正版新书]Python科学计算和数据科学应用 使用NumPy、SciPy和mat

1.1Python数值计算环境3

1.2Python4

1.3IPython控制台5

1.3.1输入输出缓存6

1.3.2自动补全和对象自省(Object Introspection)6

1.3.3文档7

1.3.4与系统shell进行交互7

1.3.5IPython扩展8

1.4Jupyter13

1.4.1Jupyter QtConsole13

1.4.2Jupyter Notebook14

1.4.3Jupyter Lab16

1.4.4单元类型16

1.4.5编辑单元17

1.4.6Markdown单元18

1.4.7输出显示19

1.4.8nbconvert22

1.5Spyder集成开发环境24

1.5.1源代码编辑器25

1.5.2Spyder控制台26

1.5.3对象查看器26

1.6本章小结26

1.7扩展阅读27

1.8参考文献27

第2章向量、矩阵和多维数组29

2.1导入模块30

2.2NumPy Array对象30

2.2.1数据类型31

2.2.2内存中数组数据的顺序33

2.3创建数组34

2.3.1从列表和其他类数组对象创建数组35

2.3.2以常量填充的数组35

2.3.3以增量序列填充的数组36

2.3.4以等比数列填充的数组37

2.3.5Meshgrid数组37

2.3.6创建未初始化的数组38

2.3.7使用其他数组的属性创建数组38

2.3.8创建矩阵数组38

2.4索引和切片39

2.4.1一维数组39

2.4.2多维数组41

2.4.3视图42

2.4.4花式索引和布尔索引43

2.5调整形状和大小45

2.6向量化表达式48

2.6.1算术运算49

2.6.2逐个元素进行操作的函数52

2.6.3聚合函数54

2.6.4布尔数组和条件表达式56

2.6.5集合运算59

2.6.6数组运算60

2.7矩阵和向量运算61

2.8本章小结66

2.9扩展阅读66

2.10参考文献66

第3章符号计算67

3.1导入SymPy67

3.2符号68

3.3表达式74

3.4表达式操作76

3.4.1化简76

3.4.2展开77

3.4.3因式分解、合并同类项78

3.4.4分式分解、通分、消除公因子79

3.4.5替换79

3.5数值计算80

3.6微积分81

3.6.1导数81

3.6.2积分83

3.6.3级数展开85

3.6.4极限86

3.6.5和与积87

3.7方程88

3.8线性代数89

3.9本章小结92

3.10扩展阅读93

3.11参考文献93

第4章绘图和可视化95

4.1导入模块96

4.2入门96

4.3Figure对象101

4.4Axes实例102

4.4.1绘图类型103

4.4.2线条属性103

4.4.3图例107

4.4.4文本格式和注释108

4.4.5轴属性110

4.5Axes不错布局119

4.5.1图中图119

4.5.2plt.subplots121

4.5.3plt.subplot2grid123

4.5.4GridSpec123

4.6绘制色图124

4.7绘制3D图形126

4.8本章小结128

4.9扩展阅读128

4.10参考文献129

第5章方程求解131

5.1导入模块131

5.2线性方程组132

5.2.1方形方程组133

5.2.2矩形方程组137

5.3特征值问题141

5.4非线性方程142

5.4.1单变量方程142

5.4.2非线性方程组149

5.5本章小结152

5.6扩展阅读152

5.7参考文献153

第6章优化155

6.1导入模块155

6.2优化问题的分类156

6.3单变量优化158

6.4无约束的多变量优化问题160

6.5非线性最小二乘问题167

6.6受约束的优化问题168

6.7本章小结175

6.8扩展阅读175

6.9参考文献176

第7章插值177

7.1导入模块177

7.2插值概述178

7.3多项式179

7.4多项式插值181

7.5样条插值185

7.6多变量插值188

7.7本章小结193

7.8扩展阅读193

7.9参考文献193

第8章积分195

8.1导入模块196

8.2数值积分方法196

8.3使用SciPy进行数值积分199

8.4多重积分204

8.5符号积分和任意精度积分208

8.6积分变换211

8.7本章小结214

8.8扩展阅读214

8.9参考文献214

第9章常微分方程215

9.1导入模块215

9.2常微分方程216

9.3使用符号方法求解ODE217

9.3.1方向场222

9.3.2使用拉普拉斯变换求解ODE225

9.4数值法求解ODE228

9.5使用SciPy对ODE进行

数值积分231

9.6本章小结242

9.7扩展阅读242

9.8参考文献243

0章稀疏矩阵和图245

10.1导入模块245

10.2SciPy中的稀疏矩阵246

10.2.1创建稀疏矩阵的函数250

10.2.2稀疏线性代数函数252

10.2.3线性方程组252

10.2.4图和网络257

10.3本章小结264

10.4扩展阅读264

10.5参考文献264

1章偏微分方程265

11.1导入模块266

11.2偏微分方程266

11.3有限差分法267

11.4有限元法272

11.5使用FEniCS求解PDE275

11.6本章小结293

11.7扩展阅读294

11.8参考文献294

2章数据处理和分析295

12.1导入模块296

12.2Pandas介绍296

12.2.1Series对象296

12.2.2DataFrame对象299

12.2.3时间序列307

12.3Seaborn图形库317

12.4本章小结321

12.5扩展阅读322

12.6参考文献322

3章统计323

13.1导入模块323

13.2概率统计回顾324

13.3随机数325

13.4随机变量及其分布328

13.5假设检验335

13.6非参数法339

13.7本章小结341

13.8扩展阅读341

13.9参考文献341

4章统计建模343

14.1导入模块344

14.2统计建模简介344

14.3使用Patsy定义统计模型345

14.4线性回归352

14.5离散回归360

14.5.1对数几率回归361

14.5.2泊松回归模型365

14.6时间序列368

14.7本章小结372

14.8扩展阅读372

14.9参考文献372

5章机器学习373

15.1导入模块374

15.2机器学习回顾374

15.3回归375

15.4分类384

15.5聚类388

15.6本章小结391

15.7扩展阅读392

15.8参考文献392

6章贝叶斯统计393

16.1导入模块394

16.2贝叶斯统计简介394

16.3定义模型396

16.3.1后验分布采样400

16.3.2线性回归403

16.4本章小结413

16.5扩展阅读413

16.6参考文献413

7章信号处理415

17.1导入模块415

17.2频谱分析416

17.2.1傅里叶变换416

17.2.2加窗421

17.2.3频谱图424

17.3信号滤波器427

17.3.1卷积滤波器428

17.3.2FIR和IIR滤波器429

17.4本章小结434

17.5扩展阅读434

17.6参考文献434

8章数据的输入输出435

18.1导入模块436

18.2CSV格式436

18.3HDF5440

18.3.1h5py库441

18.3.2PyTables库451

18.3.3PandasHDFStore455

18.4JSON456

18.5序列化460

18.6本章小结462

18.7扩展阅读462

18.8参考文献463

9章 代码优化465

19.1导入模块467

19.2Numba467

19.3Cython473

19.4本章小结482

19.5扩展阅读483

19.6参考文献483

附录安装485

"作者简介 Robert Johansson是一位经验丰富的Python程序员和计算科学家，他拥有瑞典查尔斯理工大学理论物理学博士学位。他在学术界和工业界从事科学计算工作超过10年，既参与过开源项目的开发，也做过专有性研究项目的开发。在开源领域，他为QuTip项目做出了很多贡献，QuTip项目是一个很流行的用于模拟量子系统动力学的Python框架，他还为科学计算领域的其他几个Python库做出过贡献。Robert对科学计算和软件开发充满热情，并热衷于传授和交流这方面的很好实践，以便能在这些领域取得优选的成果：新颖的、可重现的、可扩展的计算结果。Robert在理论物理和计算物理领域有5年的研究背景，目前他是IT行业的数据科学家。 译者简介 黄强，本科和硕士分别毕业于中山大学和中国科学院研究生院，目前在一家国有银行从事信息科技方面的工作。对信息技术的前沿发展及应用有着浓厚的兴趣，包括云计算、人工智能、金融科技等，翻译过多本技术专著。 "

"图书特色
◆ 使用NumPy处理数组和矩阵
◆ 使用matplotlib绘图和可视化数据
◆ 使用Pandas和SciPy进行数据分析
◆ 使用statsmodels和scikit-learn进行统计
建模和机器学习
◆ 使用Numba和Cython优化Python代码"