SciPy 1.5.0 发布说明 #

SciPy 1.5.0 是6个月辛勤工作的结晶。它包含了许多新功能、大量的错误修复、改进的测试覆盖率和更好的文档。此版本中有一些弃用和API更改，如下文所述。我们鼓励所有用户升级到此版本，因为有许多错误修复和优化。在升级之前，我们建议用户检查他们的代码是否使用了已弃用的SciPy功能（为此，请使用 python -Wd 运行您的代码并检查 DeprecationWarning）。我们的开发重点现在将转移到1.5.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 3.6+ 和 NumPy 1.14.5 或更高版本。

对于在 PyPy 上运行，需要 PyPy3 6.0+ 和 NumPy 1.15.0。

此版本的亮点 #

现在，scipy.linalg.lapack 中提供了十多个新 LAPACK 例程的包装器。
改进了从线性代数后端利用64位整数大小的支持
双侧单样本 Kolmogorov-Smirnov 检验的概率分布的加法

新功能 #

`scipy.cluster` 改进#

使用 minit="++" 初始化 scipy.cluster.vq.kmeans2 时，样本数量的复杂度为二次方。现已改进，实现了更快的初始化，复杂度接近线性。

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

`scipy.fft` 改进#

本模块中的所有 FFT 函数新增了一个仅限关键字的参数 plan。它保留用于传递来自提供 FFT 后端的库（如 PyFFTW 和 mkl-fft）的预计算计划，目前 SciPy 中未使用它。

`scipy.integrate` 改进#

`scipy.interpolate` 改进#

`scipy.io` 改进#

scipy.io.wavfile 的错误信息更加明确地指出问题所在，并且在数据成功读取后，文件末尾的多余字节会被忽略，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，当 .mat 文件包含单元数组时，会简化返回值的结构。

pathlib.Path 对象现在在 scipy.io 的 Matrix Market I/O 函数中得到支持

`scipy.linalg` 改进#

scipy.linalg.eigh 已经得到改进。现在可以随意选择各种 LAPACK 驱动程序，并且可以通过 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 已被弃用。

同样地，标准和广义厄米特征值 LAPACK 例程 ?<sy/he>evx 已被添加，并且现有的例程现在具有完整的 _lwork 对应项。

以下 LAPACK 例程的包装器已添加到 scipy.linalg.lapack 中：

?getc2: 计算一般矩阵的LU分解，使用完全
pivoting
?gesc2: 给定来自 ?getc2 的 LU 分解，求解线性系统
?gejsv: 计算一般矩阵的奇异值分解
具有更高精度计算微小奇异值及其对应的奇异向量
?geqrfp: 计算一般矩阵的QR分解
R 的对角线上的非负元素
?gtsvx: 解决具有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: 给定来自 ?gttrf 的 LU 分解，求解线性系统
?ptsvx: 解决具有对称正定矩阵的线性系统
三对角矩阵
?pttrf: 计算对称正定矩阵的LU分解
三对角矩阵
?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
?tbtrs: 使用三角带状矩阵求解线性系统
?csd: 计算正交/酉矩阵的余弦正弦分解
矩阵

广义QR分解例程（?geqrf）现在有了完整的``_lwork``对应项。

scipy.linalg.cossin 已添加了酉矩阵的余弦正弦分解。

添加了计算 Khatri-Rao 积的函数 scipy.linalg.khatri_rao。

新函数 scipy.linalg.convolution_matrix 构建了表示一维卷积的 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点或复杂步长的有限差分。以前只提供了一个2步长的有限差分。
现在可以使用相对步长，之前只能使用绝对步长。
如果 minimize 方法使用了边界，数值微分将严格遵守这些限制。
数值微分机制现在使用了一个简单的缓存，这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

对 scipy.optimize.linprog 进行了多项改进：

linprog 基准测试套件已大幅扩展。
linprog 的基于密集枢轴的冗余去除例程和稀疏预处理速度更快
当 scikit-sparse 可用时，使用 method='interior-point' 解决稀疏问题会更快

在优化返回值和梯度的函数时，值的缓存得到了改进，在使用 HessianApproximation 如 BFGS 时避免了重复的函数评估。

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。该参数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，用于计算噪声底限时使用的窗口大小。

`scipy.sparse` 改进#

当使用二维列向量选择列索引时，外部索引现在更快了。

scipy.sparse.lil.tocsr 更快

修复/改进了pydata稀疏数组与稀疏矩阵之间的比较

BSR 格式稀疏矩阵乘法性能已得到提升。

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

`scipy.spatial` 改进#

scipy.spatial.geometric_slerp 已添加，以实现在 n-球面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。现在还可以使用构建和查询平衡/不平衡 kd-树的基准测试。

`scipy.special` 改进#

以下函数现在在 cython_special 中有 Cython 接口：

scipy.special.log_softmax 已添加以计算 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）。

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，以实现使用随机数生成（例如从分布中生成随机变量）的可重复计算。

axis 参数被添加到 scipy.stats.rankdata 中。这允许沿着给定轴的数组切片独立地进行排名。

axis 参数被添加到 scipy.stats.f_oneway 中，使其能够计算存储在 n 维数组中的数据的多个单向 ANOVA 测试。f_oneway 的性能也在某些情况下得到了提升。

stats.geninvgauss 的 PDF 和 CDF 方法现在显著更快，因为计算 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计算，而不是数值积分，以提高速度和准确性。

矩和熵的梯形分布 (scipy.stats.trapz) 现在使用解析公式而不是数值积分来计算，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。

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

随机变量的生成现在对所有 SciPy 分布都是线程安全的。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)。（使用不符合规范的分布时会发出一次 VisibleDeprecationWarning。）

添加了Kolmogorov-Smirnov双边检验统计量分布 (scipy.stats.kstwo)。使用精确和渐近算法的混合方法，计算大小为n的样本的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 函数现在使用精确分布计算输入长度不超过25的Wilcoxon符号秩检验的p值。该函数新增了一个 mode 参数，用于指定如何计算p值。默认值为 "auto"，它对输入长度不超过25的使用精确分布，对更大的输入使用正态近似。

添加了一个新的基于 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，用于精细处理 nan 输入值。

binned_statistic_dd 函数在 statistic="std" 时的性能提升了约4倍。

scipy.stats.kstest(rvs, cdf,...) 现在同时处理单样本和双样本测试。单样本变体使用 scipy.stats.ksone`（或在需要时回退到 `scipy.stats.kstwobign）来计算p值。双样本变体，如果 cdf 是类数组，则使用Hodges描述的算法直接计算概率，仅在溢出情况下回退到 scipy.stats.kstwo。两种情况下的结果都是更准确的p值，特别是在大小较小（或非常不同）的双样本测试中。

scipy.stats.maxwell 性能改进包括 fit() 方法提速 20% 和 pdf() 方法提速 5%。

scipy.stats.shapiro 和 scipy.stats.jarque_bera 现在返回一个命名元组，以与其他 stats 函数保持更大的一致性