SciPy 0.19.0 发行说明#
SciPy 0.19.0 是 7 个月辛勤工作的结晶。它包含许多新功能、大量的错误修复、改进的测试覆盖率和更好的文档。此版本中存在一些弃用和 API 更改，如下所述。建议所有用户升级到此版本，因为它包含大量错误修复和优化。此外，我们的开发注意力现在将转移到 0.19.x 分支上的错误修复版本，以及在主分支上添加新功能。
此版本需要 Python 2.7 或 3.4-3.6 以及 NumPy 1.8.2 或更高版本。
此版本的亮点包括
一个统一的外部函数接口层，
scipy.LowLevelCallable。通过 cimport scipy.special.cython_special 从
scipy.special模块获取标量、类型化通用函数的 Cython API。
新功能#
外部函数接口改进#
scipy.LowLevelCallable 为在 Python 空间中包装底层编译的回调函数提供了一个新的统一接口。它支持 Cython 导入的“api”函数、ctypes 函数指针、CFFI 函数指针、PyCapsules、Numba jitted 函数等。有关详细信息，请参阅 gh-6509。
scipy.linalg 改进#
函数 scipy.linalg.solve 获取了另外两个关键字 assume_a 和 transposed。底层 LAPACK 例程被替换为“专家”版本，现在也可用于求解对称、埃尔米特和正定系数矩阵。此外，病态矩阵现在会导致发出警告，其中包含估计的条件数信息。旧的 sym_pos 关键字保留以实现向后兼容性，但它与使用 assume_a='pos' 相同。此外，debug 关键字已弃用，它没有任何功能，只是打印 overwrite_<a, b> 值。
添加了函数 scipy.linalg.matrix_balance 以使用 LAPACK xGEBAL 例程族执行所谓的矩阵平衡。这可用于通过对角相似变换近似使行和列范数相等。
函数 scipy.linalg.solve_continuous_are 和 scipy.linalg.solve_discrete_are 具有数值上更稳定的算法。这些函数还可以求解广义代数矩阵黎卡提方程。此外，两者都获得了 balanced 关键字来打开和关闭平衡。
scipy.spatial 改进#
scipy.spatial.SphericalVoronoi.sort_vertices_of_regions 已使用 Cython 重写以提高性能。
scipy.spatial.SphericalVoronoi 可以处理超过 20 万个点（至少 1000 万个），并且性能得到了提高。
添加了函数 scipy.spatial.distance.directed_hausdorff 来计算有向 Hausdorff 距离。
scipy.spatial.cKDTree 的 count_neighbors 方法通过新的关键字 weights 和 cumulative 获得了执行加权对计数的能力。有关详细信息，请参阅 gh-5647。
scipy.spatial.distance.pdist 和 scipy.spatial.distance.cdist 现在支持非双精度自定义度量标准。
scipy.ndimage 改进#
回调函数 C API 在 Python 2.7 中支持 PyCapsules。
多维滤波器现在允许为不同的轴设置不同的外推模式。
scipy.optimize 改进#
scipy.optimize.basinhopping 全局最小化器获得了一个新的关键字 seed，可用于设置随机数生成器的种子并获得可重复的最小化。
scipy.optimize.curve_fit 中的关键字 sigma 被重载，也可以接受数据中误差的协方差矩阵。
scipy.signal 改进#
函数 scipy.signal.correlate 和 scipy.signal.convolve 有一个新的可选参数 method。 auto 的默认值估计两种计算方法中最快的方法，即直接方法和傅里叶变换方法。
添加了一个新函数来选择卷积/相关方法，即 scipy.signal.choose_conv_method，如果对许多大小相同的数组执行卷积或相关运算，则此函数可能适用。
添加了新函数来计算输入信号的复数短时傅里叶变换，并反转变换以恢复原始信号：scipy.signal.stft 和 scipy.signal.istft。 此实现还修复了以前在请求复数输出数据时 scipy.signal.spectrogram 输出不正确的问题。
添加了函数 scipy.signal.sosfreqz，用于从二阶节计算频率响应。
添加了函数 scipy.signal.unit_impulse，用于方便地生成脉冲函数。
添加了函数 scipy.signal.iirnotch，用于设计二阶 IIR 陷波滤波器，该滤波器可用于从信号中消除频率分量。 添加了双函数 scipy.signal.iirpeak，用于计算二阶 IIR 峰值（共振）滤波器的系数。
添加了函数 scipy.signal.minimum_phase，用于将线性相位 FIR 滤波器转换为最小相位。
当在某些 n 维数组上运算时，如果 n > 1，则函数 scipy.signal.upfirdn 和 scipy.signal.resample_poly 现在速度明显更快。当要过滤的轴上的数组大小较小（约为 < 1k 个样本）时，计算时间的缩短幅度最大。
scipy.fftpack 改进#
快速傅里叶变换例程现在接受 np.float16 输入，并将它们向上转换为 np.float32。 以前，它们会引发错误。
scipy.cluster 改进#
scipy.cluster.hierarchy.linkage 的 "centroid" 和 "median" 方法已显著加速。 解决了在大型输入数据（超过 16 GB）上使用 linkage 的长期存在的问题。
scipy.sparse 改进#
添加了函数 scipy.sparse.save_npz 和 scipy.sparse.load_npz，为某些稀疏格式提供简单的序列化。
更新了类 bsr_matrix、csc_matrix 和 csr_matrix 的 prune 方法，以便在特定条件下重新分配支持数组，从而减少内存使用。
向类 coo_matrix、csc_matrix、csr_matrix 和 bsr_matrix 添加了方法 argmin 和 argmax。
新函数 scipy.sparse.csgraph.structural_rank 计算具有给定稀疏模式的图的结构秩。
新函数 scipy.sparse.linalg.spsolve_triangular 求解具有三角左侧矩阵的稀疏线性系统。
scipy.special 改进#
来自 scipy.special 的通用函数的标量类型版本可通过从新模块 scipy.special.cython_special 进行 cimport 在 Cython 空间中获得。 对于标量参数，这些标量函数预计会比通用函数快得多。 有关详细信息，请参阅 scipy.special 教程。
函数 scipy.special.geterr 和 scipy.special.seterr 以及上下文管理器 scipy.special.errstate 提供了对特殊函数错误的更好控制。
正交多项式根函数的名称已更改为与与正交多项式相关的其他函数保持一致。 例如，scipy.special.j_roots 已重命名为 scipy.special.roots_jacobi，以便与相关函数 scipy.special.jacobi 和 scipy.special.eval_jacobi 保持一致。 为了保持向后兼容性，旧名称已保留为别名。
Wright Omega 函数实现为 scipy.special.wrightomega。
scipy.stats 改进#
添加了函数 scipy.stats.weightedtau。它提供了 Kendall’s tau 的加权版本。
新类 scipy.stats.multinomial 实现了多项式分布。
新类 scipy.stats.rv_histogram 从分箱数据样本构建具有分段线性 CDF 的连续单变量分布。
新类 scipy.stats.argus 实现了 Argus 分布。
scipy.interpolate 改进#
新类 scipy.interpolate.BSpline 表示样条曲线。 BSpline 对象包含节点和系数，并且可以评估样条曲线。此格式与 FITPACK 一致，因此可以执行例如
>>> t, c, k = splrep(x, y, s=0)
>>> spl = BSpline(t, c, k)
>>> np.allclose(spl(x), y)
spl* 函数， scipy.interpolate.splev, scipy.interpolate.splint, scipy.interpolate.splder 和 scipy.interpolate.splantider，为了向后兼容，接受 BSpline 对象和 (t, c, k) 元组。
对于多维样条曲线，c.ndim > 1，BSpline 对象与分段多项式 scipy.interpolate.PPoly 一致。这意味着 BSpline 对象与 scipy.interpolate.splprep 不立即一致，并且不能 执行 >>> BSpline(*splprep([x, y])[0])。有关精确等效的示例，请查阅 scipy.interpolate 测试套件。
在新代码中，最好使用 scipy.interpolate.BSpline 对象，而不是直接操作 (t, c, k) 元组。
新函数 scipy.interpolate.make_interp_spline 根据数据点和边界条件构造插值样条曲线。
新函数 scipy.interpolate.make_lsq_spline 根据数据点构造最小二乘样条逼近。
scipy.integrate 改进#
现在 scipy.integrate.fixed_quad 支持向量值函数。
已弃用的功能#
scipy.interpolate.splmake、scipy.interpolate.spleval 和 scipy.interpolate.spline 已弃用。splmake/spleval 使用的格式与 splrep/splev 不一致，这让用户感到困惑。
scipy.special.errprint 已弃用。 scipy.special.seterr 中提供了改进的功能。
不推荐使用使用所选指标不需要的参数调用 scipy.spatial.distance.pdist 或 scipy.spatial.distance.cdist。此外，指标 “old_cosine” 和 “old_cos” 已弃用。
向后不兼容的更改#
已删除已弃用的 scipy.weave 子模块。
scipy.spatial.distance.squareform 现在返回与输入具有相同 dtype 的数组，而不是始终返回 float64。
scipy.special.errprint 现在返回一个布尔值。
函数 scipy.signal.find_peaks_cwt 现在返回一个数组，而不是列表。
scipy.stats.kendalltau 现在在输入包含平局的情况下计算正确的 p 值。p 值也与 scipy.stats.mstats.kendalltau 和 R 计算的 p 值相同。如果输入不包含平局，则与之前的实现相比没有变化。
函数 scipy.linalg.block_diag 将不再忽略零大小的矩阵。相反，它将插入适当大小的零行或零列。有关更多详细信息，请参阅 gh-4908。
其他更改#
SciPy wheels 现在将在所有平台上报告它们对 numpy 的依赖。进行此更改的原因是，Numpy wheels 可用，并且 pip 升级行为最终正在朝着更好的方向发展（对于 pip >= 8.2，请使用 --upgrade-strategy=only-if-needed；该行为将在下一个主要版本的 pip 中成为默认行为）。
与之前的 scipy 版本相比，使用 kind="cubic" 和 "quadratic" 的 scipy.interpolate.interp1d 返回的数值可能会发生变化。如果您的代码依赖于特定的数值（即，插值器的实现细节），您可能需要仔细检查您的结果。