全面的Python科学计算库

These details have not been verified by PyPI

Project description

pylib-sci - 全面的Python科学计算库

1. 项目概述

pylib-sci是一个全面的Python科学计算库，提供统一、高效、易用的科学计算环境。

1.1 主要特点

功能全面：涵盖科学计算、数据分析、可视化和建模等多个领域
全面的功能覆盖：从基础数学到高级建模，涵盖科学计算的各个领域
模块化设计：清晰的模块结构，便于学习和使用
高性能：基于NumPy、SciPy等高性能库实现
易于扩展：开放的架构设计，支持用户自定义功能
完整的文档：详细的API参考和丰富的示例代码

1.2 适用场景

科学计算与数值分析
工程设计与仿真
数据分析与可视化
机器学习与深度学习
信号处理与图像处理
控制系统设计
优化问题求解

2. 目录结构

pylib/
├── __init__.py          # 库初始化文件
├── core/                # 核心数学计算模块
│   ├── __init__.py
│   ├── math.py          # 基础数学函数
│   ├── linalg.py        # 线性代数
│   ├── calculus.py      # 微积分
│   ├── equations.py     # 方程求解
│   ├── optimization.py  # 优化算法
│   └── statistics.py    # 统计分析
├── data/                # 数据处理模块
│   ├── __init__.py
│   ├── io.py            # 数据输入输出
│   ├── cleaning.py      # 数据清洗
│   ├── transformation.py # 数据变换
│   └── preprocessing.py # 数据预处理
├── visualization/       # 可视化模块
│   ├── __init__.py
│   ├── plots/           # 基本图表
│   ├── charts/          # 高级图表
│   ├── three_d/         # 3D图表
│   └── advanced/        # 高级可视化
└── modeling/            # 建模算法与工具
    ├── __init__.py
    ├── ml.py            # 机器学习
    ├── dl.py            # 深度学习
    ├── signal.py        # 信号处理
    ├── image.py         # 图像处理
    ├── control.py       # 控制系统
    └── optimization.py  # 优化算法

3. 核心功能模块

3.1 核心数学计算

基础数学函数：三角函数、指数对数、常数定义等
线性代数：矩阵运算、行列式、特征值、矩阵分解等
微积分：数值微分、数值积分、符号计算等
方程求解：线性方程组、非线性方程、多项式求根等
优化算法：无约束优化、有约束优化、线性规划等
统计分析：描述统计、概率分布、假设检验等

3.2 数据处理

数据输入输出：支持CSV、Excel、MAT、JSON等多种格式
数据清洗：缺失值处理、异常值处理、重复值处理等
数据变换：标准化、归一化、编码、重塑等
数据预处理：数据集分割、特征选择、降维等

3.3 可视化

基本图表：线图、散点图、柱状图、直方图等
高级图表：热图、等高线图、矢量场图等
3D图表：3D线图、曲面图、等高线图等
高级可视化功能：子图、标题、标签、图例等

3.4 建模算法与工具

机器学习：分类、回归、聚类、降维等
深度学习：神经网络、预训练模型、优化器等
信号处理：傅里叶变换、滤波、卷积、频谱分析等
图像处理：图像读写、变换、增强、滤波等
控制系统：传递函数、状态空间、频率响应分析等
优化算法：线性规划、二次规划、全局优化等

4. 安装方法

4.1 系统要求

Python 3.7+
支持的操作系统：Windows 10/11、macOS 10.15+、Linux (Ubuntu 18.04+)

4.2 依赖包

pylib库基于以下高性能Python库构建：

numpy (>=1.21.0) - 数值计算基础
scipy (>=1.7.0) - 科学计算工具
matplotlib (>=3.4.0) - 数据可视化
pandas (>=1.3.0) - 数据分析
scikit-learn (>=1.0.0) - 机器学习
pillow (>=8.0.0) - 图像处理基础
scikit-image (>=0.18.0) - 高级图像处理

4.3 安装命令

方式一：直接使用pip安装依赖

pip install numpy scipy matplotlib pandas scikit-learn pillow scikit-image

方式二：使用requirements.txt安装（推荐）

首先在项目根目录创建requirements.txt文件：

numpy>=1.21.0
scipy>=1.7.0
matplotlib>=3.4.0
pandas>=1.3.0
scikit-learn>=1.0.0
pillow>=8.0.0
scikit-image>=0.18.0

然后执行：

pip install -r requirements.txt

5. 快速入门

5.1 基本用法

import pylib as pl

# 1. 基础数学计算
x = pl.core.math.sin(pl.core.math.pi / 2)  # sin(π/2) = 1.0
print(f"sin(π/2) = {x}")

# 2. 矩阵运算
A = [[1, 2], [3, 4]]
B = [[5, 6], [7, 8]]
C = pl.core.linalg.matmul(A, B)  # 矩阵乘法
print(f"矩阵乘法结果：\n{C}")

# 3. 数据处理
import numpy as np
from sklearn.datasets import load_iris

iris = load_iris()
data = iris.data

# 数据标准化
normalized_data = pl.data.transformation.normalize(data)
print(f"标准化后的数据形状：{normalized_data.shape}")

# 4. 可视化
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

pl.visualization.plots.plot(x, y)
pl.visualization.advanced.title('正弦函数')
pl.visualization.advanced.show()

5.2 运行示例代码

项目提供了丰富的示例代码，位于 examples/目录下：

# 运行基础数学示例
python -m examples.basic_math

# 运行数据处理示例
python -m examples.data_processing

# 运行机器学习和建模示例
python -m examples.modeling_demo

# 运行可视化示例
python -m examples.visualization

6. 详细教程

6.1 核心数学计算教程

6.1.1 基础数学函数

pylib-sci的基础数学函数涵盖三角函数、指数对数函数、常数定义等科学计算常用功能。

import pylib as pl

# 三角函数
sin_val = pl.core.math.sin(pl.core.math.pi / 6)  # sin(30°)
cos_val = pl.core.math.cos(pl.core.math.pi / 3)  # cos(60°)
tan_val = pl.core.math.tan(pl.core.math.pi / 4)  # tan(45°)

# 指数对数
exp_val = pl.core.math.exp(1)  # e^1
log_val = pl.core.math.log(10)  # 自然对数
log10_val = pl.core.math.log10(100)  # 常用对数

# 常数
pi_val = pl.core.math.pi  # π
 e_val = pl.core.math.e   # e

6.1.2 线性代数

pylib提供了全面的线性代数功能，包括矩阵运算、行列式、特征值等。

import pylib as pl
import numpy as np

# 创建矩阵
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 矩阵乘法
C = pl.core.linalg.matmul(A, B)

# 行列式
det = pl.core.linalg.det(A)

# 逆矩阵
inv_A = pl.core.linalg.inv(A)

# 特征值和特征向量
eigvals, eigvecs = pl.core.linalg.eig(A)

6.2 数据处理教程

6.2.1 数据输入输出

import pylib as pl
import numpy as np

# 创建示例数据
data = np.random.rand(10, 5)

# 保存为CSV文件
pl.data.io.save_csv('data.csv', data)

# 读取CSV文件
loaded_data = pl.data.io.load_csv('data.csv')

# 保存为MAT文件
pl.data.io.save_mat('data.mat', {'data': data})

# 读取MAT文件
loaded_mat = pl.data.io.load_mat('data.mat')

6.2.2 数据清洗

import pylib as pl
import numpy as np

# 创建包含缺失值的数据
data = np.array([[1, 2, np.nan], [4, np.nan, 6], [7, 8, 9]])

# 查看缺失值
missing_mask = pl.data.cleaning.isna(data)

# 填充缺失值（使用均值）
filled_data = pl.data.cleaning.fillna(data, method='mean')

# 删除包含缺失值的行
dropped_data = pl.data.cleaning.dropna(data, axis=0)

6.3 可视化教程

6.3.1 基本图表

import pylib as pl
import numpy as np

# 线图
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

pl.visualization.plots.plot(x, y1, label='sin(x)', color='blue')
pl.visualization.plots.plot(x, y2, label='cos(x)', color='red')
pl.visualization.advanced.legend()
pl.visualization.advanced.title('三角函数')
pl.visualization.advanced.show()

# 散点图
x = np.random.rand(100)
y = np.random.rand(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)

pl.visualization.plots.scatter(x, y, c=colors, s=sizes, alpha=0.5)
pl.visualization.advanced.title('散点图')
pl.visualization.advanced.show()

# 柱状图
categories = ['A', 'B', 'C', 'D', 'E']
values = [10, 24, 36, 42, 18]

pl.visualization.plots.bar(categories, values, color='green')
pl.visualization.advanced.title('柱状图')
pl.visualization.advanced.show()

# 直方图
data = np.random.randn(1000)

pl.visualization.plots.hist(data, bins=30, color='purple', alpha=0.7)
pl.visualization.advanced.title('直方图')
pl.visualization.advanced.show()

6.3.2 3D图表

import pylib as pl
import numpy as np

# 3D曲面图
X, Y = np.meshgrid(np.linspace(-5, 5, 100), np.linspace(-5, 5, 100))
Z = np.sin(np.sqrt(X**2 + Y**2))

pl.visualization.three_d.surf(X, Y, Z)
pl.visualization.advanced.title('3D曲面图')
pl.visualization.advanced.show()

# 3D散点图
x = np.random.randn(100)
y = np.random.randn(100)
z = np.random.randn(100)

pl.visualization.three_d.scatter3(x, y, z, color='red', marker='o')
pl.visualization.advanced.title('3D散点图')
pl.visualization.advanced.show()

7. API参考

7.1 核心数学计算模块 (`pylib.core`)

7.1.1 基础数学函数 (`pylib.core.math`)

函数名	描述	示例
`sin(x)`	正弦函数	`sin(pi/2)`
`cos(x)`	余弦函数	`cos(pi/3)`
`tan(x)`	正切函数	`tan(pi/4)`
`asin(x)`	反正弦函数	`asin(1)`
`acos(x)`	反余弦函数	`acos(0.5)`
`atan(x)`	反正切函数	`atan(1)`
`exp(x)`	指数函数	`exp(1)`
`log(x)`	自然对数	`log(e)`
`log10(x)`	常用对数	`log10(100)`
`sqrt(x)`	平方根	`sqrt(16)`
`abs(x)`	绝对值	`abs(-5)`
`ceil(x)`	向上取整	`ceil(3.2)`
`floor(x)`	向下取整	`floor(3.8)`
`round(x)`	四舍五入	`round(3.5)`

7.1.2 线性代数 (`pylib.core.linalg`)

函数名	描述	示例
`matmul(A, B)`	矩阵乘法	`matmul(A, B)`
`det(A)`	行列式	`det(A)`
`inv(A)`	矩阵求逆	`inv(A)`
`eig(A)`	特征值和特征向量	`eig(A)`
`svd(A)`	奇异值分解	`svd(A)`
`qr(A)`	QR分解	`qr(A)`
`lu(A)`	LU分解	`lu(A)`
`solve(A, b)`	线性方程组求解	`solve(A, b)`
`norm(x)`	向量/矩阵范数	`norm(x)`

7.2 数据处理模块 (`pylib.data`)

7.2.1 数据输入输出 (`pylib.data.io`)

函数名	描述	示例
`load_csv(file_path)`	读取CSV文件	`load_csv('data.csv')`
`save_csv(file_path, data)`	保存为CSV文件	`save_csv('data.csv', data)`
`load_mat(file_path)`	读取MAT文件	`load_mat('data.mat')`
`save_mat(file_path, data_dict)`	保存为MAT文件	`save_mat('data.mat', {'data': data})`

7.2.2 数据清洗 (`pylib.data.cleaning`)

函数名	描述	示例
`isna(data)`	检测缺失值	`isna(data)`
`fillna(data, method='mean')`	填充缺失值	`fillna(data, method='median')`
`dropna(data, axis=0)`	删除缺失值	`dropna(data, axis=1)`
`remove_outliers(data, method='zscore')`	移除异常值	`remove_outliers(data, method='iqr')`

7.2.3 数据变换 (`pylib.data.transformation`)

函数名	描述	示例
`normalize(data)`	数据归一化	`normalize(data)`
`standardize(data)`	数据标准化	`standardize(data)`
`one_hot_encode(data)`	独热编码	`one_hot_encode(data)`
`min_max_scale(data)`	最小最大缩放	`min_max_scale(data)`

7.2.4 数据预处理 (`pylib.data.preprocessing`)

函数名	描述	示例
`train_test_split(X, y, test_size=0.2)`	数据集分割	`train_test_split(X, y, test_size=0.3)`
`feature_selection(data, k=5)`	特征选择	`feature_selection(data, k=10)`
`pca(data, n_components=2)`	主成分分析	`pca(data, n_components=3)`

7.3 可视化模块 (`pylib.visualization`)

7.3.1 基本图表 (`pylib.visualization.plots`)

函数名	描述	示例
`plot(x, y, **kwargs)`	线图	`plot(x, y, color='red', label='line')`
`scatter(x, y, **kwargs)`	散点图	`scatter(x, y, c=colors, s=sizes)`
`bar(x, height, **kwargs)`	柱状图	`bar(categories, values, color='blue')`
`hist(x, bins=10, **kwargs)`	直方图	`hist(data, bins=30, alpha=0.7)`
`pie(x, **kwargs)`	饼图	`pie(sizes, labels=labels)`

7.3.2 3D图表 (`pylib.visualization.three_d`)

函数名	描述	示例
`plot3(x, y, z, **kwargs)`	3D线图	`plot3(x, y, z, color='red')`
`scatter3(x, y, z, **kwargs)`	3D散点图	`scatter3(x, y, z, marker='o')`
`surf(X, Y, Z, **kwargs)`	3D曲面图	`surf(X, Y, Z, cmap='viridis')`
`contour3(X, Y, Z, **kwargs)`	3D等高线图	`contour3(X, Y, Z, levels=20)`

7.3.3 高级可视化 (`pylib.visualization.advanced`)

函数名	描述	示例
`title(text)`	设置标题	`title('图表标题')`
`xlabel(text)`	设置X轴标签	`xlabel('X轴')`
`ylabel(text)`	设置Y轴标签	`ylabel('Y轴')`
`zlabel(text)`	设置Z轴标签	`zlabel('Z轴')`
`legend()`	显示图例	`legend()`
`grid(visible=True)`	显示网格	`grid(True)`
`show()`	显示图表	`show()`
`savefig(fname)`	保存图表	`savefig('figure.png')`
`subplot(nrows, ncols, index)`	创建子图	`subplot(2, 2, 1)`

7.4 建模算法模块 (`pylib.modeling`)

7.4.1 机器学习 (`pylib.modeling.ml`)

函数名	描述	示例
`classification()`	获取分类模型	`clf = classification()['logistic_regression']()`
`regression()`	获取回归模型	`reg = regression()['linear_regression']()`
`clustering()`	获取聚类模型	`clus = clustering()['kmeans']()`
`metrics()`	获取评估指标	`acc = metrics()['accuracy'](y_true, y_pred)`

7.4.2 信号处理 (`pylib.modeling.signal`)

函数名	描述	示例
`fft(x)`	快速傅里叶变换	`fft(signal)`
`ifft(x)`	逆快速傅里叶变换	`ifft(fft_signal)`
`filter(b, a, x)`	数字滤波	`filter(b, a, signal)`
`convolve(a, v, mode='full')`	卷积运算	`convolve(signal, kernel)`

7.4.3 图像处理 (`pylib.modeling.image`)

函数名	描述	示例
`imread(fname)`	读取图像	`imread('image.jpg')`
`imwrite(fname, img)`	保存图像	`imwrite('output.jpg', img)`
`resize(img, size)`	调整图像大小	`resize(img, (256, 256))`
`rotate(img, angle)`	旋转图像	`rotate(img, 45)`

8. 免责声明

8.1 完全免责声明

重要提示：在使用本软件前，请仔细阅读以下免责声明。

本软件（pylib-sci）是免费开源的科学计算库，仅供学习和参考使用。作者和贡献者不提供任何形式的保证或承诺，包括但不限于：

质量保证：本软件不保证没有错误、缺陷或漏洞，也不保证其功能完整性或可靠性。
适用性保证：本软件不保证适用于任何特定用途、场景或应用。用户应自行评估其是否适合特定需求。
兼容性保证：本软件不保证与任何特定操作系统、硬件或软件环境兼容。
安全性保证：本软件不保证其安全性、完整性或免受病毒、恶意代码或其他有害组件的侵害。
结果准确性保证：使用本软件产生的任何结果，包括但不限于计算结果、分析报告、可视化图表等，作者和贡献者不保证其准确性、可靠性或完整性。
不承担任何责任：对于因使用或无法使用本软件而导致的任何直接或间接损失、损害、费用或责任，包括但不限于数据丢失、业务中断、利润损失或其他经济损失，作者和贡献者不承担任何责任，无论其是基于合同、侵权行为（包括疏忽）、严格责任或其他法律理论。

8.2 使用风险提示

自行承担风险：用户在使用本软件时，应自行承担所有风险和责任。
谨慎使用：用户在将本软件用于关键应用、生产环境或重要决策时，应格外谨慎，并进行充分的测试和验证。
备份数据：在使用本软件处理重要数据时，用户应确保已对数据进行充分备份，以防止数据丢失或损坏。
遵守法律法规：用户在使用本软件时，应遵守适用的法律法规，不得用于任何非法或不道德的用途。

8.3 第三方软件免责

本软件依赖于多个第三方库（如NumPy、SciPy、Matplotlib等），对于这些第三方软件的使用，用户应遵守其各自的许可证和条款。作者和贡献者对第三方软件的质量、性能、安全性或合法性不承担任何责任。

通过使用本软件，您表示您已阅读、理解并同意本免责声明的所有条款。如果您不同意本免责声明的任何部分，请勿使用本软件。

9. 开发说明

9.1 版本控制

pylib库使用语义化版本控制：

主版本号 (Major): 重大功能变更，不兼容的API修改
次版本号 (Minor): 新功能添加，向后兼容
修订号 (Patch): 错误修复，向后兼容

9.2 贡献指南

欢迎对pylib库进行贡献！贡献流程如下：

Fork本仓库
创建特性分支 (git checkout -b feature/AmazingFeature)
提交更改 (git commit -m 'Add some AmazingFeature')
推送到分支 (git push origin feature/AmazingFeature)
打开Pull Request

9.3 代码规范

遵循PEP 8代码风格指南
使用类型注解
为新功能添加文档字符串
为新功能添加测试用例

9.4 测试

项目使用pytest进行测试，测试文件位于 tests/目录下：

# 运行所有测试
pytest

# 运行特定模块的测试
pytest tests/test_core.py -v

# 运行特定函数的测试
pytest tests/test_core.py::test_sin -v

10. 许可证

pylib库采用MIT许可证发布，详见LICENSE文件。

11. 联系方式

项目主页：[]
问题反馈：[]
开发者：[xinyuX]
邮箱：[]

12. 更新日志

v1.0.0 ()

初始版本发布
实现核心数学计算模块
实现数据处理模块
实现可视化模块
实现建模算法模块
提供基础示例代码
编写完整文档

pylib-sci - 让Python科学计算更简单、更高效！

Project details

These details have not been verified by PyPI

Release history Release notifications | RSS feed

This version

1.0.1

Dec 2, 2025

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

pylib_sci-1.0.1.tar.gz (43.6 kB view details)

Uploaded Dec 2, 2025 Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

The dropdown lists show the available interpreters, ABIs, and platforms. Enable javascript to be able to filter the list of wheel files.

pylib_sci-1.0.1-py3-none-any.whl (42.8 kB view details)

Uploaded Dec 2, 2025 Python 3

File details

Details for the file pylib_sci-1.0.1.tar.gz.

File metadata

Download URL: pylib_sci-1.0.1.tar.gz
Upload date: Dec 2, 2025
Size: 43.6 kB
Tags: Source
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.2.0 CPython/3.12.0

File hashes

Hashes for pylib_sci-1.0.1.tar.gz
Algorithm	Hash digest
SHA256	`3fcc0d16a03dfae80de5adf49b20c83276d2ad67ab28a7e220c03123fd3b91da`
MD5	`95553fd19d48a3127e9d8d063c953097`
BLAKE2b-256	`86154ac5f42e5ef6d0a726daa93a9173059369bc86818b7bbd350c8a48cbc35c`

See more details on using hashes here.

File details

Details for the file pylib_sci-1.0.1-py3-none-any.whl.

File metadata

Download URL: pylib_sci-1.0.1-py3-none-any.whl
Upload date: Dec 2, 2025
Size: 42.8 kB
Tags: Python 3
Uploaded using Trusted Publishing? No
Uploaded via: twine/6.2.0 CPython/3.12.0

File hashes

Hashes for pylib_sci-1.0.1-py3-none-any.whl
Algorithm	Hash digest
SHA256	`e8668810b8c69bfa88bd8a1763b4614c9eacce1f72d7779c7aa00c97e96a3e30`
MD5	`05418af9ae3450b985b47ea380d55cf8`
BLAKE2b-256	`f6021a5feae679e9d6a66a2ae75fa89b1f46f558e5fcf4aac9d082518a6f6e01`

See more details on using hashes here.

pylib-sci 1.0.1

Navigation

Verified details

Maintainers

Unverified details

Meta

Classifiers

Project description

pylib-sci - 全面的Python科学计算库

1. 项目概述

1.1 主要特点

1.2 适用场景

2. 目录结构

3. 核心功能模块

3.1 核心数学计算

3.2 数据处理

3.3 可视化

3.4 建模算法与工具

4. 安装方法

4.1 系统要求

4.2 依赖包

4.3 安装命令

方式一：直接使用pip安装依赖

方式二：使用requirements.txt安装（推荐）

5. 快速入门

5.1 基本用法

5.2 运行示例代码

6. 详细教程

6.1 核心数学计算教程

6.1.1 基础数学函数

6.1.2 线性代数

6.2 数据处理教程

6.2.1 数据输入输出

6.2.2 数据清洗

6.3 可视化教程

6.3.1 基本图表

6.3.2 3D图表

7. API参考

7.1 核心数学计算模块 (pylib.core)

7.1.1 基础数学函数 (pylib.core.math)

7.1.2 线性代数 (pylib.core.linalg)

7.2 数据处理模块 (pylib.data)

7.2.1 数据输入输出 (pylib.data.io)

7.2.2 数据清洗 (pylib.data.cleaning)

7.2.3 数据变换 (pylib.data.transformation)

7.2.4 数据预处理 (pylib.data.preprocessing)

7.3 可视化模块 (pylib.visualization)

7.3.1 基本图表 (pylib.visualization.plots)

7.3.2 3D图表 (pylib.visualization.three_d)

7.3.3 高级可视化 (pylib.visualization.advanced)

7.4 建模算法模块 (pylib.modeling)

7.4.1 机器学习 (pylib.modeling.ml)

7.4.2 信号处理 (pylib.modeling.signal)

7.4.3 图像处理 (pylib.modeling.image)

8. 免责声明

8.1 完全免责声明

8.2 使用风险提示

8.3 第三方软件免责

9. 开发说明

9.1 版本控制

9.2 贡献指南

9.3 代码规范

9.4 测试

10. 许可证

11. 联系方式

12. 更新日志

v1.0.0 ()

Project details

Verified details

Maintainers

Unverified details

Meta

Classifiers

Release history Release notifications | RSS feed

Download files

Source Distribution

Built Distribution

File details

File metadata

File hashes

7.1 核心数学计算模块 (`pylib.core`)

7.1.1 基础数学函数 (`pylib.core.math`)

7.1.2 线性代数 (`pylib.core.linalg`)

7.2 数据处理模块 (`pylib.data`)

7.2.1 数据输入输出 (`pylib.data.io`)

7.2.2 数据清洗 (`pylib.data.cleaning`)

7.2.3 数据变换 (`pylib.data.transformation`)

7.2.4 数据预处理 (`pylib.data.preprocessing`)

7.3 可视化模块 (`pylib.visualization`)

7.3.1 基本图表 (`pylib.visualization.plots`)

7.3.2 3D图表 (`pylib.visualization.three_d`)

7.3.3 高级可视化 (`pylib.visualization.advanced`)

7.4 建模算法模块 (`pylib.modeling`)

7.4.1 机器学习 (`pylib.modeling.ml`)

7.4.2 信号处理 (`pylib.modeling.signal`)

7.4.3 图像处理 (`pylib.modeling.image`)