SciPy 1.3.0 发行说明#
SciPy 1.3.0 是 5 个月辛勤工作的成果。它包含许多新功能、大量错误修复、改进的测试覆盖率和更好的文档。此版本中进行了一些 API 更改，这些更改在下面记录。鼓励所有用户升级到此版本，因为其中有大量的错误修复和优化。在升级之前，我们建议用户检查他们自己的代码是否使用了已弃用的 SciPy 功能（要执行此操作，请使用 python -Wd 运行您的代码，并检查 DeprecationWarning s）。我们的开发注意力现在将转移到 1.3.x 分支的错误修复版本，以及在 master 分支上添加新功能。
此版本需要 Python 3.5+ 和 NumPy 1.13.3 或更高版本。
要在 PyPy 上运行，需要 PyPy3 6.0+ 和 NumPy 1.15.0。
此版本亮点#
三个新的
stats函数，重写的pearsonr，以及 Kolmogorov-Smirnov 双样本检验的精确计算。scipy.optimize中用于有界标量函数求根器的新的 Cython API。显著的
CSR和CSC稀疏矩阵索引性能改进。在
RotationSpline中添加了对具有连续角速率和加速度的旋转插值的支持。
新功能#
scipy.interpolate 改进#
引入了一个新的类 CubicHermiteSpline。它是一个分段三次插值器，可匹配观察到的值和一阶导数。现有的三次插值器 CubicSpline、PchipInterpolator 和 Akima1DInterpolator 被设为 CubicHermiteSpline 的子类。
scipy.io 改进#
对于属性关系文件格式 (ARFF)，scipy.io.arff.loadarff 现在支持关系属性。
scipy.io.mmread 现在可以解析带有空行的 Matrix Market 格式文件。
scipy.linalg 改进#
添加了对 ?syconv 例程的包装器，这些例程将三角矩阵分解给出的对称矩阵转换为两个矩阵，反之亦然。
scipy.linalg.clarkson_woodruff_transform 现在使用利用稀疏性的算法。这可以为密集输入矩阵提供 60-90% 的加速。真正稀疏的输入矩阵也应从改进的草图算法中受益，该算法现在可以正确地在 O(nnz(A)) 时间内运行。
新增了计算对称 Fiedler 矩阵和 Fiedler 伴随矩阵的函数，分别命名为 scipy.linalg.fiedler 和 scipy.linalg.fiedler_companion。这些函数可以用于求根。
scipy.ndimage 改进#
在某些情况下，由于移除了对 np.polynomial 的依赖，高斯滤波器的性能可能会提高一个数量级。这可能会影响 scipy.ndimage.gaussian_filter 等函数。
scipy.optimize 改进#
scipy.optimize.brute 最小化器获得了一个新的关键字 workers，可以用于并行计算。
通过 cimport，在新的模块 scipy.optimize.cython_optimize 中提供了一个用于 scipy.optimize 中有界标量函数求根器的 Cython API。这个 API 可以与 nogil 和 prange 一起使用，以循环遍历函数参数数组，从而比纯 Python 更快地求解根数组。
'interior-point' 现在是 linprog 的默认方法，并且当所需的 scikits (scikit-umfpack 和 scikit-sparse) 可用时，'interior-point' 现在使用 SuiteSparse 来解决稀疏问题。在基准测试问题 (gh-10026) 上，执行时间通常减少了 2-3 倍。此外，还添加了一个新的 method='revised simplex'。它不如 method='interior-point' 快或健壮，但它是传统 method='simplex' 的更快、更健壮且同样准确的替代品。
differential_evolution 现在可以使用 Bounds 类来指定函数优化参数的边界。
与某些内部代码的向量化相关的 scipy.optimize.dual_annealing 性能改进。
scipy.signal 改进#
scipy.signal.cont2discrete 现在支持两种额外的离散化方法：impulse 和 foh。
scipy.signal.firls 现在使用更快的求解器。
在某些情况下，scipy.signal.detrend 现在具有更小的物理内存占用，可以使用新的 overwrite_data 关键字参数加以利用。
scipy.signal.firwin 的 pass_zero 参数现在接受新的字符串参数，可以指定所需的滤波器类型：'bandpass'、'lowpass'、'highpass' 和 'bandstop'。
由于算法中全局解释器锁 (GIL) 的保留减少，scipy.signal.sosfilt 的性能可能有所提高。
scipy.sparse 改进#
在 csgraph.dijsktra 中添加了一个新的关键字，允许用户查询到任何传入索引的最短路径，而不是到每个传入索引的最短路径。
在大型问题上，scipy.sparse.linalg.lsmr 的性能提高了大约 10%。
改进了 scipy.sparse.linalg.lobpcg 使用的算法的性能并减少了物理内存占用。
CSR 和 CSC 稀疏矩阵的 fancy indexing 性能得到了显著提高。
scipy.spatial 改进#
scipy.spatial.ConvexHull 现在具有一个 good 属性，可以与 QGn Qhull 选项一起使用，以确定从外部查询点可以看到凸包的哪些外部面。
scipy.spatial.cKDTree.query_ball_point 已现代化，可以使用一些较新的 Cython 功能，包括 GIL 处理和异常转换。修复了 return_sorted=True 和标量查询的问题，并添加了一个名为 return_length 的新模式。return_length 仅计算返回的索引列表的长度，而不是每次都分配数组。
添加了 scipy.spatial.transform.RotationSpline，以实现具有连续角速度和加速度的旋转插值。
scipy.stats 改进#
添加了一个新函数来计算 Epps-Singleton 检验统计量 scipy.stats.epps_singleton_2samp，该函数可应用于连续和离散分布。
添加了新函数 scipy.stats.median_absolute_deviation 和 scipy.stats.gstd（几何标准差）。scipy.stats.combine_pvalues 方法现在支持 pearson、tippett 和 mudholkar_george p 值组合方法。
将 scipy.stats.ortho_group 和 scipy.stats.special_ortho_group 的 rvs(dim) 函数的算法从 O(dim^4) 的实现更新为 O(dim^3)，这为 dim>100 提供了很大的速度改进。
重写了 scipy.stats.pearsonr，使用更健壮的算法，在潜在的病态输入上提供有意义的异常和警告，并修复了原始实现中至少五个单独报告的问题。
提高了 hypergeom.logcdf 和 hypergeom.logsf 的精度。
为 Kolmogorov-Smirnov (KS) 双样本检验添加了精确计算，取代了之前对双边检验 stats.ks_2samp 的近似计算。还添加了单边、双样本 KS 检验，以及 stats.ks_2samp 的关键字 alternative。
向后不兼容的更改#
scipy.interpolate 更改#
已移除 scipy.interpolate 中的函数（spleval、spline、splmake 和 spltopp）以及 scipy.misc 中的函数（bytescale、fromimage、imfilter、imread、imresize、imrotate、imsave、imshow、toimage）。前一组函数自 v0.19.0 版本起已被弃用，后一组函数自 v1.0.0 版本起已被弃用。同样，scipy.misc 中的别名（comb、factorial、factorial2、factorialk、logsumexp、pade、info、source、who）也已被移除，它们自 v1.0.0 版本起已被弃用。可以参考 SciPy v1.1.0 版本的文档来追踪已迁移函数的新导入位置。
scipy.linalg 的更改#
对于 pinv、pinv2 和 pinvh，默认的截止值已更改以保持一致性（请参阅文档了解实际值）。
scipy.optimize 的更改#
linprog 的默认方法现在是 'interior-point'。该方法的鲁棒性和速度是有代价的：解决方案可能不精确到机器精度，或者不对应于约束定义的多面体的顶点。要恢复到原始的单纯形方法，请包含参数 method='simplex'。
scipy.stats 的更改#
以前，ks_2samp(data1, data2) 会运行双侧检验并返回近似的 p 值。新的签名 ks_2samp(data1, data2, alternative="two-sided", method="auto") 仍然默认运行双侧检验，但会为小样本返回精确的 p 值，为大样本返回近似值。method="asymp" 将等同于旧版本，但 auto 是更好的选择。
其他更改#
我们的教程已扩展，新增了一个关于全局优化器的章节。
stats.distributions 的教程已进行了重构。
如果已超出最大迭代次数，disp 为 false，并且 full_output 为 true，则对于有界标量函数求根器，scipy.optimize 现在会正确地将结果的收敛标志设置为 CONVERR，表示收敛错误。
如果 xdata 和 ydata 的 dtypes 不同，scipy.optimize.curve_fit 不再会失败；现在它们都会自动转换为 float64。
scipy.ndimage 中的函数，包括 binary_erosion、binary_closing 和 binary_dilation，现在要求迭代次数为整数值，这缓解了许多报告的问题。
修复了 scipy.stats.wilcoxon 中 zero_method == "pratt" 的情况下正态近似的问题。
修复了与 stats 分布在 _argcheck() 中设置成员变量相关的错误概率、广播问题和线程安全问题。
在以下情况下，scipy.optimize.newton 现在会正确引发 RuntimeError：当使用默认参数且获得导数值为零时（这是无法收敛的特殊情况）。
现在提供了一个工具链路线图草案，其中列出了包括 Python 版本、C 标准和 NumPy 版本在内的兼容性计划。