 = এনপি.আরঞ্জ (6, 12) থেকে প্ল্যাট হিসাবে matplotlib.pyplot আমদানি করুন y1 = f (x1) # ব্যবহার ইন্টারপোলেশন ফাংশনটি `interp1d` plt.plot (x, y, 'o', x1, y1, '-') plt.show () দ্বারা ফিরে এসেছে

আউটপুট:

মাল্টিভিয়ারেট ইন্টারপোলেশন:

মাল্টিভিয়ারেট ইন্টারপোলেশন(স্থানিক)বিরক্তি) এক ধরণেরবিরক্তিএকাধিক চলক সমন্বিত ফাংশনগুলিতে। নিম্নলিখিত উদাহরণটি একটি উদাহরণ দেখায় interp2d ফাংশন
ইন্টারপুলিডি (এক্স, ওয়াই, জেড) ফাংশনটি ব্যবহার করে একটি 2-ডি গ্রিডের সাথে ইন্টারপোল্টিং মূলত এক্স, ওয়াই, জেড অ্যারে ব্যবহার করবে আনুমানিক কিছু ফাংশন f: 'z = f (x, y)' এবং এমন একটি ফাংশন প্রদান করে যার কল পদ্ধতি ব্যবহার করে ভাঁজ বিরতি নতুন পয়েন্টের মান সন্ধান করতে।
উদাহরণ:

স্কিপি আমদানি ইন্টারপোলেট আমদানি matplotlib.pyplot থেকে 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, ধরণের = 'কিউবিক') x2 = np.arange (2,8) y2 = np.arange (15,20) z2 = f (xnew, ynew) plt। প্লট (x, z [0,:], 'রো-', এক্স 2, জেড 2 [0,:], '-') প্লট.শো ()

আউটপুট:

ফুরিয়ার ট্রান্সফর্ম ফাংশন:

ফুরিয়ার বিশ্লেষণ এমন একটি পদ্ধতি যা পর্যায়ক্রমিক উপাদানগুলির যোগফল হিসাবে একটি ফাংশন প্রকাশ এবং সেই উপাদানগুলি থেকে সংকেত পুনরুদ্ধার নিয়ে কাজ করে। দ্য ফুট ফাংশনগুলি ফিরে আসতে ব্যবহার করা যেতে পারেএকটি বাস্তব বা জটিল অনুক্রমের আলাদা ফুরিয়ার রূপান্তর।

উদাহরণ:

scipy.fftpack আমদানি fft থেকে, ifft x = np.array ([0,1,2,3]) y = fft (x) মুদ্রণ (y)

আউটপুট: [6.. + + ০.j -২। + ২ জে -২।

একইভাবে, আপনি ব্যবহার করে এর বিপরীতটি সন্ধান করতে পারেন ifft নিম্নলিখিত ফাংশন:

উদাহরণ:

rom scipy.fftpack আমদানি fft, ifft x = np.array ([0,1,2,3]) y = ifft (x) মুদ্রণ (y)

আউটপুট: [1.5 + 0.j -0.5-0.5j -0.5 + 0.j -0.5 + 0.5j]

সিগন্যাল প্রসেসিং কার্যাদি:

সিগন্যাল প্রসেসিং এর সাথে ডিল করেশব্দ, চিত্র ইত্যাদি ইত্যাদির মতো সংকেত বিশ্লেষণ, সংশোধন ও সংশ্লেষকরণ সায়পাই কিছু ফাংশন সরবরাহ করে যা ব্যবহার করে আপনি এক-মাত্রিক এবং দ্বি-মাত্রিক ডেটা ডিজাইন, ফিল্টার এবং ইন্টারপোল্ট করতে পারেন।

ফিল্টারিং:

একটি সিগন্যাল ফিল্টার করে আপনি মূলত এটি থেকে অযাচিত উপাদানগুলি সরিয়ে ফেলুন। অর্ডারযুক্ত ফিল্টারিং সম্পাদন করতে, আপনি এর ব্যবহার করতে পারেন অর্ডার_ফিল্টার ফাংশন এই ফাংশনটি মূলত একটি অ্যারেতে অর্ডার করা ফিল্টারিং সম্পাদন করে। এই ফাংশনটির বাক্য গঠনটি নিম্নরূপ:

বাক্য গঠন:
অর্ডার_ ফিল্টার (একটি, ডোমেন, পদ)

a = N- মাত্রিক ইনপুট অ্যারে

ডোমেন = মাস্ক অ্যারে যেমন number a` এর সাথে একই সংখ্যার মাত্রা রয়েছে `

র‌্যাঙ্ক = অ-নেতিবাচক সংখ্যা যা তালিকা অনুসারে বাছাইয়ের পরে উপাদানগুলি নির্বাচন করে (0 এর পরে সবচেয়ে ছোট 1…)

উদাহরণ:

স্কিপি আমদানি সংকেত x = np.arange (35) .reshape (7, 5) ডোমেন = এনপি.সিটিভিটি (3) মুদ্রণ (এক্স, শেষ = 'এনএন') মুদ্রণ (সিগন্যাল.অর্ডার_ফিল্টার (এক্স, ডোমেন, 1))

আউটপুট:

[[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]]

[[০. ২. ২. ০.]
[5. 6. 6. 7. 8. 3.]
[10। 11. 12. 13. 8.]
[পনের. 16. 17. 18. 13.]
[কুড়ি 21. 22. 23. 18.]
[25] 26. 27. 28. 23.]
[0. 25. 26. 27. 28.]]

তরঙ্গসামগ্রী:

স্কিপি.সিগনাল সাবপ্যাকেজে বিভিন্ন ফাংশন রয়েছে যা তরঙ্গরূপ তৈরি করতে ব্যবহার করা যেতে পারে। এরকম একটি ফাংশন হচ্ছে কিচিরমিচির । এই ফাংশন একটি এফপ্রয়োজনীয়তা-বহনকারী কোসাইন জেনারেটর এবং সিনট্যাক্সটি নিম্নরূপ:

বাক্য গঠন:
চিপ (টি, এফ 0, টি 1, এফ 1, পদ্ধতি = 'লিনিয়ার', ফাই = 0, ভার্টেক্স_জারো = সত্য)

কোথায়,

উদাহরণ:

scipy.signal আমদানি চিপ থেকে, বর্ণালী টি = এনপি.লিনস্পেস (6, 10, 500) ডাব্লু = চিপ (টি, f0 = 4, f1 = 2, t1 = 5, পদ্ধতি = 'রৈখিক') হিসাবে স্পেকট্রগ্রাম আমদানি matplotlib.pyplot plt.plot (t, w) plt.title ('লিনিয়ার চিপ') plt.xlabel ('সেকেন্ডে সময়)') plt.show ()

আউটপুট:

রৈখিক বীজগণিত:

লিনিয়ার বীজগণিত ভেক্টর স্পেস এবং ম্যাট্রিক্স ব্যবহার করে লিনিয়ার সমীকরণ এবং তাদের উপস্থাপনা নিয়ে কাজ করে। SciPy নির্মিত হয়েছেআটলাস ল্যাপাক এবং বিএলএএস লাইব্রেরি এবং হয়লিনিয়ার বীজগণিত সম্পর্কিত সমস্যা সমাধানে অত্যন্ত দ্রুত। Numpy.linalg থেকে সমস্ত ফাংশন ছাড়াও, scipy.linalg অন্যান্য অনেকগুলি উন্নত ফাংশন সরবরাহ করে। এছাড়াও, যদি numpy.linalg বরাবর ব্যবহার করা হয় নাআটলাস ল্যাপাক এবং বিএলএএস সমর্থন, স্কিপি.লিনালগ numpy.linalg এর চেয়ে দ্রুত।

একটি ম্যাট্রিক্সের বিপরীতটি সন্ধান করা:

গাণিতিকভাবে, একটি ম্যাট্রিক্স এ এর ​​বিপরীতম্যাট্রিক্স হয়যেমন যেএবি = আমিকোথায়আমিমূল ত্রিভুজ হিসাবে চিহ্নিত হিসাবে চিহ্নিত ম্যাট্রিক্স হিসাবে চিহ্নিত করা হয়খ = ক-এক। SciPy এ, এই বিপরীতটি ব্যবহার করে প্রাপ্ত করা যেতে পারে linalg.inv পদ্ধতি

উদাহরণ:

স্কিপি আমদানি লিনালগ এ = এনপি.আররে ([[১,২], [৪,৩]]) বি = লিনালগ.ইনভি (এ) মুদ্রণ (বি) থেকে এনপি হিসাবে নাম্বার আমদানি করুন

আউটপুট:

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

নির্ণয়কারীদের সন্ধান করা:

ম্যাট্রিক্সের গুণাগুণগুলি থেকে গণিতগতভাবে প্রাপ্ত মানটি একটি বর্গ ম্যাট্রিক্সের নির্ধারক হিসাবে পরিচিত। SciPy এ, একটি ফাংশন ব্যবহার করে এটি করা যেতে পারে দ্য যার নিম্নলিখিত বাক্য গঠন রয়েছে:

বাক্য গঠন:
det (ক, ওভাররাইট_এ = ভুয়া, চেক_ফিনেট = সত্য)
কোথায়,

a: (এম, এম) একটি বর্গ ম্যাট্রিক্স

ওভাররাইট_এ (বুল, alচ্ছিক): একটিতে ওভাররাইটিং ডেটা মঞ্জুর করুন

চেক_ফিনিট (বুল, alচ্ছিক): ইনপুট ম্যাট্রিক্স কেবল সীমাবদ্ধ সংখ্যার সমন্বয়ে গঠিত কিনা তা পরীক্ষা করা To

উদাহরণ:

স্কিপি আমদানি লিনালগ এ = এনপি.আররে ([[১,২], [৪,৩]]) বি = লিনালগ.ডেট (এ) প্রিন্ট (বি)

আউটপুট: -5.0

বিচ্ছিন্ন ইগেনভ্যালু:

ইগেনভ্যালুগুলি লিনিয়ার সমীকরণের সাথে যুক্ত স্কেলারের একটি নির্দিষ্ট সেট। এআরপ্যাক আপনাকে সরবরাহ করে যে আপনাকে খুব দ্রুত ইগেনভ্যালু (ইগেনভেেক্টর) সন্ধান করার অনুমতি দেয়। এআরপ্যাকের সম্পূর্ণ কার্যকারিতা এর মধ্যে প্যাক করা আছেদুটি উচ্চ-স্তরের ইন্টারফেস যা scipy.sparse.linalg.eigs এবং scipy.sparse.linalg.eigsh। eigs। ইগস ইন্টারফেস আপনাকে রিয়েল বা জটিল ননসিমিমেট্রিক বর্গ ম্যাট্রিক্সের ইগেনভ্যালুগুলি সন্ধান করতে দেয় তবে আইগস ইন্টারফেসে রিয়েল-সিমেট্রিক বা জটিল-হার্মিটিয়ান ম্যাট্রিক্সের ইন্টারফেস থাকে।

দ্য আট ফাংশন একটি জটিল হার্মিটিয়ান বা আসল প্রতিসম ম্যাট্রিক্সের জন্য সাধারণীকরণের আইগেনুয়ালু সমস্যা সমাধান করে।

উদাহরণ:

স্কিপি.লিনালগ থেকে এনপি এ = এনপি.আররে হিসাবে আটটি আমদানি নাম্বার আমদানি করুন ([[1, 2, 3, 4], [4, 3, 2, 1], [1, 4, 6, 3], [2, 3, 2, 5]]) ক, খ = আট (ক) মুদ্রণ ('নির্বাচিত এগেনভ্যালু:', ক) মুদ্রণ ('কমপ্লেক্স নদার্রে:', খ)

আউটপুট:

নির্বাচিত ইগন্যালুয়াস: [-2.53382695 1.66735639 3.69488657 12.17158399]
কমপ্লেক্স নাদার্রে: [[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]]

স্থানীয় ডেটা স্ট্রাকচার এবং অ্যালগরিদম:

স্পেসিয়াল ডেটাতে মূলত অবজেক্ট থাকে যা লাইন, পয়েন্ট, সারফেস ইত্যাদির সমন্বয়ে গঠিত হয়। স্কাইপির স্কিপি.স্পেসিয়াল প্যাকেজটি গণনা করতে পারেকুর্লা লাইব্রেরি ব্যবহার করে ভোরোনাই চিত্র, ত্রিভুজ ইত্যাদি এটি নিকটতম-প্রতিবেশী পয়েন্ট প্রশ্নের জন্য কেডিট্রি বাস্তবায়নও ধারণ করে।

ডেলাউনে ত্রিভুজুটি:

গাণিতিকভাবে, একটি বিমানে বিচ্ছিন্ন পয়েন্টগুলির সেটের জন্য ডেলাউনয়ের ত্রিভুজগুলি একটি ত্রিভুজ যেমন এটি নির্দিষ্ট পয়েন্টগুলির বিন্দুতে কোনও বিন্দু নয়যে কোনও ত্রিভুজটির খতরের ভিতরে।

উদাহরণ:

scipy.spatial আমদানি থেকে ডিলুনয়ে পয়েন্ট = এনপি.আররে ([[0, 1], [1, 1], [1, 0], [0, 0]]) এ = ডেলাউনে (পয়েন্ট) থেকে প্ল্যাট হিসাবে matplotlib.pyplot আমদানি করুন # ডেলাউনয়ে অবজেক্ট প্রিন্ট (ক) মুদ্রণ (a.smplices) plt.triplot (পয়েন্ট [:, 0], পয়েন্ট [:, 1], a.smplices) plt.plot (পয়েন্ট [:, 1], পয়েন্ট [:, 0], 'ও') plt.show ()

আউটপুট:

বহুমাত্রিক চিত্র প্রক্রিয়াকরণ কার্যাদি:

ইমেজ প্রসেসিং মূলত কোনও তথ্য পুনরুদ্ধার করতে বা আসলটি থেকে বর্ধিত চিত্র পেতে কোনও চিত্রের ক্রিয়াকলাপ সম্পাদন করে। Scipy.ndimage প্যাকেজটিতে একটি সংখ্যা রয়েছেইমেজ প্রসেসিং এবং বিশ্লেষণ ফাংশন স্বেচ্ছাসেবী মাত্রিকতার অ্যারেগুলির সাথে কাজ করার জন্য ডিজাইন করা।

ধারণা এবং পারস্পরিক সম্পর্ক:

SciPy বেশ কয়েকটি ফাংশন সরবরাহ করে যা চিত্রগুলির সম্পর্ক এবং সংযোগ স্থাপনের অনুমতি দেয়।

  • কাজ correlate1d প্রদত্ত অক্ষের সাথে এক-মাত্রিক পারস্পরিক সম্পর্ক গণনা করতে ব্যবহার করা যেতে পারে
  • কাজ সম্পর্কিত নির্দিষ্ট কার্নেল দিয়ে যে কোনও প্রদত্ত অ্যারের বহুমাত্রিক সম্পর্ককে মঞ্জুরি দেয়
  • কাজ কনভলভ 1 ডি প্রদত্ত অক্ষের সাথে এক-মাত্রিক সমঝোতা গণনা করতে ব্যবহার করা যেতে পারে
  • কাজ সমঝোতা নির্দিষ্ট কার্নেল দিয়ে যে কোনও প্রদত্ত অ্যারের বহুমাত্রিক রূপান্তরকে অনুমতি দেয়

উদাহরণ:

স্কিপি.ইডিমেজ আমদানি করিয়েটলেট 1 ডি কোলেলেট 1 ডি ([3,5,1,7,2,6,9,4], ওজন = [1,2]) থেকে এনপি হিসাবে নম্পতি আমদানি করুন

আউটপুট: অ্যারে ([9, 13, 7, 15, 11, 14, 24, 17])

আইও ফাইল:

স্কিপি.আইও প্যাকেজটি বেশ কয়েকটি ফাংশন সরবরাহ করে যা আপনাকে বিভিন্ন ফর্ম্যাটের ফাইল যেমন ম্যাটল্যাব ফাইলগুলি, আইডিএল ফাইলগুলি, ম্যাট্রিক্স মার্কেট ফাইল ইত্যাদি পরিচালনা করতে সহায়তা করে help

এই প্যাকেজটি ব্যবহার করতে, আপনাকে নিম্নলিখিত হিসাবে এটি আমদানি করতে হবে:

এসিও হিসাবে scipy.io আমদানি করুন

সাবপ্যাকেজের সম্পূর্ণ তথ্যের জন্য, আপনি উপরের অফিসিয়াল ডকুমেন্টটি উল্লেখ করতে পারেন ফাইল আইও

এটি আমাদের এই SciPy টিউটোরিয়ালটির শেষে এনেছে। আমি আশা করি আপনি সবকিছু পরিষ্কারভাবে বুঝতে পেরেছেন। আপনি যতটা সম্ভব অনুশীলন নিশ্চিত করুন

আমাদের জন্য একটি প্রশ্ন আছে? দয়া করে এই 'সায়পাই টিউটোরিয়াল' ব্লগের মন্তব্য বিভাগে উল্লেখ করুন এবং আমরা যত তাড়াতাড়ি সম্ভব আপনার কাছে ফিরে আসব।

পাইথনের বিভিন্ন অ্যাপ্লিকেশন সহ গভীরতর জ্ঞান পেতে, আপনি লাইভের জন্য তালিকাভুক্ত করতে পারেন 24/7 সমর্থন এবং আজীবন অ্যাক্সেস সহ।