Computación científica con SciPy
23 pasos en 8 series de Python.
SciPy es lo que usas cuando NumPy se queda corto. Las distribuciones y las pruebas de hipótesis construidas sobre ellas van primero, porque es a lo que llega la mayoría, seguidas de correlación y remuestreo.
Luego los métodos numéricos: optimización, integración e interpolación, álgebra lineal y procesamiento de señales, y una última serie sobre matrices dispersas y estructuras espaciales. Veintitrés pasos, y la aritmética hace el mismo trabajo al que muchos cursos de posgrado le dedican un semestre.
Distribuciones
- DistribucionesUna distribución congelada responde pdf, cdf y ppf sin repetir parámetros.
- Distribuciones discretasBinomial, Poisson y las preguntas que responden sobre conteos.
- Describir una muestradescribe, medias recortadas y dispersión robusta en un solo lugar.
Pruebas de hipótesis
- Comparar dos mediasLa prueba t, y la variante que no asume varianzas iguales.
- Cuando la normalidad es dudosaLas pruebas por rangos hacen menos suposiciones que una prueba t.
- Asociación categóricaUna tabla de contingencia, una chi-cuadrada, y la exacta de Fisher para conteos chicos.
- Comparar varios gruposANOVA de una vía, y la alternativa por rangos cuando las varianzas difieren.
Correlación y remuestreo
- Correlación y regresión simplePearson para lo lineal, Spearman para lo monótono, linregress para la recta.
- Bootstrap para un intervalo de confianzaRemuestrear da un intervalo para cualquier estadístico, sin fórmula de por medio.
Optimización
- Minimizar una funciónminimize baja la pendiente desde un punto inicial, con o sin gradientes.
- Optimización con restriccionesCotas y restricciones, y el atajo de la programación lineal.
- Ajustar un modelo a datoscurve_fit encuentra los parámetros, y la covarianza da su error.
- Encontrar raícesroot_scalar para una ecuación, root para un sistema, least_squares para un ajuste.
Cálculo e interpolación
- Integraciónquad para una integral definida, solve_ivp para una ecuación diferencial.
- InterpolaciónRellenar entre muestras: lineal, spline cúbico o un ajuste suavizado.
Álgebra lineal y señales
- Álgebra linealscipy.linalg va más allá de numpy: descomposiciones, funciones de matrices, solvers.
- Procesamiento de señalesPicos, filtros y espectros sobre una serie muestreada.
- Transformadas de Fourierrfft para señales reales, fftfreq para el eje que lo vuelve legible.
Dispersas y espaciales
- Matrices dispersasCuando casi todas las entradas son cero, guarda solo las que no lo son.
- Grafos como matrices dispersascsgraph trata una matriz de adyacencia dispersa como un grafo.
- Consultas espacialesDistancias, vecinos más cercanos y envolventes sobre conjuntos de puntos.
- Agrupamiento jerárquicolinkage arma el árbol; fcluster lo corta en grupos.
Bis
- sp_fit_report.pyAjustar una curva de aprendizaje, bootstrapear sus parámetros y probar los residuos.