SciPy 1.5.0 发布说明 #

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。此版本中包含一些已弃用和 API 更改，详情如下。建议所有用户升级到此版本，因为它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）。我们的开发重心现在将转移到 1.5.x 分支上的错误修复版本以及主分支上的新功能添加。

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

在 PyPy 上运行需要 PyPy3 6.0+ 和 NumPy 1.15.0。

本次发布的亮点 #

scipy.linalg.lapack 中现已提供十多个新的 LAPACK 例程的包装器
改进了对线性代数后端中 64 位整数大小的利用支持
添加了用于双侧单样本 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 在样本数量上具有二次复杂度。现已对其进行改进，实现了准线性复杂度的更快速初始化。

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

`scipy.fft` 改进#

本模块中的所有 FFT 函数都添加了一个新的仅关键字参数 plan。它保留用于从提供 FFT 后端的库（例如 PyFFTW 和 mkl-fft）传递预计算的计划，目前在 SciPy 中尚未使用。

`scipy.integrate` 改进#

`scipy.interpolate` 改进#

`scipy.io` 改进#

scipy.io.wavfile 的错误消息现在更明确地指出了问题所在，并且在成功读取数据后，文件末尾的多余字节将被忽略，而不再引发错误。

scipy.io.loadmat 新增了一个 simplify_cells 参数，如果设置为 True，则当 .mat 文件包含单元数组时，返回值的结构会得到简化。

pathlib.Path 对象现在在 scipy.io Matrix Market I/O 函数中受到支持

`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 关键字请求特征值子集。引入了另一个关键字 subset_by_index。关键字 turbo 和 eigvals 已被弃用。

类似地，添加了标准和广义 Hermitian 特征值 LAPACK 例程 ?<sy/he>evx，并且现有例程现在具有完整的 _lwork 对应项。

已将以下 LAPACK 例程的包装器添加到 scipy.linalg.lapack：

?getc2：计算具有完整
主元选择的通用矩阵的 LU 分解
?gesc2：给定来自 ?getc2 的 LU 分解，求解线性系统
?gejsv：计算通用矩阵的奇异值分解
以更高的精度计算微小奇异值及其对应的奇异向量
?geqrfp：计算通用矩阵的 QR 分解，其中
R 的对角线元素为非负
?gtsvx：求解带通用三对角矩阵的线性系统
?gttrf：计算三对角矩阵的 LU 分解
?gttrs：给定来自 ?gttrf 的 LU 分解，求解线性系统
?ptsvx：求解带对称正定
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：给定来自 ?pttrf 的 LU 分解，求解线性系统
?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：求解带三角带状矩阵的线性系统
?csd：计算正交/酉
矩阵的余弦正弦分解

广义 QR 分解例程（?geqrf）现在具有完整的 _lwork 对应项。

已添加 scipy.linalg.cossin，即酉矩阵的余弦正弦分解。

已添加函数 scipy.linalg.khatri_rao>，用于计算 Khatri-Rao 积。

新函数 scipy.linalg.convolution_matrix 构造表示一维卷积的 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特性：

可以使用 2 点、3 点或复数步长有限差分。以前仅提供 2 步有限差分。
现在可以使用相对步长，以前仅提供绝对步长。
如果 minimize 方法使用边界，则数值微分严格遵守这些限制。
数值微分机制现在利用了一个简单的缓存，在某些情况下可以减少函数评估的次数。
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 的密集主元冗余消除例程和稀疏预求解速度更快
当 scikit-sparse 可用时，使用 method='interior-point' 求解稀疏问题速度更快

优化同时返回值和梯度的函数时，值缓存已得到改进，使用 HessianApproximation（如 BFGS）时避免了重复函数评估。

differential_evolution 现在可以使用现代的 np.random.Generator 以及传统的 np.random.RandomState 作为种子。

`scipy.signal` 改进#

本模块中的 freqz 函数新增了一个可选参数 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，用于指定计算噪声基底所用窗口的大小。

`scipy.sparse` 改进#

当使用二维列向量选择列索引时，外部索引现在更快。

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

BSR 格式稀疏乘法性能已得到改进。

scipy.sparse.linalg.LinearOperator 新增了 ndim 类属性

`scipy.spatial` 改进#

已添加 scipy.spatial.geometric_slerp，以实现在 n 维球体上的几何球面线性插值

scipy.spatial.SphericalVoronoi 现在支持在 2D 和 3D 情况下计算区域面积

cKDTree 使用的树构建算法已从二次最坏情况时间复杂度改进为对数线性。现在还提供了平衡/不平衡 kd-树的构建和查询基准。

`scipy.special` 改进#

以下函数现在在 cython_special 中具有 Cython 接口：

已添加 scipy.special.log_softmax 以计算 softmax 函数的对数。对于使 softmax 饱和的输入，它比 log(scipy.special.softmax(x)) 提供更好的精度。

`scipy.stats` 改进#

scipy.stats.dlaplace 中生成随机样本的函数已得到改进。新函数的速度大约是原来的两倍，内存占用减少了 25% 到 60%（参见 gh-11069）。

接受用于使用随机数生成进行可重现计算（例如，来自分布的随机变量）的种子的 scipy.stats 函数现在可以使用现代的 np.random.Generator 以及传统的 np.random.RandomState 作为种子。（使用不符合的分布时会发出一次 VisibleDeprecationWarning。）

axis 参数已添加到 scipy.stats.rankdata。这允许沿给定轴的数组切片独立排序。

axis 参数已添加到 scipy.stats.f_oneway，使其能够计算存储在 n 维数组中的数据的多个单向方差分析测试。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（scipy.stats.norm）的矩现在使用解析公式而不是数值积分进行计算，以提高速度和准确性

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进行计算，以提高速度和准确性

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。

Laplace 分布的 fit 方法，scipy.stats.laplace，现在使用参数的最大似然估计的解析公式。

所有 SciPy 分布的随机变量生成现在都是线程安全的。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)。（使用不符合的分布时会发出一次 VisibleDeprecationWarning。）

已添加 Kolmogorov-Smirnov 双侧检验统计量分布（scipy.stats.kstwo）。它使用精确算法和渐近算法的混合来计算大小为 n 的样本的 K-S 双侧统计量 D_n 的分布。

新函数 median_abs_deviation 取代了已弃用的 median_absolute_deviation。

wilcoxon 函数现在使用精确分布计算 Wilcoxon 符号秩检验的 p 值，适用于长度不超过 25 的输入。该函数新增了一个 mode 参数，用于指定 p 值的计算方式。默认值为 "auto"，它对长度不超过 25 的输入使用精确分布，对更大的输入使用正态近似。

新增了一个基于 Cython 的实现来评估高斯核估计，这应该会提高 gaussian_kde 的性能

winsorize 函数现在新增了 nan_policy 参数，用于更精细地处理 nan 输入值。

当 statistic="std" 时，binned_statistic_dd 函数的性能提升了约 4 倍。

scipy.stats.kstest(rvs, cdf,...) 现在支持单样本和双样本检验。单样本变体使用 scipy.stats.ksone（或 scipy.stats.kstwo 并回退到 scipy.stats.kstwobign）来计算 p 值。双样本变体（如果 cdf 为 array_like 则调用）使用 Hodges 描述的算法直接计算概率，仅在溢出时才回退到 scipy.stats.kstwo。这两种情况下的结果都提供了更准确的 p 值，特别是对于大小较小（或差异很大）的双样本检验。

scipy.stats.maxwell 的性能改进包括 fit() 提速 20%，pdf() 提速 5%。

scipy.stats.shapiro 和 scipy.stats.jarque_bera 现在返回一个命名元组，以更好地与其他 stats 函数保持一致。