对于我的实验室实验，我编写了一些小程序来帮助进行数据分析。我通常只需要基本的计算、均值、标准差、任意加权函数拟合以及带有误差条和拟合函数的图。
使用 GNU Octave，我可以做到这一点。我开始更多地阅读它的语言，我开始不喜欢它的不一致之处，并且我必须学习另一种语言。
所以我正在考虑将 Python 与 SciPy 和 NumPy 一起使用，我现在使用了一段时间。我可以用 Python 轻松地做这些事情，还是让通用语言 Python 做我打算做的事情的开销更大？
【问题讨论】：
是的，Python 生态系统使其成为日常数据分析任务的可行平台，尤其是使用 IPython 接口（但我将在这里坚持使用标准接口。）“[不必] 学习另一种语言”的论点恕我直言，它很强大，这也是我倾向于使用 Python 来处理这些东西的原因之一。
>>> import numpy as np
>>> import scipy.optimize
“我通常只需要基本的计算”
>>> x = np.linspace(0, 10, 50)
>>> y = 3*x**2+5+2*np.sin(x)
“均值，标准差”
>>> y.mean()
106.3687338223809
>>> y.std()
91.395548605660522
“任意加权函数拟合”
>>> def func(x, a, b, c):
... return a*x**2+b+c*np.sin(x)
...
>>> ynoisy = y + np.random.normal(0, 0.2, size=len(x))
>>> popt, pcov = scipy.optimize.curve_fit(func, x, ynoisy)
>>> popt
array([ 3.00015527, 4.99421236, 2.03380468])
“带有误差线和拟合函数的图”
xerr = 0.5
yerr = abs(np.random.normal(0.3, 10.0))
fitted_data = func(x, *popt)
# using the simplified, non-object-oriented interface here
# handy for quick plots
from pylab import *
errorbar(x, ynoisy, xerr=xerr, yerr=yerr, c="green", label="actual data")
plot(x, fitted_data, c="blue", label="fitted function")
xlim(0, 10)
ylim(0, 350)
legend()
xlabel("time since post")
ylabel("coolness of Python")
savefig("cool.png")
【讨论】：