"圖書特色◆ 使用NumPy處理數組和矩陣◆ 使用matplotlib繪圖和可視化數據◆ 使用Pandas和SciPy進行數據分析◆ 使用statsmodels和scikit-learn進行統計建模和機器學習◆ 使用Numba和Cython優化Python代碼"

●1.1Python數值計算環境3
1.2Python4
1.3IPython控制臺5
1.3.1輸入輸出緩存6
1.3.2自動補全和對像自省(Object Introspection)6
1.3.3文檔7
1.3.4與繫統shell進行交互7
1.3.5IPython擴展8
1.4Jupyter13
1.4.1Jupyter QtConsole13
1.4.2Jupyter Notebook14
1.4.3Jupyter Lab16
1.4類型16
1.4.517
1.4.6Markdo18
1.4.7輸出顯示19
1.4.8nbconvert22
1.5Spyder集成開發環境24
1.5.1源代碼編輯器25
1.5.2Spyder控制臺26
1.5.3對像查看器26
1.6本章小結26
1.7擴展閱讀27
1.8參考文獻27
第2章向量、矩陣和多維數組29
2.1導入模塊30
2.2NumPy Array對像30
2.2.1數據類型31
2.2.2內存中數組數據的順序33
2.3創建數組34
2.3.1從列表和其他類數組對像創建數組35
2.3.2以常量填充的數組35
2.3.3以增量序列填充的數組36
2.3.4以等比數列填充的數組37
2.3.5Meshgrid數組37
2.3.6創建未初始化的數組38
2.3.7使用其他數組的屬性創建數組38
2.3.8創建矩陣數組38
2.4索引和切片39
2.4.1一維數組39
2.4.2多維數組41
2.4.3視圖42
2.4.4花式索引和布爾索引43
2.5調整形狀和大小45
2.6向量化表達式48
2.6.1算術運算49
2.6.素進行操作的函數52
2.6.3聚合函數54
2.6.4布爾數組和條件表達式56
2.6.5集合運算59
2.6.6數組運算60
2.7矩陣和向量運算61
2.8本章小結66
2.9擴展閱讀66
2.10參考文獻66
第3章符號計算67
3.1導入SymPy67
3.2符號68
3.3表達式74
3.4表達式操作76
3.4.1化簡76
3.4.2展開77
3.4.3因式分解、合並同類項78
3.4.4分式分解、通分、消除公因子79
3.4.5替換79
3.5數值計算80
3.6微積分81
3.6.1導數81
3.6.2積分83
3.6.3級數展開85
3.6.4極限86
3.6.5和與積87
3.7方程88
3.8線性代數89
3.9本章小結92
3.10擴展閱讀93
3.11參考文獻93
第4章繪圖和可視化95
4.1導入模塊96
4.2入門96
4.3Figure對像101
4.4Axes實例102
4.4.1繪圖類型103
4.4.2線條屬性103
4.4.3圖例107
4.4.4文本格式和注釋108
4.4.5軸屬性110
4.5Axes高級布局119
4.5.1圖中圖119
4.5.2plt.subplots121
4.5.3plt.subplot2grid123
4.5.4GridSpec123
4.6繪制色圖124
4.7繪制3D圖形126
4.8本章小結128
4.9擴展閱讀128
4.10參考文獻129
第5章方程求解131
5.1導入模塊131
5.2線性方程組132
5.2.1方形方程組133
5.2.2矩形方程組137
5.3特征值問題141
5.4非線性方程142
5.4.1單變量方程142
5.4.2非線性方程組149
5.5本章小結152
5.6擴展閱讀152
5.7參考文獻153
第6章優化155
6.1導入模塊155
6.2優化問題的分類156
6.3單變量優化158
6.4無約束的多變量優化問題160
6.5非線性最小二乘問題167
6.6受約束的優化問題168
6.7本章小結175
6.8擴展閱讀175
6.9參考文獻176
第7章插值177
7.1導入模塊177
7.2插值概述178
7.3多項式179
7.4多項式插值181
7.5樣條插值185
7.6多變量插值188
7.7本章小結193
7.8擴展閱讀193
7.9參考文獻193
第8章積分195
8.1導入模塊196
8.2數值積分方法196
8.3使用SciPy進行數值積分199
8.4多重積分204
8.5符號積分和任意精度積分208
8.6積分變換211
8.7本章小結214
8.8擴展閱讀214
8.9參考文獻214
第9章常微分方程215
9.1導入模塊215
9.2常微分方程216
9.3使用符號方法求解ODE217
9.3.1方向場222
9.3.2使用拉普拉斯變換求解ODE225
9.4數值法求解ODE228
9.5使用SciPy對ODE進行
數值積分231
9.6本章小結242
9.7擴展閱讀242
9.8參考文獻243
第10章稀疏矩陣和圖245
10.1導入模塊245
10.2SciPy中的稀疏矩陣246
10.2.1創建稀疏矩陣的函數250
10.2.2稀疏線性代數函數252
10.2.3線性方程組252
10.2.4圖和網絡257
10.3本章小結264
10.4擴展閱讀264
10.5參考文獻264
第11章偏微分方程265
11.1導入模塊266
11.2偏微分方程266
11.3有限差分法267
11.法272
11.5使用FEniCS求解PDE275
11.6本章小結293
11.7擴展閱讀294
11.8參考文獻294
第12章數據處理和分析295
12.1導入模塊296
12.2Pandas介紹296
12.2.1Series對像296
12.2.2DataFrame對像299
12.2.3時間序列307
12.3Seaborn圖形庫317
12.4本章小結321
12.5擴展閱讀322
12.6參考文獻322
第13章統計323
13.1導入模塊323
13.2概率統計回顧324
13.3隨機數325
13.4隨機變量及其分布328
13.5假設檢驗335
13.6非參數法339
13.7本章小結341
13.8擴展閱讀341
13.9參考文獻341
第14章統計建模343
14.1導入模塊344
14.2統計建模簡介344
14.3使用Patsy定義統計模型345
14.4線性回歸352
14.5離散回歸360
14.5.1對數幾率回歸361
14.5.2泊松回歸模型365
14.6時間序列368
14.7本章小結372
14.8擴展閱讀372
14.9參考文獻372
第15章機器學習373
15.1導入模塊374
15.2機器學習回顧374
15.3回歸375
15.4分類384
15.5聚類388
15.6本章小結391
15.7擴展閱讀392
15.8參考文獻392
第16章貝葉斯統計393
16.1導入模塊394
16.2貝葉斯統計簡介394
16.3定義模型396
16.3.1後驗分布采樣400
16.3.2線性回歸403
16.4本章小結413
16.5擴展閱讀413
16.6參考文獻413
第17章信號處理415
17.1導入模塊415
17.2頻譜分析416
17.2.1傅裡葉變換416
17.2.2加窗421
17.2.3頻譜圖424
17.3信號濾波器427
17.3.1卷積濾波器428
17.3.2FIR和IIR濾波器429
17.4本章小結434
17.5擴展閱讀434
17.6參考文獻434
第18章數據的輸入輸出435
18.1導入模塊436
18.2CSV格式436
18.3HDF5440
18.3.1h5py庫441
18.3.2PyTables庫451
18.3.3PandasHDFStore455
18.4JSON456
18.5序列化460
18.6本章小結462
18.7擴展閱讀462
18.8參考文獻463
第19章 代碼優化465
19.1導入模塊467
19.2Numba467
19.3Cython473
19.4本章小結482
19.5擴展閱讀483
19.6參考文獻483
附錄安裝485

《Python科學計算和數據科學應用(第2版)使用NumPy、SciPy和matplotlib》全面介紹Python在數值計算和數學領域的模塊、標準庫以及多個開源Python庫，如NumPy、SciPy、FiPy、matplotlib等。在上一版的基礎上，本書做了全面修訂，更新了每個包的更新細節以及Jupyter項目的變化，演示了數值計算和數學建模在大數據、雲計算、金融工程、商業管理等領域的應用。本書提供了Python在數據科學和統計分析中很多新的應用示例，對上一版中的示例進行了擴展，每個示例都充分展示了Python的簡潔語法及其數據分析方法在快速開發和探索性計算方面的強大功能。通過閱讀本書，讀者將熟悉很多計算技術，包括基於數組的計算和符號計算、數據可視化和數值文件讀寫、方程求解、優化、插值和積分以及特定領域的計算問題，如微分方程求解、數據分析、統計建模和機器學習等。

(美)羅伯特·約翰遜 著 黃強 譯