今天在搞定Django框架的blog搭建后，尝试一下python的科学计算能力。
python的科学计算有三剑客：numpy，scipy，matplotlib。
numpy负责数值计算，矩阵操作等；
scipy负责常见的数学算法，插值、拟合等；
matplotlib负责画图。
首先，百度上头三个，依次安装。
可以考虑使用pyhton34/script/easy-install 工具； easy-insatll -m matplotlib;
尝试一下代码，拟合实例；
1 # -*- coding: utf-8 -*-
2 import numpy as np
3 from scipy.optimize import leastsq
4 import pylab as pl
5
6 def func(x, p):
7 # """
8 # 数据拟合所用的函数: A*sin(2*pi*k*x + theta)
9 # """
10 A, k, theta = p
11 return A*np.sin(2*np.pi*k*x+theta)
12
13 def residuals(p, y, x):
14 # """
15 # 实验数据x, y和拟合函数之间的差，p为拟合需要找到的系数
16 # """
17 return y - func(x, p)
18
19 x = np.linspace(0, -2*np.pi, 100)
20 A, k, theta = 10, 0.34, np.pi/6 # 真实数据的函数参数
21 y0 = func(x, [A, k, theta]) # 真实数据
22 y1 = y0 + 2 * np.random.randn(len(x)) # 加入噪声之后的实验数据
23
24 p0 = [7, 0.2, 0] # 第一次猜测的函数拟合参数
25
26 # 调用leastsq进行数据拟合
27 # residuals为计算误差的函数
28 # p0为拟合参数的初始值
29 # args为需要拟合的实验数据
30 plsq = leastsq(residuals, p0, args=(y1, x))
31
32 # print (u"真实参数:")
33 print([A, k, theta])
34 # print (u"拟合参数")
35 print(plsq[0]) # 实验数据拟合后的参数
36
37 pl.plot(x, y0, label=u"real data")
38 pl.plot(x, y1, label=u"data with noisy")
39 pl.plot(x, func(x, plsq[0]), label=u"nihe data")
40 pl.legend()
41 pl.show()
运行提示错误，缺少第三方包，如six,dateutil,pyparsing等，缺什么装什么；第三方包大多直接拖到D:\python34\lib目录下就可以了，很方便。
都装上后，运行成功，如图；
