SciPy ट्यूटोरियल: पायथन SciPy क्या है और इसका उपयोग कैसे करें?

गणित बड़ी संख्या में अवधारणाओं से संबंधित है जो बहुत महत्वपूर्ण हैं लेकिन एक ही समय में, जटिल और समय लेने वाली हैं। हालाँकि, पूर्ण-विकसित SciPy लाइब्रेरी प्रदान करता है जो हमारे लिए इस समस्या को हल करता है। इस SciPy ट्यूटोरियल में, आप सीखेंगे कि कुछ कार्यों और उनके उदाहरणों के साथ इस लाइब्रेरी का उपयोग कैसे किया जाए।

आगे बढ़ने से पहले, इस लेख में चर्चा किए गए सभी विषयों पर एक नज़र डालें:

• SciPy क्या है?
• NumPy बनाम SciPy
• SciPy में उप-पैकेज
• बुनियादी कार्यों
• विशेष कार्य
• एकीकरण के कार्य
• अनुकूलन कार्य
• फूरियर रूपांतरण
• सिग्नल प्रोसेसिंग कार्य
• लीनियर अलजेब्रा
• विरल Eigenvalues
• स्थानिक डेटा संरचनाएं और एल्गोरिदम
• बहुआयामी छवि प्रसंस्करण कार्य
• फाइल आई.ओ.

तो चलो शुरू हो जाओ। :)

SciPy क्या है?

SciPy एक ओपन-सोर्स पायथन लाइब्रेरी है, जिसका उपयोग वैज्ञानिक और गणितीय समस्याओं को हल करने के लिए किया जाता है। यह पर बनाया गया है विस्तार और उपयोगकर्ता को उच्च-स्तरीय कमांड की एक विस्तृत श्रृंखला के साथ डेटा में हेरफेर और कल्पना करने की अनुमति देता है। जैसा कि पहले उल्लेख किया गया है, SciPy NumPy पर बनाता है और इसलिए यदि आप SciPy को आयात करते हैं, तो NumPy को आयात करने की कोई आवश्यकता नहीं है।

NumPy बनाम SciPy

NumPy और SciPy दोनों हैं उपयोग गणितीय और संख्यात्मक विश्लेषण के लिए किया जाता है। NumPy में सरणी डेटा और बुनियादी संचालन जैसे सॉर्टिंग, इंडेक्सिंग आदि शामिल हैं, जबकि, SciPy में सभी संख्यात्मक कोड शामिल हैं। हालाँकि NumPy कई नंबर प्रदान करता है यह रैखिक बीजगणित, फूरियर रूपांतरण, आदि को हल करने में मदद कर सकता है, SciPy वह पुस्तकालय है जिसमें वास्तव में कई अन्य लोगों के साथ इन कार्यों के पूर्ण रूप से चित्रित संस्करण शामिल हैं। हालांकि, यदि आप पायथन का उपयोग करके वैज्ञानिक विश्लेषण कर रहे हैं, तो आपको NumPy और SciPy दोनों को स्थापित करना होगा क्योंकि SciPy NumPy पर बनाता है।

SciPy में उप-पैकेज:

SciPy के पास विभिन्न वैज्ञानिक संगणनाओं के लिए कई उपप्रकार हैं जो निम्नलिखित तालिका में दिखाए गए हैं:

हालांकि, एक विस्तृत विवरण के लिए, आप इसका अनुसरण कर सकते हैं आधिकारिक दस्तावेज ।

इन पैकेजों को विशेष रूप से उपयोग करने से पहले आयात करने की आवश्यकता होती है। उदाहरण के लिए:

scipy आयात क्लस्टर से

इनमें से प्रत्येक कार्य को विस्तार से देखने से पहले, आइए उन कार्यों पर एक नज़र डालें, जो कि NumPy और SciPy दोनों में सामान्य हैं।

बुनियादी कार्यों:

NumPy के साथ बातचीत:

SciPy NumPy पर बनाता है और इसलिए आप सरणियों को संभालने के लिए खुद NumPy फ़ंक्शन का उपयोग कर सकते हैं। इन कार्यों के बारे में गहराई से जानने के लिए, आप बस सहायता (), जानकारी () या स्रोत () कार्यों का उपयोग कर सकते हैं।

मदद():

किसी भी फ़ंक्शन के बारे में जानकारी प्राप्त करने के लिए, आप इसका उपयोग कर सकते हैं मदद() समारोह। इस फ़ंक्शन का उपयोग करने के दो तरीके हैं:

• बिना किसी पैरामीटर के
• मापदंडों का उपयोग कर

यहाँ एक उदाहरण है जो उपरोक्त दोनों विधियों को दिखाता है:

scipy आयात क्लस्टर मदद (क्लस्टर) से # पैरामीटर पैरामीटर सहायता () #without पैरामीटर

जब आप उपरोक्त कोड निष्पादित करते हैं, तो पहली मदद () के बारे में जानकारी देता है क्लस्टर वश में करना दूसरी मदद () उपयोगकर्ता से किसी भी मॉड्यूल, कीवर्ड आदि का नाम दर्ज करने के लिए कहती है, जिसके लिए उपयोगकर्ता जानकारी लेना चाहता है। इस फ़ंक्शन के निष्पादन को रोकने के लिए, बस 'छोड़ें' और हिट दर्ज करें।

जानकारी ():

यह फ़ंक्शन वांछित के बारे में जानकारी देता है , मॉड्यूल, आदि

scipy.info (क्लस्टर)

स्रोत ():

स्रोत कोड केवल लिखी गई वस्तुओं के लिए वापस किया जाता है । यह फ़ंक्शन किसी भी अन्य भाषा में लिखी गई विधियों जैसे कि C. के मामले में उपयोगी जानकारी नहीं लौटाता है। हालाँकि यदि आप इस फ़ंक्शन का उपयोग करना चाहते हैं, तो आप इसे निम्नानुसार कर सकते हैं:

scipy.source (क्लस्टर)

विशेष कार्य:

SciPy गणितीय भौतिकी जैसे कि अण्डाकार में उपयोग किए जाने वाले कई विशेष कार्य प्रदान करता है, सुविधा कार्यों, गामा, बीटा, आदि।सभी कार्यों को देखने के लिए, आप पहले वर्णित के अनुसार मदद () फ़ंक्शन का उपयोग कर सकते हैं।

घातांक और त्रिकोणमितीय कार्य:

SciPy का स्पेशल फंक्शन पैकेज कई प्रकार के फ़ंक्शन प्रदान करता है, जिसके माध्यम से आप घातांक पा सकते हैं और त्रिकोणमितीय समस्याओं को हल कर सकते हैं।

निम्नलिखित उदाहरण पर विचार करें:

उदाहरण:

scipy import विशेष से a = special.exp10 (3) प्रिंट (a) b = special.exp2 (3) प्रिंट (b) c = विशेष। sindg (90) प्रिंट (c) d = विशेष.cosdg (45) प्रिंट प्रिंट घ)

OUTPUT:

1000.0
8.0
1.0
0.7071067811865475

SciPy के विशेष फ़ंक्शंस पैकेज में कई अन्य फ़ंक्शन मौजूद हैं जिन्हें आप अपने लिए आज़मा सकते हैं।

एकीकरण कार्य:

इंटीग्रल्स को हल करने के लिए SciPy कई फ़ंक्शन प्रदान करता है। इंटीग्रल की गणना करने के लिए ट्रैपोज़ाइडल नियमों का उपयोग करने के लिए साधारण अंतर इंटीग्रेटर से लेकर, SciPy सभी प्रकार की इंटीग्रल्स समस्याओं को हल करने के लिए फ़ंक्शंस का एक भंडार है।

संदर्भ c ++ द्वारा कॉल करें

सामान्य एकीकरण:

SiPy नामक एक फ़ंक्शन प्रदान करता है क्वाड एक फ़ंक्शन का अभिन्न गणना करने के लिए जिसमें एक चर है। सीमा हो सकती है In और शिशु()± inf) अनंत सीमाओं को इंगित करने के लिए। क्वाड () फ़ंक्शन का सिंटैक्स निम्नानुसार है:

वाक्य - विन्यास:

क्वाड (फंक, ए, बी, आर्ग्स =), फुल_आउटपुट = ०, एप्सैब्स = १.४ ९ई -ps०, एप्सरेल = १.४ ९-08०, सीमा = ५०, अंक = कोई नहीं, वजन = कोई भी, ववर = कोई नहीं, वॉप्स = कोई नहीं , maxp1 = 50, चूना = 50)

यहां, फ़ंक्शन को ए और बी (अनंत भी हो सकते हैं) की सीमाओं के बीच एकीकृत किया जाएगा।

उदाहरण:

scipy आयात से scipy आयात से विशेष एक = lambda x एकीकृत करता है: विशेष। px10 (x) b = scipy.integrate.quad (a, 0, 1) प्रिंट (b)

उपरोक्त उदाहरण में, फ़ंक्शन ’a का मूल्यांकन सीमा 0, 1 के बीच किया जाता है। जब इस कोड को निष्पादित किया जाता है, तो आपको निम्न आउटपुट दिखाई देगा।

OUTPUT:

(3.9086503371292665, 4.3394735994897923e-14)

डबल इंटीग्रल फंक्शन:

SciPy प्रदान करता है द्वंद्व जिसका उपयोग दोहरे अभिन्न की गणना के लिए किया जा सकता है। एक डबल इंटीग्रल, जैसा कि हम में से कई जानते हैं, दो वास्तविक चर होते हैं। Dblquad () फ़ंक्शन 4 अन्य चर के साथ फ़ंक्शन को अपने पैरामीटर के रूप में एकीकृत करने के लिए ले जाएगा जो सीमाओं और कार्यों को परिभाषित करते हैं डाई तथा dx।

उदाहरण:

scipy import से a = lambda y, x: x * y ** 2 b = lambda x: 1 c = lambda x: -1 इंटीग्रेटेड.dblquad (a, 0, 2, b, c) को एकीकृत करें

OUTPUT:

-1.3333333333333335, 1.4802973661668755e-14)

SciPy ट्रिपल इंटीग्रल्स, एन इंटीग्रल्स, रोमबर्ग इंटीग्रल्स आदि का मूल्यांकन करने के लिए कई अन्य कार्य प्रदान करता है, जिसे आप आगे विस्तार से जान सकते हैं। आवश्यक कार्यों के बारे में सभी विवरणों को खोजने के लिए, सहायता फ़ंक्शन का उपयोग करें।

अनुकूलन कार्य:

Scipy.optimize आमतौर पर उपयोग किए जाने वाले अनुकूलन एल्गोरिदम की एक संख्या प्रदान करता है जिसे सहायता फ़ंक्शन का उपयोग करके देखा जा सकता है।

इसमें मूल रूप से निम्नलिखित शामिल हैं:

• बहुभिन्नरूपी स्केलर फ़ंक्शंस का असंबंधित और विवश न्यूनतम छोटा करना (उदा। बीएफजीएस, न्यूटन कॉन्जुगेट ग्रेडिएंट, नेल्डर_मेड सिम्प्लेक्स, आदि)
• ग्लोबल ऑप्टिमाइज़ेशन रूटीन (उदाहरण के लिए। gap_evolution, dual_annealing, आदि)
• कम से कम वर्गों और कम से कम फिटिंग (जैसे। कम से कम, वक्र, वक्र, आदि)
• स्केलर यूनीवरिएट फ़ंक्शंस मिनिमाइज़र और रूट फ़ाइंडर्स (उदा। मिनिमम_स्कॉलर और रूट_स्लेकर)
• मल्टीवेरिएट समीकरण प्रणाली हाइब्रिड पॉवेल, लेवेनबर्ग-मार्क्वार्ड जैसे एल्गोरिदम का उपयोग करके हल करती है।

रोसेनब्रुक समारोह:

रोसेनब्रुक फ़ंक्शन ( भुना हुआ ) ढाल-आधारित अनुकूलन एल्गोरिदम के लिए उपयोग की जाने वाली एक परीक्षण समस्या है। इसे SciPy में निम्नानुसार परिभाषित किया गया है:

उदाहरण:

scipy.pimize से आयात के रूप में सुन्न आयात आयात rosen a = 1.2 * np.arange (5) ros (a)

OUTPUT: 7371.0399999999945

नेल्डर-मीड:

दनेल्डर-अधिक विधि एक संख्यात्मक विधि है जिसका उपयोग बहुविध आयामी स्थान में किसी फ़ंक्शन के न्यूनतम / अधिकतम को खोजने के लिए किया जाता है। निम्नलिखित उदाहरण में, कम से कम विधि का उपयोग नेल्डर-मीड एल्गोरिथ्म के साथ किया जाता है।

उदाहरण:

स्केपी आयात से a = [2.4, 1.7, 3.1, 2.9, 0.2] b = ऑप्टिमाइज़ करें। ऑप्टिमाइज़ करें (adapt.rosen, a, method = 'Nelder-Mead') b.x

OUTPUT: सरणी ([0.96570182, 0.93255069, 0.86939478, 0.75497872, 0.56793357])

प्रक्षेप कार्य:

संख्यात्मक विश्लेषण के क्षेत्र में, प्रक्षेपित ज्ञात डेटा बिंदुओं के एक सेट के भीतर नए डेटा बिंदुओं के निर्माण को संदर्भित करता है। SciPy लाइब्रेरी में scipy.interpolate नाम का एक सबपैकेज होता है जिसमें होते हैंतख़्ता कार्य और कक्षाएं, एक-आयामी और बहु-आयामी (यूनीवेरिएट और मल्टीवेरेट) प्रक्षेप वर्ग, आदि।

यूनीवार्ता इंटरपोल:

Univariate प्रक्षेप मूल रूप से वक्र-फिटिंग का एक क्षेत्र है जोवक्र को पाता है जो दो-आयामी डेटा बिंदुओं की एक श्रृंखला के लिए एक सटीक फिट प्रदान करता है। SciPy प्रदान करता है interp1d फ़ंक्शन का उपयोग किया जा सकता है जो अविभाजित प्रक्षेप बनाने के लिए उपयोग किया जाता है।

उदाहरण:

आयात matplotlib.pyplot scty से पीएल के रूप में आयात करें interpolate x = np.arange (5, 20) y = np.exp (x / 3.0) f = interpolate.interp1d (x, y: X1 = np.arange (6, 12) y1 = f (X1) # इंटरप्रेशन फ़ंक्शन का उपयोग `interp1d` plt.plot (x, y, 'o', X1, y1, '-') plt.show () द्वारा लौटाया गया

OUTPUT:

बहुभिन्नरूपी प्रक्षेप:

बहुभिन्नरूपी प्रक्षेप(स्थानिकप्रक्षेप) एक प्रकार हैप्रक्षेपऐसे फ़ंक्शंस पर जिनमें एक से अधिक वैरिएबल होते हैं। निम्न उदाहरण के एक उदाहरण को दर्शाता है interp2d समारोह।
Interp2d (x, y, z) फ़ंक्शन का उपयोग करके एक 2-डी ग्रिड पर इंटरपोलिंग करना मूल रूप से x, y, z सरणियों का उपयोग करेगा जो किसी फ़ंक्शन को अनुमानित करता है। f: 'z = f (x, y)' और एक फ़ंक्शन देता है जिसका कॉल विधि उपयोग करता है तख़्ता प्रक्षेप नए बिंदुओं का मान ज्ञात करने के लिए।
उदाहरण:

scipy import से interpolate import matplotlib.pyplot as plt x = np.arange (0,10) y = np.arange (10,25) X1, y1 = np.meshgrid (x, y) z = np.tan (xx +) yy) f = interpolate.interp2d (x, y, z, kind = 'cubic') x2 = np.arange (2,8) y2 = np.arange (15,20) z2 = f (xnew, ynew) plt। प्लॉट (x, z [0,:], 'ro-', x2, z2 [0,:], '-') plt.show ()

OUTPUT:

फूरियर रूपांतरण

फूरियर विश्लेषण एक विधि है जो आवधिक घटकों के योग के रूप में एक कार्य को व्यक्त करने और उन घटकों से संकेत को पुनर्प्राप्त करने से संबंधित है। द बेड़ा कार्यों को वापस करने के लिए इस्तेमाल किया जा सकता हैएक वास्तविक या जटिल अनुक्रम के असतत फूरियर रूपांतरण।

उदाहरण:

scipy.fftpack import fft से, ifft x = np.array ([0,1,2,3]) y = fft (x) प्रिंट (y)

OUTPUT: [६. + ०.ज -२। + २.जा -२। + ०.ज -२.-२.ज]

इसी तरह, आप इसका उपयोग करके इसका विलोम पा सकते हैं इफ्तारी कार्य निम्नानुसार है:

उदाहरण:

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

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

सिग्नल प्रोसेसिंग कार्य:

सिग्नल प्रोसेसिंग से संबंधित हैध्वनि, चित्र आदि जैसे संकेतों का विश्लेषण, संशोधन और संश्लेषण करना, SciPy कुछ कार्यों को प्रदान करता है जिनके उपयोग से आप एक आयामी और दो-आयामी डेटा को डिज़ाइन, फ़िल्टर और प्रक्षेपित कर सकते हैं।

फ़िल्टरिंग:

किसी सिग्नल को फ़िल्टर करके, आप मूल रूप से उसमें से अवांछित घटकों को हटा देते हैं। आदेशित फ़िल्टरिंग करने के लिए, आप इसका उपयोग कर सकते हैं order_filter समारोह। यह फ़ंक्शन मूल रूप से एक सरणी पर फ़िल्टरिंग का आदेश देता है। इस फ़ंक्शन का सिंटैक्स निम्नानुसार है:

वाक्य - विन्यास:
आदेश_फिल्टर (ए, डोमेन, रैंक)

जावा एक विधि से बाहर निकलता है

एक = एन-आयामी इनपुट सरणी

डोमेन = मुखौटा सरणी में `a` के समान आयाम हैं

रैंक = गैर-नकारात्मक संख्या जो सूची से तत्वों को छाँटने के बाद चयन करती है (0 सबसे छोटी है और उसके बाद 1…)

उदाहरण:

scipy import सिग्नल से x = np.arange (35) .reshape (7, 5) डोमेन = np.identity (3) प्रिंट (x, अंत = 'nn') प्रिंट (signal.order_filter (x, डोमेन, 1))

OUTPUT:

[[० १ २ ३ ४]
[५ ६ 7 5 ९]
[१० ११ १२ १३ १४]
[१५ १६ १ 17 १ 15 १ ९]
[२० २१ २२ २३ २४]
[२५ २६ २ 27 २ 25 २ ९]
[३० ३१ ३२ ३३ ३४]]

[[०. १. २. ३. ०]
[५. ६. 3.. 5.. ३.]
[१० 11. 12. 13. 8.]
[पंद्रह 16. 17. 18. 13.]
[बीस। 21. 22. 23. 18.]
[२५। 26. 27. 28. 23.]
[०. २५. २६. २.. २.. २.]]

तरंग:

Scipy.signal उप-पैकेज में विभिन्न कार्य भी होते हैं जिनका उपयोग तरंगों को उत्पन्न करने के लिए किया जा सकता है। ऐसा ही एक समारोह है चहकना । यह फ़ंक्शन एक च हैआवश्यकता-प्रवाहित कॉशन जनरेटर और सिंटैक्स निम्नानुसार है:

वाक्य - विन्यास:
chirp (t, f0, t1, f1, method = 'linear', phi = 0, vertex_zero = True)

कहां है,

उदाहरण:

scipy.signal import chirp, spectrogram import matplotlib.pyplot के रूप में plt t = np.linspace (6, 10, 500) w = chirp (t, f0 = 4, f1 = 2, t1 = 5, method = 'linear') plt.plot (t, w) plt.title ('Linear Chirp') plt.xlabel ('sec में समय)') plt.show ()

OUTPUT:

लीनियर अलजेब्रा:

रैखिक बीजगणित रेखीय समीकरणों और वेक्टर स्थानों और मैट्रिस का उपयोग करके उनके अभ्यावेदन से संबंधित है। SciPy पर बनाया गया हैएटलस लैपैक और बीएलएएस लाइब्रेरी और हैरैखिक बीजगणित से संबंधित समस्याओं को हल करने में बेहद तेज। Numpy.linalg से सभी कार्यों के अलावा, scipy.linalg अन्य उन्नत कार्यों को भी प्रदान करता है। इसके अलावा, अगर numpy.linalg के साथ प्रयोग नहीं किया जाता हैएटलस लैपैक और बीएलएएस सपोर्ट, scipy.linalg numpy.linalg की तुलना में तेज है।

मैट्रिक्स का विलोम खोजना:

गणितीय रूप से, मैट्रिक्स A का विलोममैट्रिक्स हैबीऐसा है किएबी = मैंकहां हैमैंपहचान मैट्रिक्स मुख्य विकर्ण के रूप में नीचे वाले से मिलकर बनता हैबी = ए^-एक। SciPy में, इस व्युत्क्रम का उपयोग करके प्राप्त किया जा सकता है linalg.inv तरीका।

उदाहरण:

scipy आयात से npy के रूप में सुन्न आयात linalg A = np.array ([[1,2], [4,3]]] B = linalg.inv (A) प्रिंट (B)

OUTPUT:

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

निर्धारकों का पता लगाना:

मैट्रिक्स के गुणांकों से अंकगणितीय रूप से प्राप्त मूल्य को वर्ग मैट्रिक्स के निर्धारक के रूप में जाना जाता है। SciPy में, यह एक फ़ंक्शन का उपयोग करके किया जा सकता है द जिसका निम्नलिखित सिंटैक्स है:

वाक्य - विन्यास:
det (a, overwrite_a = गलत, check_finite = True)
कहां है,

a: (M, M) एक वर्ग मैट्रिक्स है

सूचनात्मक में परिवर्तन के प्रकार

overwrite_a (बूल, वैकल्पिक): a में डेटा को अधिलेखित करने की अनुमति दें

check_finite (बूल, वैकल्पिक): यह जांचने के लिए कि क्या इनपुट मैट्रिक्स में केवल परिमित संख्याएँ हैं

उदाहरण:

scipy आयात linalg A = np.array ([[1,2], [4,3]]] B = linalg.det (A) प्रिंट (B) से np के रूप में सुन्न

OUTPUT: -5.0

विरल Eigenvalues:

Eigenvalues ​​रैखिक समीकरणों से जुड़े स्केलर का एक विशिष्ट सेट हैं। ARPACK आपको काफी तेजी से eigenvalues ​​(eigenvectors) खोजने की अनुमति देता है। ARPACK की पूरी कार्यक्षमता भीतर पैक की गई हैदो उच्च-स्तरीय इंटरफेस जो scipy.sparse.linalg.eigs और scipy.sparse.linalg.eigsh हैं। अंजीर। ईग्स इंटरफ़ेस आपको वास्तविक या जटिल गैर-सममित वर्ग मैट्रिसेस के आइगेनवैल्यूज़ को खोजने की अनुमति देता है जबकि ईजीश इंटरफ़ेस में वास्तविक-सममित या जटिल-हेर्मिटियन मेट्रिसेस के लिए इंटरफेस होते हैं।

द अहंकार समारोह एक जटिल हर्मिटियन या वास्तविक सममित मैट्रिक्स के लिए एक सामान्यीकृत आइगेनवेल्यू समस्या को हल करता है।

उदाहरण:

scipy.linalg से आयात eigh आयात संख्या np ए = np.array के रूप में ([[1, 2, 3, 4], [4, 3, 2, 1], [1, 4, 6, 3], [2 3, 2, 5]]) a, b = eigh (A) प्रिंट ('चयनित eigenvalues:', a) प्रिंट ('कॉम्प्लेक्स ndarray:', b)

OUTPUT:

चयनित स्वदेशी: [-2.53382695 1.66735639 3.69488657 12.17158399]
जटिल ndarray: [[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]]

स्थानिक डेटा संरचनाएं और एल्गोरिदम:

स्थानिक डेटा मूल रूप से उन वस्तुओं से बना होता है जो रेखाओं, बिंदुओं, सतहों आदि से बनी होती हैं। SciPy का scipy.spatial पैकेज गणना कर सकता हैवोरोनोई आरेख, त्रिकोण, आदि। इसमें निकटतम पड़ोसी बिंदु प्रश्नों के लिए KDTree कार्यान्वयन भी शामिल है।

Delaunay त्रिकोणासन:

गणितीय रूप से, एक विमान में असतत बिंदुओं के एक सेट के लिए Delaunay त्रिकोण एक त्रिकोणासन है जैसे कि दिए गए बिंदुओं में कोई बिंदु नहीं हैकिसी भी त्रिभुज की परिधि के अंदर।

उदाहरण:

scipy.spatial import Delaunay points = np.array ([[0, 1], [1, 1], [1, 0], [0, [0, 0]] a = Delaunay (points) से plt के रूप में matplotlib.pyplot आयात करें #Delaunay ऑब्जेक्ट प्रिंट (a) प्रिंट (a.simplices) plt.triplot (अंक [:, 0], अंक [:, 1], a.simplices) plt.plot (अंक [: 1], अंक] :, 0], 'ओ') plt.show ()

OUTPUT:

बहुआयामी छवि प्रसंस्करण कार्य:

छवि प्रसंस्करण मूल रूप से जानकारी प्राप्त करने या मूल से एक बढ़ी हुई छवि प्राप्त करने के लिए एक छवि पर संचालन करने से संबंधित है। Scipy.ndimage पैकेज में कई नंबर होते हैंछवि प्रसंस्करण और विश्लेषण कार्यों को मनमानी आयामीता के सरणियों के साथ काम करने के लिए डिज़ाइन किया गया है।

बातचीत और सहसंबंध:

SciPy कई फ़ंक्शन प्रदान करता है जो छवियों के सहसंबंध और दृढ़ीकरण की अनुमति देता है।

• कार्यक्रम correlate1d किसी दिए गए अक्ष के साथ एक आयामी सहसंबंध की गणना करने के लिए इस्तेमाल किया जा सकता है
• कार्यक्रम सहसंबद्ध निर्दिष्ट कर्नेल के साथ किसी भी दिए गए सरणी के बहुआयामी सहसंबंध की अनुमति देता है
• कार्यक्रम convolve1d किसी दिए गए अक्ष के साथ एक आयामी दृढ़ संकल्प की गणना करने के लिए इस्तेमाल किया जा सकता है
• कार्यक्रम आक्षेप करना निर्दिष्ट कर्नेल के साथ किसी भी दिए गए सरणी के बहुआयामी दृढ़ीकरण की अनुमति देता है

उदाहरण:

scipy.ndimage आयात correlate1d correlate1d ([3,5,1,7,2,6,6,4,4], वजन = [1,2]) से एनपी के रूप में सुन्न आयात करें

OUTPUT: सरणी ([9, 13, 7, 15, 11, 14, 24, 17])

IO फाइल:

Scipy.io पैकेज कई प्रकार के फ़ंक्शंस प्रदान करता है जो आपको विभिन्न स्वरूपों की फ़ाइलों जैसे कि MATLAB फ़ाइलों, IDL फ़ाइलों, मैट्रिक्स मार्केट फ़ाइलों आदि का प्रबंधन करने में मदद करता है।

इस पैकेज का उपयोग करने के लिए, आपको इसे निम्नानुसार आयात करना होगा:

आयात scipy.io sio के रूप में

उप-पैकेज पर पूरी जानकारी के लिए, आप आधिकारिक दस्तावेज़ को देख सकते हैं फाइल आई.ओ. ।

यह हमें इस SciPy Tutorial के अंत में लाता है। मुझे उम्मीद है कि आप सब कुछ स्पष्ट रूप से समझ गए होंगे। सुनिश्चित करें कि आप जितना संभव हो उतना अभ्यास करें ।

क्या आप हमसे कोई प्रश्न पूछना चाहते हैं? कृपया इस 'SciPy Tutorial' ब्लॉग के टिप्पणी अनुभाग में उल्लेख करें और हम जल्द से जल्द आपके पास वापस आ जाएंगे।

अपने विभिन्न अनुप्रयोगों के साथ अजगर पर गहराई से ज्ञान प्राप्त करने के लिए, आप लाइव के लिए नामांकन कर सकते हैं 24/7 समर्थन और आजीवन पहुंच के साथ।