SciPy in Python: Uitgebreide Tutorial over Bibliotheken & Functies

SciPy in Python

SciPy is een open-source bibliotheek die NumPy uitbreidt om tools te bieden voor het oplossen van wiskundige, wetenschappelijke, technische en engineering problemen. Gebouwd op NumPy, biedt SciPy een brede set high-level commando's voor data manipulatie en visualisatie.

Sub-pakketten

• scipy.io – Bestands I/O voor MATLAB, NetCDF, CSV en vele andere formaten
• scipy.special – Speciale wiskundige functies (Bessel, Gamma, etc.)
• scipy.linalg – Lineaire algebra routines
• scipy.interpolate – Interpolatie technieken
• scipy.optimize – Optimalisatie en curve fitting
• scipy.stats – Statistische verdelingen en random number generatie
• scipy.integrate – Numerieke integratie
• scipy.fftpack – Snelle Fourier transformaties
• scipy.signal – Signaalverwerking
• scipy.ndimage – Multi-dimensionale beeldverwerking

Deze tutorial behandelt:

• Wat SciPy is en waarom het belangrijk is
• Verschillen tussen NumPy en SciPy
• Installatie en omgeving setup
• Belangrijke sub-pakketten met codevoorbeelden
• Praktische toepassingen: lineaire algebra, Fourier transformaties, optimalisatie, beeldverwerking en numerieke integratie

Waarom SciPy Gebruiken?

• Uitgebreide set wetenschappelijke tools, tweede alleen aan bibliotheken zoals GNU Scientific Library en MATLAB
• Gemakkelijk te gebruiken, snel en volledig compatibel met NumPy arrays
• Wijd geadopteerd in academie en industrie, wat robuuste ondersteuning en community bijdrages garandeert

NumPy vs. SciPy

NumPy

• Kernbibliotheek voor high-performance numerieke computing in Python, geschreven in C
• Biedt array-objecten en basisoperaties (sorteren, reshapen, indexeren)
• Fundament voor alle wetenschappelijke bibliotheken in Python

SciPy

• Gebouwd op NumPy, uitbreidt het met gespecialiseerde algoritmes
• Bevat complete lineaire-algebra suites, optimalisatie, statistiek en meer
• Essentieel voor geavanceerde wetenschappelijke workflows

Installatie & Omgeving Setup

Installeer SciPy met pip of systeem package managers:

python3 -m pip install --user numpy scipy

sudo apt-get install python3-scipy python3-numpy

sudo port install py35-scipy py35-numpy

Importeer SciPy en NumPy in je scripts:

from scipy import special
import numpy as np

Bestands I/O met scipy.io

Sla en laad MATLAB .mat bestanden eenvoudig op:

import numpy as np
from scipy import io as sio
array = np.ones((4, 4))
sio.savemat('voorbeeld.mat', {'ar': array})
geladen = sio.loadmat('voorbeeld.mat', struct_as_record=True)
print(geladen['ar'])

Output:

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

Speciale Functies – scipy.special

Voorbeelden van veelgebruikte speciale functies:

• Derde machtswortel: scipy.special.cbrt(x) → cbrt([27, 64]) # [3., 4.]
• 10^x: scipy.special.exp10(x) → exp10([1,10]) # [1.e+01 1.e+10]
• Combinaties: scipy.special.comb(N, k, exact=False, repetition=True) → comb(5, 2) # 15.0
• Permutaties: scipy.special.perm(N, k, exact=True) → perm(5, 2) # 20
• LogSumExp: scipy.special.logsumexp(x)
• Bessel J: scipy.special.jn(n, x)

Lineaire Algebra – scipy.linalg

Bereken determinant, inverse, eigenwaarden en eigenvectoren:

from scipy import linalg
import numpy as np
A = np.array([[4,5],[3,2]])
print(linalg.det(A))  # -7.0
print(linalg.inv(A))  # inverse matrix
vals, vecs = linalg.eig(A)
print(vals)
print(vecs)

Output:

-7.0
array([[-0.28571429,  0.71428571],
       [ 0.42857143, -0.57142857]])
[ 9.+0.j -1.+0.j]
[[ 0.70710678 -0.5547002 ]
 [ 0.70710678  0.83205029]]

Discrete Fourier Transform – scipy.fftpack

Transformeer een sinusoïde en visualiseer het spectrum:

%matplotlib inline
from matplotlib import pyplot as plt
import numpy as np
from scipy import fftpack
freq = 5
sample_rate = 50
t = np.linspace(0, 2, 2 * sample_rate, endpoint=False)
wave = np.sin(freq * 2 * np.pi * t)
plt.plot(t, wave)
plt.xlabel('Tijd (s)'); plt.ylabel('Amplitude')
plt.show()
A = fftpack.fft(wave)
frequency = fftpack.fftfreq(len(wave)) * sample_rate
plt.stem(frequency, np.abs(A))
plt.xlabel('Frequentie (Hz)')
plt.ylabel('Magnitude')
plt.xlim(-sample_rate/2, sample_rate/2)
plt.ylim(0, 110)
plt.show()

Optimalisatie – scipy.optimize

Vind het minimum van een scalaire functie met BFGS en globale zoektocht met basin-hopping:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from scipy import optimize
def func(a):
    return a*2 + 20*np.sin(a)
plt.plot(np.linspace(-10, 10, 400), func(np.linspace(-10, 10, 400)))
plt.show()
min_bfgs = optimize.fmin_bfgs(func, 0)
print('BFGS resultaat:', min_bfgs)
min_basin = optimize.basinhopping(func, 0)
print('Basin-hopping resultaat:', min_basin.x)

De output toont het lokale minimum gevonden door BFGS en het globale optimum bevestigd door basin-hopping.

Nelder-Mead Algoritme

Eenvoudige unconstrained minimalisatie zonder gradiëntinformatie:

from scipy.optimize import minimize
def f(x):
    return 0.4*(1 - x[0])**2
res = minimize(f, [2, -1], method='Nelder-Mead')
print('Resultaat:', res.x, 'Functiewaarde:', res.fun)

Beeldverwerking – scipy.ndimage

Manipuleer afbeeldingen: tonen, spiegelen, roteren en filters toepassen.

from scipy import ndimage, misc
from matplotlib import pyplot as plt
panda = misc.face()
plt.imshow(panda)
plt.title('Origineel')
plt.show()
flip_down = np.flipud(panda)
plt.imshow(flip_down)
plt.title('Omgekeerd')
plt.show()
rotated = ndimage.rotate(panda, 135)
plt.imshow(rotated)
plt.title('Geroteerd 135°')
plt.show()

Numerieke Integratie – scipy.integrate

Enkele en dubbele integralen met automatische foutschatting:

from scipy import integrate
# Enkele integraal van x^2 van 0 tot 1
single = integrate.quad(lambda x: x**2, 0, 1)
print('Enkele integraal:', single)
# Dubbele integraal van 64*x*y over een driehoekig domein
double = integrate.dblquad(lambda x, y: 64*x*y, 0, 2/4, lambda x: 0, lambda y: (1 - 2*y**2)**0.5)
print('Dubbele integraal:', double)

Beide retourneren een tuple: (waarde, geschatte fout).

Samenvatting

SciPy breidt NumPy uit om een complete wetenschappelijke computing stack te bieden, inclusief lineaire algebra, optimalisatie, statistiek, signaalverwerking en beeldmanipulatie. De uitgebreide sub-pakketten en robuuste community ondersteuning maken het onmisbaar voor onderzoekers en ingenieurs.