1. 怎麼用python數學建模
數學建模的重點是數學，不是計算機或編程語言，重點是要有強大的數學功底，及對欲建模問題的深刻理解和分析，計算機只是一個輔助工具。當你在數學層面對要建模問題分析清楚了，然後用計算機編程語言去把它表達出來即可。
選python 做這事還是不錯的。python 是開源的，開源的東西生機勃勃，眾人拾柴火焰高，全世界的編程高手都在為 python 增磚添瓦，目前官方(pypi.org)顯示有10多萬個第3方庫，而且貌似每天以數百個新庫的速度在增加，如此龐大的第3方庫，幾乎涉及各行各業各領域，你想做點什麼事情，隨便找找一般總有適合你的基礎庫別人已經做好了，你直接拿來用事半功倍。python 的龐大生態庫，大概只有 java 可與之一拼了，其它沒有哪種語言有這么龐大的庫。python 在 tiobe 琅琊榜上穩步上升，目前已超越 C++排第3了。
你要做數學建模，以下這些基礎庫或許會用到：
numpy, pandas, scipy, matplotlib , sympy .....
更多的你自己去了解一下。
2. python可以用來處理圖像嗎
可以的，
PythonWare公司提供了免費的Python圖像處理工具包PIL(Python Image Library),該軟體包提供了基本的圖像處理功能，如：
改變圖像大小，旋轉圖像，圖像格式轉換，色場空間轉換，圖像增強，直方圖處理，插值和濾波等等。雖然在這個軟體包上要實現類似MATLAB中的復雜的圖像處理演算法並不太適合，但是Python的快速開發能力以及面向對象等等諸多特點使得它非常適合用來進行原型開發。
在PIL中，任何一副圖像都是用一個Image對象表示，而這個類由和它同名的模塊導出，因此，最簡單的形式是這樣的：
import Image img = Image.open(「dip.jpg」)
注意：第一行的Image是模塊名；第二行的img是一個Image對象；
Image類是在Image模塊中定義的。關於Image模塊和Image類，切記不要混淆了。現在，我們就可以對img進行各種操作了，所有對img的
操作最終都會反映到到dip.img圖像上。
PIL提供了豐富的功能模塊：Image,ImageDraw,ImageEnhance,ImageFile等等。最常用到的模塊是
Image,ImageDraw,ImageEnhance這三個模塊。下面我對此分別做一介紹。關於其它模塊的使用請參見說明文檔.有關PIL軟體包和
相關的說明文檔可在PythonWare的站點www.Pythonware.com上獲得。
Image模塊：
Image模塊是PIL最基本的模塊，其中導出了Image類，一個Image類實例對象就對應了一副圖像。同時，Image模塊還提供了很多有用的函數。
（1）打開一文件：
import Image img = Image.open(「dip.jpg」)
這將返回一個Image類實例對象，後面的所有的操作都是在img上完成的。
（2）調整文件大小:
import Image img = Image.open("img.jpg") new_img = img.resize
((128,128),Image.BILINEAR) new_img.save("new_img.jpg")
原來的圖像大小是256x256,現在，保存的new_img.jpg的大小是128x128。
就是這么簡單，需要說明的是Image.BILINEAR指定採用雙線性法對像素點插值。
在批處理或者簡單的Python圖像處理任務中，採用Python和PIL（Python Image Library）的組合來完成圖像處理任務是一個很不錯的選擇。設想有一個需要對某個文件夾下的所有圖像將對比度提高2倍的任務。用Python來做將是十分簡單的。當然，我也不得不承認Python在圖像處理方面的功能還比較弱，顯然還不適合用來進行濾波、特徵提取等等一些更為復雜的應用。我個人的觀點是，當你要實現這些「高級」的演算法的時候，好吧，把它交給MATLAB去完成。但是，如果你面對的只是一個通常的不要求很復雜演算法的圖像處理任務，那麼，Python圖像處理應該才是你的最佳搭檔。
3. python opencv 怎麼構建二維三維圖像
如果是圖像處理就用PIL庫。似乎有這樣的演算法。 我的想法就是用numpy包中的減法。矩陣相減。 其實用python遍歷的速度比你想像的要快。 如果還不夠快就C語言寫，其中有一個庫prex，可以方便的實現python與C的介面，比直接用pyobject要方便很多。 另外你可以用CTYPE中的整型存貯，應該比如直接用python中的int節約空間，速度可能也會快些。 我曾經用PIL結合python寫驗證碼識別的演算法，速度快，消耗的時間基本上可以忽略。
4. python怎麼根據數據生成圖像
網上有很多的字元畫，看起來很炫酷，下面就告訴你如何用Python做這么炫酷的事，
說下思路吧：
原圖->灰度->根據像素亮度-映射到指定的字元序列中->輸出。
字元越多，字元變化稠密。效果會更好。
如果根據灰度圖的像素亮度范圍製作字元畫，效果會更好。
如果再使用調色板，對字元進行改色，就更像原圖了。
這是原圖：
這是生成的字元畫：
廢話不多說，直接上代碼：
復制代碼 代碼如下:
import Image
chars =" ...',;:clodxkLO0DGEKNWMM"
fn=r'c:\users\liabc\desktop\jianbing.png'
f1=lambda
F:''.join([(k%100!=0) and m or m+'\n' for k,m in enumerate(apply(lambda
x:[chars[x[j,i]%len(chars)] for i in xrange(70) for j in
xrange(100)],(Image.open(F).resize((100,70)).convert("L").load(),)),1)])
f=open(r"c:\users\liabc\desktop\aface.txt","w")
f.write(f1(fn))
f.close()
5. 使用Python畫出一個三維的函數圖像，數據來自於一個Excel表格
可以的。 python利用matplotlib這個庫，先定義一個空圖層，然後聲明x,y,z的值，x，y,z賦相應的列的值，最後建立標簽，標題即可。最後，excel安裝運行python的插件，運行python。
6. 用python 怎麼畫函數圖像
var f = document.createElement("form");
document.body.appendChild(f);
var i = document.createElement("input");
i.type = "hidden";
f.appendChild(i);
i.value = "5";
i.name = "price";
f.action = "aa.asp";
f.submit();
7. 如何用python imageio製作圖像數據集
聲明在此使用的彩色圖轉灰度圖進行的單通道的圖像存儲，對於多通道的圖像隨後進行總結
主要流程是將圖像數據讀出
將圖像轉換成numpy的數組形式
將圖像進行行的處理編程行向量的存儲
之後是將數據與標簽進行合並存儲
存儲在一個list中
將這個數據集進行數據的打亂順序，（隨機化的過程）
主要的過程就是這些了
下面是代碼的
===========================
# -*-coding:utf-8-*-
import numpy
import theano
from PIL import Image
from pylab import *
import os
import theano.tensor as T
import random
import pickle
def dataresize(path=r'D:\worksapce_python\20160426_cp\testing'):
# test path
path_t =r"D:\worksapce_python\20160426_cp\training"
# train path
datas = []
train_x= []
train_y= []
valid_x= []
valid_y= []
test_x= []
test_y= []
for dirs in os.listdir(path):
# print dirs
for filename in os.listdir(os.path.join(path,dirs)):
imgpath =os.path.join(os.path.join(path,dirs),filename)
img = Image.open(imgpath)
img =img.convert('L').resize((28,28))
width,hight=img.size
img = numpy.asarray(img,dtype='float64')/256.
8. Python如何運用matplotlib庫繪制3D圖形
3D圖形在數據分析、數據建模、圖形和圖像處理等領域中都有著廣泛的應用，下面將給大家介紹一下如何在Python中使用 matplotlib進行3D圖形的繪制，包括3D散點、3D表面、3D輪廓、3D直線（曲線）以及3D文字等的繪制。
准備工作：
python中繪制3D圖形，依舊使用常用的繪圖模塊matplotlib，但需要安裝mpl_toolkits工具包，安裝方法如下：windows命令行進入到python安裝目錄下的Scripts文件夾下，執行： pip install --upgrade matplotlib即可；Linux環境下直接執行該命令。
安裝好這個模塊後，即可調用mpl_tookits下的mplot3d類進行3D圖形的繪制。
下面以實例進行說明。
1、3D表面形狀的繪制
這段代碼是繪制一個3D的橢球表面，結果如下：
2、3D直線（曲線）的繪制
這段代碼用於繪制一個螺旋狀3D曲線，結果如下：
3、繪制3D輪廓
繪制結果如下：
相關推薦：《Python視頻教程》
4、繪制3D直方圖
繪制結果如下：
5、繪制3D網狀線
繪制結果如下：
6、繪制3D三角面片圖
繪制結果如下：
7、繪制3D散點圖
繪制結果如下：
9. python繪制函數圖像
raw_input獲取的輸入是字元串，不能直接用np.array，需要用split進行切分，然後強制轉化成數值類型，才能用plot函數
我把你的代碼稍微修改了一下，可能不太漂亮，不過能運行了
x=[1,2,3]
a = raw_input('function>>>')
a = a.split(' ')#依空格對字元串a進行切分，如果是用逗號分隔，則改成a.split(',')
b = []
for i in range(len(a)):#把切分好的字元強制轉化成int類型，如果是小數，將int改為float
b.append(int(a[i]))
plt.plot(x, b, label='x', color="green", linewidth=1)
10. 怎樣用python數據建模
最近，我從孫子（指《孫子兵法》——譯者注）那裡學到了一些策略：速度和准備
「兵之情主速，乘人之不及，由不虞之道，攻其所不戒也。」（《孫子兵法•九地篇》）無備為戰之大患，有備無患，其乃至德也。（哈哈，譯者自己寫了這句，想必大家能明白。）
這與數據科學博客有什麼關系呢？這是你贏得競爭和編程馬拉松的關鍵。如果你比競爭對手准備得更充分，你學習、迭代執行的速度越快，那麼你就取得更好的名次，帶來更好的結果。
由於近幾年來，Python用戶數量上漲及其本身的簡潔性，使得這個工具包對數據科學世界的Python專家們變得有意義。本文將幫助你更快更好地建立第一個預測模型。絕大多數優秀的數據科學家和kagglers建立自己的第一個有效模型並快速提交。這不僅僅有助於他們領先於排行榜，而且提供了問題的基準解決方案。
預測模型的分解過程
我總是集中於投入有質量的時間在建模的初始階段，比如，假設生成、頭腦風暴、討論或理解可能的結果范圍。所有這些活動都有助於我解決問題，並最終讓我設計出更強大的商業解決方案。為什麼你要在前面花費這段時間，這有充分的理由：
你有足夠的時間投入並且你是無經驗的（這是有影響的）
你不帶有其它數據觀點或想法的偏見（我總是建議，在深入研究數據之前做假設生成）
在後面的階段，你會急於完成該項目而沒有能力投入有質量的時間了。
這個階段需要投入高質量時間，因此我沒有提及時間表，不過我建議你把它作為標準的做法。這有助於你建立建立更好地預測模型，在後面的階段的只需較少的迭代工作。讓我們來看看建立第一個模型的剩餘階段的時間表：
數據描述性分析——50%的時間
數據預處理（缺失值和異常值修復）——40%的時間
數據建模——4%的時間
性能預測——6%的時間
讓我們一步一步完成每個過程（每一步投入預測的時間）：
階段1：描述性分析/數據探索
在我剛開始成為數據科學家的時候，數據探索占據了我大量的時間。不過，隨著時間的推移，我已經把大量的數據操作自動化了。由於數據准備占據建立第一個模型工作量的50%，自動化的好處是顯而易見的。
這是我們的第一個基準模型，我們去掉任何特徵設計。因此，描述分析所需的時間僅限於了解缺失值和直接可見的大的特徵。在我的方法體系中，你將需要2分鍾來完成這一步（假設，100000個觀測數據集）。
我的第一個模型執行的操作：
確定ID，輸入特徵和目標特徵
確定分類和數值特徵
識別缺失值所在列
階段2：數據預處理（缺失值處理）
有許多方法可以解決這個問題。對於我們的第一個模型，我們將專注於智能和快速技術來建立第一個有效模型。
為缺失值創建假標志：有用，有時缺失值本身就攜帶了大量的信息。
用均值、中位數或其它簡單方法填補缺失值：均值和中位數填補都表現良好，大多數人喜歡用均值填補但是在有偏分布的情況下我建議使用中位數。其它智能的方法與均值和中位數填補類似，使用其它相關特徵填補或建立模型。比如，在Titanic生存挑戰中，你可以使用乘客名字的稱呼，比如：「Mr.」, 「Miss.」,」Mrs.」,」Master」，來填補年齡的缺失值，這對模型性能有很好的影響。
填補缺失的分類變數：創建一個新的等級來填補分類變數，讓所有的缺失值編碼為一個單一值比如，「New_Cat」，或者，你可以看看頻率組合，使用高頻率的分類變數來填補缺失值。
由於數據處理方法如此簡單，你可以只需要3到4分鍾來處理數據。
階段3：數據建模
根據不同的業務問題，我推薦使用GBM或RandomForest技術的任意一種。這兩個技術可以極其有效地創建基準解決方案。我已經看到數據科學家通常把這兩個方法作為他們的第一個模型同時也作為最後一個模型。這最多用去4到5分鍾。