SciPy 1.5.0 发行说明 #

SciPy 1.5.0 是 6 个月辛勤工作的结晶。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。此版本中进行了许多弃用和 API 变更，具体说明如下。鼓励所有用户升级到此版本，因为其中包含大量的错误修复和优化。在升级之前，我们建议用户检查自己的代码是否使用了已弃用的 SciPy 功能（为此，请使用 python -Wd 运行代码并检查 DeprecationWarning）。我们的开发重点现在将转向 1.5.x 分支上的错误修复发布，以及在 master 分支上添加新功能。

此版本需要 Python 3.6+ 和 NumPy 1.14.5 或更高版本。

若要在 PyPy 上运行，需要 PyPy3 6.0+ 和 NumPy 1.15.0。

此版本的亮点 #

scipy.linalg.lapack 中现已提供十多个新 LAPACK 例程的封装
改进了对从线性代数后端利用 64 位整数大小的支持
增加了双边单样本 Kolmogorov-Smirnov 检验的概率分布

新功能 #

`scipy.cluster` 改进#

使用 minit="++" 初始化 scipy.cluster.vq.kmeans2 时，其复杂度与样本数量呈二次方关系。现已对其进行改进，实现了准线性复杂度的快速初始化。

scipy.cluster.hierarchy.dendrogram 现在遵循 matplotlib 调色板

`scipy.fft` 改进#

此模块中的所有 FFT 函数都添加了一个新的仅限关键字参数 plan。它保留用于从提供 FFT 后端的库（如 PyFFTW 和 mkl-fft）中传入预计算方案，目前在 SciPy 中尚未被使用。

`scipy.integrate` 改进#

`scipy.interpolate` 改进#

`scipy.io` 改进#

scipy.io.wavfile 的错误消息更加明确，并且在数据成功读取后，文件末尾的多余字节将被忽略，而不是引发错误。

scipy.io.loadmat 增加了一个 simplify_cells 参数，如果设置为 True 且 .mat 文件包含单元数组 (cell arrays)，则会简化返回值的结构。

scipy.io Matrix Market I/O 函数现在支持 pathlib.Path 对象

`scipy.linalg` 改进#

scipy.linalg.eigh 已得到改进。现在可以随意选择各种 LAPACK 驱动程序，也可以通过 subset_by_value 关键字请求特征值的子集。引入了另一个关键字 subset_by_index。关键字 turbo 和 eigvals 已弃用。

类似地，增加了标准和广义埃尔米特特征值 LAPACK 例程 ?<sy/he>evx，并且现有的例程现在有了完整的 _lwork 对应项。

以下 LAPACK 例程的封装已添加到 scipy.linalg.lapack 中

?getc2：计算一般矩阵的 LU 分解（带完全
主元选择）
?gesc2：求解给定来自 ?getc2 的 LU 分解的线性系统
?gejsv：计算一般矩阵的奇异值分解，
具有更高精度的极小奇异值及其对应奇异向量的计算
?geqrfp：计算一般矩阵的 QR 分解，且
R 的对角线上具有非负元素
?gtsvx：求解一般三对角矩阵的线性系统
?gttrf：计算三对角矩阵的 LU 分解
?gttrs：求解给定来自 ?gttrf 的 LU 分解的线性系统
?ptsvx：求解对称正定
三对角矩阵的线性系统
?pttrf：计算对称正定矩阵的 LU 分解
三对角矩阵的线性系统
?pttrs：求解给定来自 ?pttrf 的 LU 分解的线性系统
?pteqr：计算正定矩阵的特征向量和特征值
三对角矩阵的线性系统
?tbtrs：求解三角带状矩阵的线性系统
?csd：计算正交/酉
矩阵的余弦正弦 (Cosine Sine) 分解

广义 QR 分解例程 (?geqrf) 现在有了完整的 _lwork 对应项。

增加了 scipy.linalg.cossin 酉矩阵的余弦正弦分解。

增加了用于计算 Khatri-Rao 积的函数 scipy.linalg.khatri_rao。

新函数 scipy.linalg.convolution_matrix 构建表示一维卷积的托普利茨 (Toeplitz) 矩阵。

`scipy.ndimage` 改进#

`scipy.optimize` 改进#

在各种使用梯度的 minimize 方法中使用的有限差分数值微分具有几个新功能

可以使用 2 点、3 点或复数步长有限差分。以前只有 2 步有限差分可用。
现在可以使用相对步长，以前只有绝对步长可用。
如果 minimize 方法使用边界，则数值微分会严格遵守这些限制。
数值微分机制现在使用简单的缓存，在某些情况下可以减少函数求值的次数。
minimize 的 method= 'powell' 现在支持简单的边界约束

scipy.optimize.linprog 有多项改进

linprog 基准测试套件已大幅扩展。
linprog 基于密集主元的冗余移除例程和稀疏预解 (presolve) 速度更快
当 scikit-sparse 可用时，使用 method='interior-point' 求解稀疏问题的速度更快

改进了同时返回函数值和梯度的函数在优化时的值缓存，避免在使用 HessianApproximation（如 BFGS）时进行重复的函数求值。

differential_evolution 现在可以使用现代的 np.random.Generator 以及旧版的 np.random.RandomState 作为种子。

`scipy.signal` 改进#

此模块中的 freqz 函数添加了一个新的可选参数 include_nyquist。它用于包含最后一个频率（奈奎斯特频率）。

scipy.signal.find_peaks_cwt 现在接受一个 window_size 参数，用于指定计算噪声底限的窗口大小。

`scipy.sparse` 改进#

使用二维列向量选择列索引时，外部索引 (Outer indexing) 现在更快。

scipy.sparse.lil.tocsr 速度更快

修复/改进了 pydata 稀疏数组与稀疏矩阵之间的比较

改进了 BSR 格式稀疏乘法的性能。

scipy.sparse.linalg.LinearOperator 获得了新的 ndim 类属性

`scipy.spatial` 改进#

增加了 scipy.spatial.geometric_slerp，以在 n 维球面上实现几何球面线性插值

scipy.spatial.SphericalVoronoi 现在支持在二维和三维情况下计算区域面积

cKDTree 使用的树构建算法的最坏情况时间复杂度从二次方改进为对数线性。现在还可以对平衡/非平衡 kd 树的构建和查询进行基准测试。

`scipy.special` 改进#

以下函数现在在 cython_special 中具有 Cython 接口

增加了 scipy.special.log_softmax 用于计算 softmax 函数的对数。对于使 softmax 饱和的输入，它比 log(scipy.special.softmax(x)) 提供更好的准确性。

`scipy.stats` 改进#

改进了 scipy.stats.dlaplace 中生成随机样本的函数。新函数的速度大约快了两倍，内存占用减少了 25% 到 60%（参见 gh-11069）。

接受种子以使用随机数生成进行可重复计算的 scipy.stats 函数（例如分布的随机变量），现在可以使用现代的 np.random.Generator 以及旧版的 np.random.RandomState 作为种子。

scipy.stats.rankdata 添加了 axis 参数。这允许沿着给定轴独立地对数组切片进行排序。

scipy.stats.f_oneway 添加了 axis 参数，允许其为存储在 n 维数组中的数据计算多个单因素方差分析 (ANOVA) 检验。在某些情况下，f_oneway 的性能也得到了改进。

stats.geninvgauss 的 PDF 和 CDF 方法现在显著加快，因为用于计算 CDF 的数值积分使用了基于 Cython 的 LowLevelCallable。

正态分布的矩 (scipy.stats.norm) 现在使用解析公式而不是数值积分来计算，从而提高了速度和准确性

梯形分布 (scipy.stats.trapz) 的矩和熵现在使用解析公式而不是数值积分来计算，从而提高了速度和准确性

截断正态分布 (scipy.stats.truncnorm) 的方法，特别是 _rvs，在完全重写后显著加快。

拉普拉斯分布的 fit 方法 scipy.stats.laplace 现在使用解析公式进行参数的最大似然估计。

现在所有 SciPy 分布的随机变量生成都是线程安全的。第三方分布可能需要修改 _rvs() 方法的签名，以符合 _rvs(self, ..., size=None, random_state=None)。（使用不符合要求的分布时，会发出一次性的 VisibleDeprecationWarning。）

增加了 Kolmogorov-Smirnov 双边检验统计量分布 (scipy.stats.kstwo)。使用精确算法和渐近算法的混合，计算样本量为 n 的 K-S 双边统计量 D_n 的分布。

新函数 median_abs_deviation 取代了已弃用的 median_absolute_deviation。

wilcoxon 函数现在为长度不超过 25 的输入使用精确分布计算 Wilcoxon 符号秩检验的 p 值。该函数有一个新的 mode 参数来指定 p 值的计算方式。默认值为 "auto"，即对长度不超过 25 的输入使用精确分布，对更大的输入使用正态近似。

增加了一个新的基于 Cython 的实现来评估高斯核估计，这应该会提高 gaussian_kde 的性能

winsorize 函数现在有一个 nan_policy 参数，用于更精细地处理 nan 输入值。

binned_statistic_dd 函数在 statistic="std" 时的性能提高了约 4 倍。

scipy.stats.kstest(rvs, cdf,...) 现在可以处理单样本和双样本检验。单样本变体使用 scipy.stats.ksone（或 scipy.stats.kstwo，并退回到 scipy.stats.kstwobign）来计算 p 值。如果 cdf 是类数组 (array_like) 则调用的双样本变体，使用 Hodges 描述的算法直接计算概率，仅在溢出的情况下退回到 scipy.stats.kstwo。这两种情况都能得到更准确的 p 值，尤其是对于样本量较小（或差异很大）的双样本检验。

scipy.stats.maxwell 的性能改进包括 fit() 速度提升 20%，pdf() 速度提升 5%

scipy.stats.shapiro 和 scipy.stats.jarque_bera 现在返回具名元组 (named tuple)，以便与其他 stats 函数保持更好的一致性