3段极简代码带你入门Python科学计算库SciPy-技术圈

导读：SciPy是基于NumPy的，提供了更多的科学计算功能，比如线性代数、优化、积分、插值、信号处理等。

作者：赵志强刘志伟

来源：大数据DT（ID：hzdashuju）

01 文件读写

目前在国内Matlab仍然非常流行，Matlab使用的数据格式通常是.mat文件。对此，Scipy.io包提供了可以导入导出.mat文件的接口，这样，Python和Matlab的协同工作就变得非常容易了。示例代码如下所示：

from scipy import io as spio
import numpy as np
a=np.arange(10)
spio.savemat('a.mat',{'a':a})
data = spio.loadmat('a.mat', struct_as_record=True)
data['a']

Out:

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

02 线性代数运算

在SciPy中，线性代数运算使用的是scipy.linalg。

scipy.linalg.det()可用于计算矩阵的行列式，示例代码如下：

from scipy import linalg
m=np.array([[1,2],[3,4]])
linalg.det(m)

Out:

-2.0

03 优化和拟合

求解最大值最小值之类的问题即为优化问题，在SciPy中，scipy.optimization提供了最小值、曲线拟合等算法。示例代码如下：

import numpy as np
from scipy import optimize
import matplotlib.pyplot as plt

def f(x):
    return x**2+20*np.sin(x)

x=np.arange(-10,10,0.1)

plt.plot(x,f(x))

由图3-1中可以看到，对应的最小值的横坐标大约是-2。

我们可以用暴力穷举法来计算最小值，代码如下：

grid=(-10,10,0.1)
x_min=optimize.brute(f,(grid,))
x_min
Out:
array([-1.42754883])

▲图3-1

当然，当数据量较大的时候，穷举法速度会很慢。为了提高效率，scipy.optimize也提供了诸如模拟退火等优化算法，这里不再多讲。

关于作者：赵志强，金融量化与建模专家，目前在金融科技公司负责金融大数据产品工作，专注于研究Al在金融领域的落地应用。曾在由诺奖得主Robert Engle领导的上海纽约大学波动研究所研究全球金融风险，并和上交所、中金所合作完成多项科研项目。曾在摩根士丹利华鑫基金、明汯投资负责量化投资研究工作，内容包括股票多因子、期货CTA和高频交易等。

刘志伟，在中国银联云闪付事业部从事数据分析、数据挖掘等工作。对自然语言处理、文本分类、实体识别、关系抽取、传统机器学习，以及大数据技术栈均有实践经验。目前正在探索相关技术在金融场景内的落地应用，包括自动知识图谱、大规模文本信息抽取结构化、异常识别等领域，关注人工智能行业前沿技术发展。

本文摘编自《Python量化投资：技术、模型与策略》，经出版方授权发布。