聚類是機器學習和資料科學中的一種技術，它涉及將相似的資料點或物件分組到叢集或子集中。聚類的目標是在資料中找到可能並不立即顯現的模式和結構，並將相關資料點分組在一起，以便進行進一步分析。在本文中，我們將瞭解如何藉助 SciPy 庫實現聚類。SciPy 為我們提供了各種科學計算工具來執行數值積分、最佳化、線性代數、訊號處理等任務。它被研究人員、科學家、工程師……使用 閱讀更多

高斯脈衝有什麼用途？高斯脈衝廣泛應用於訊號處理，尤其是在雷達、聲納和通訊中。這種脈衝在時域中具有高斯形狀，這使得它對於檢測可能被噪聲掩蓋的小訊號非常有用。在本教程中，我們將探討如何使用 scipy.signal.gausspulse 函式生成高斯脈衝。什麼是高斯脈衝？高斯脈衝是一種在時域中具有高斯形狀包絡的函式。高斯函式是一個鐘形曲線，圍繞其峰值對稱。它…… 閱讀更多

scipy.linalg 包的 sqrtm() 函式可用於查詢輸入矩陣的平方根。語法 scipy.linalg.sqrtm(x) 示例 1 讓我們考慮以下示例 − # 匯入所需的庫 from scipy from scipy import linalg import numpy as np # 定義輸入陣列 x = np.array([[14 , 2] , [89 , 33]]) print("輸入陣列：", x) # 計算平方根 r = linalg.sqrtm(x) # 顯示平方根 print("x 的平方根：", r) 輸出它將生成以下輸出 − 輸入陣列：[[14 2] [89 33]] x 的平方根：[[3.43430132 0.22262855] [9.90697038 5.54927253]] 示例 2 讓我們考慮…… 閱讀更多

scipy.linalg 包的 norm() 函式用於返回八種不同的矩陣範數之一或無限多個向量範數之一。語法 scipy.linalg.norm(x) 其中 x 是輸入陣列或方陣。示例 1 讓我們考慮以下示例 − # 匯入所需的庫 from scipy from scipy import linalg import numpy as np # 定義輸入陣列 x = np.array([7 , 4]) print("輸入陣列：", x) # 計算 L2 範數 r = linalg.norm(x) # 計算 L1 範數 s = linalg.norm(x, 3) # 顯示範數值 print("r 的範數值：", ... 閱讀更多

scipy.linalg 包包含一組用於線性代數的不同功能。其中之一是 inv() 函式，它用於查詢方陣的逆。語法 scipy.linalg.inv(x) 其中 x 是方陣。示例 1 讓我們考慮以下示例 − # 匯入所需的庫 from scipy import linalg import numpy as np # 定義陣列 a = np.array([[5, 3], [6, 4]]) print("輸入矩陣：", a) # 查詢方陣的逆 x = linalg.inv(a) print("方陣 A 的逆：", x) 輸出上述程式將生成以下輸出 − 輸入矩陣…… 閱讀更多

scipy.linalg 包包含一組用於線性代數的不同功能。其中之一是 det() 函式。此函式用於查詢二維矩陣的行列式。語法 scipy.linalg.det(x) 其中 x 是方陣。示例 1 讓我們考慮以下示例 − # 匯入所需的庫 from scipy import linalg import numpy as np # 初始化矩陣 A A = np.array([[8, 5], [3, 4]]) print("輸入矩陣：", A) # 查詢矩陣 X 的行列式 x = linalg.det(A) print("A 的行列式值：", x) 輸出它將生成以下輸出 − 輸入矩陣：[[8 5]…… 閱讀更多

scipy.special 包包含一組用於數學物理的不同功能。其中之一是 logsumexp() 函式。此函式用於計算輸入元素指數之和的對數。讓我們舉幾個例子，看看如何使用此函式。語法 scipy.special.logsumexp(x) 其中，x 是輸入值。示例 1 讓我們考慮以下示例 − # 從 scipy.special 匯入 logsumexp from scipy.special import logsumexp import numpy as np # 輸入陣列 a = np.arange(10) print("輸入陣列：", a) # logsum() 函式 res = logsumexp(a) print("a 的 logsumexp：", res) 輸出它將生成…… 閱讀更多

名為 scipy.linalg.solve_toeplitz 的線性函式用於求解 Toeplitz 矩陣方程。此函式的形式如下 − scipy.linalg.solve_toeplitz(c_or_cr, b, check_finite=True) 此線性函式將求解方程 Tx = b 以求解 x，其中 T 是 Toeplitz 矩陣。引數以下是函式 scipy.linalg.solve_toeplitz() 的引數 c_or_cr− array_like 或 (array_like, array_like) 元組此引數是向量 c 或陣列 (c, r) 的元組。儘管 c 的實際形狀如何，它始終會被轉換為一維陣列。如果未給出 r，則假設 r = conjugate(c)。以下是兩種情況 −   …… 閱讀更多

名為 scipy.linalg.solveh_triangular 的線性函式用於求解帶狀矩陣方程。在下面的示例中，我們將求解三角系統 ax = b，其中 − $$\mathrm{a} = \begin{bmatrix} 3 & 0 & 0 & 0\ 2 & 1 & 0 & 0\ 1 &0 &1 &0 \ 1& 1& 1& 1 \end{bmatrix};\; \mathrm{b} =\begin{bmatrix} 1\ 2\ 1\ 2 \end{bmatrix}$$ 示例 from scipy.linalg import solve_triangular import numpy as np a = np.array([[3, 0, 0, 0], [2, 1, 0, 0], [1, 0, 1, 0], [1, 1, 1, 1]]) b = np.array([1, 2, 1, 2]) x = solve_triangular(a, b, lower=True) print (x) 輸出 array([ 0.33333333, 1.33333333, 0.66666667, -0.33333333])

名為 scipy.linalg.solve_triangular 的線性函式用於求解三角矩陣方程。此函式的形式如下 − scipy.linalg.solve_triangular(a, b, trans=0, lower=False, unit_diagonal=False, overwrite_b=False, debug=None, check_finite=True) 此線性函式將求解方程 ax = b 以求解 x，其中 a 是三角矩陣。引數以下是函式 scipy.linalg.solve_triangular() 的引數 − a− (M, M) array_like 此引數表示三角矩陣。 b− (M, ) 或 (M, N) array_like 此引數表示方程 ax = b 中的右手邊矩陣。 lower− bool，可選 透過使用此引數，我們將能夠僅使用包含在…… 閱讀更多