SciPy ベストプラクティス

科学計算、最適化、信号処理、統計分析に焦点を当てた SciPy 開発の専門家向けガイドラインです。

コードスタイルと構造

• SciPy の正確な例を含む簡潔で技術的な Python コードを書く
• 数値精度と計算効率を優先する
• 数学演算には関数型プログラミングパターンを使用する
• 明示的なループより ベクトル化演算を推奨する
• 科学的文脈を反映した説明的な変数名を使用する
• PEP 8 スタイルガイドラインに従う

scipy.optimize - 最適化

• 汎用最適化には scipy.optimize.minimize() を使用する
• 問題の特性に基づいて適切なメソッドを選択する：
  • 'BFGS' は滑らかで制約なしの問題
  • 'L-BFGS-B' は有界問題
  • 'SLSQP' は制約付き最適化
  • 'Nelder-Mead' は微分不可能な関数
• 収束を速めるため、勾配が利用可能な場合は提供する
• 非線形最小二乗法フィッティングには scipy.optimize.curve_fit() を使用する
• 方程式の根を求めるには scipy.optimize.root() を使用する

scipy.linalg - 線形代数

• numpy.linalg より scipy.linalg を推奨する（追加機能がある）
• 行列の逆行列計算の代わりに scipy.linalg.solve() を使用する
• 構造化行列（帯状、三角形）用の特化したソルバーを活用する
• 複数の右辺に対して scipy.linalg.lu_factor() と lu_solve() を使用する
• 大規模疎行列システムには scipy.sparse.linalg の疎行列ソルバーを使用する

scipy.stats - 統計

• 確率計算には分布オブジェクトを使用する
• 基本統計量には scipy.stats.describe() を活用する
• 仮説検定関数を使用する：ttest_ind()、chi2_contingency()、mannwhitneyu()
• 分布上の .rvs() メソッドで乱数サンプルを生成する
• データからのパラメータ推定には .fit() を使用する

scipy.interpolate - 補間

• 1D 補間には scipy.interpolate.interp1d() を使用する
• 散布データ補間には scipy.interpolate.griddata() を使用する
• 適切な補間メソッドを選択する：'linear'、'cubic'、'nearest'
• 滑らかな補間には スプライン関数を使用する：UnivariateSpline、BSpline
• 正則グリッドデータには RegularGridInterpolator を検討する

scipy.integrate - 積分

• 単一積分には scipy.integrate.quad() を使用する
• 多重積分には scipy.integrate.dblquad()、tplquad() を使用する
• 常微分方程式には scipy.integrate.solve_ivp() を使用する
• 適切な ODE メソッドを選択する：'RK45'、'BDF'、'LSODA'
• 性能を改善するため、stiff システムにはヤコビアンを提供する

scipy.signal - 信号処理

• フィルタ設計には scipy.signal.butter()、cheby1()、ellip() を使用する
• ゼロ位相フィルタリングには scipy.signal.filtfilt() を使用してフィルタを適用する
• パワースペクトル密度推定には scipy.signal.welch() を使用する
• ピーク検出には scipy.signal.find_peaks() を使用する
• 畳み込みには scipy.signal.convolve() と correlate() を活用する

scipy.sparse - 疎行列

• ユースケースに応じて適切な疎形式を使用する：
  • csr_matrix は効率的な行スライシングと行列ベクトル積
  • csc_matrix は効率的な列スライシング
  • coo_matrix は疎行列の構築
  • lil_matrix は段階的構築
• 演算前に最適形式に変換する
• 疎線形システムには scipy.sparse.linalg ソルバーを使用する

パフォーマンス最適化

• 適切なデータ型を使用する（精度には float64、メモリには float32）
• SciPy を通じた BLAS/LAPACK を活用して最適化された線形代数を実現する
• 可能な場合は配列を事前割り当てする
• 利用可能な場合はインプレース演算を使用する

エラーハンドリングと検証

• 最適化ルーチンの収束状態を確認する
• 数値結果が妥当かどうかを検証する
• 悪い条件付け問題を適切に処理する
• 収束判定基準に適切な許容値を使用する

科学コードのテスト

• 既知の解析解に対してテストする
• 数値比較には np.testing.assert_allclose() を使用する
• エッジケースと境界条件をテストする
• 保存則と不変量を検証する

重要な規約

• 特定のサブモジュールをインポートする：from scipy import optimize, stats, linalg
• 変数と関数には snake_case を使用する
• アルゴリズムの選択とパラメータを文書化する
• 出力に収束診断を含める