Python 科學計算基礎教程 Python科学计算基础教程

<內容簡介>

Python因為其自身的諸多優點而成為科學計算的極佳選擇。本書是將Python 用於科學計算的實用指南，既介紹了相關的基礎知識，又提供了豐富的精彩案例，並為讀者總結了傑出實踐經驗。其主要內容包括：科學計算的基本概念與選擇Python 的理由，科學工作流和科學計算的結構，科學項目相關數據的各個方面，用於科學計算的API 和工具包，如何利用Python 的NumPy 和SciPy包完成數值計算，用Python 做符號計算，數據分析與可視化，並行與大規模計算，等等。

<章節目錄>

第1章科學計算概況與選擇Python的理由1
1.1科學計算的定義2
1.2科學計算的簡單處理流程3
1.3科學與工程領域的案例5
1.4解決複雜問題的策略5
1.5近似、誤差及相關統計概念和術語6
1.5.1誤差分析7
1.5.2敏感度、穩定性和準確性7
1.5.3後向與前向誤差估計8
1.5.4誤差可以忽略不計嗎8
1.6計算機算術運算和浮點數8
1.7 Python編程語言簡介9
1.7.1 Python語言的指導原則9
1.7.2為什麼用Python做科學計算11
1.7.3 Python的缺點13
1.8小結13
第2章科學工作流和科學計算的結構14
2.1科學計算的數學部分14
2.1.1線性方程組14
2.1.2非線性方程組15
2.1.3最優化方法16
2.1.4內插法17
2.1.5外插法17
2.1.6數值積分18
2.1.7數值微分18
2.1.8微分方程19
2.1.9隨機數生成器20
2.2 Python科學計算21
2.2.1 NumPy簡介22
2.2.2 SciPy程序庫22
2.2.3用pandas做數據分析23
2.3 IPython交互式編程簡介23
2.3 .1 IPython並行計算24
2.3.2 IPython Notebook 24
2.4用SymPy進行符號計算26
2.4.1 SymPy的主要特點27
2.4.2為什麼用SymPy 28
2.5畫圖程序庫28
2.6小結30
第3章有效地製造與管理科學數據31
3.1數據的基本概念31
3.2數據存儲軟件與工具箱32
3.2.1文件33
3.2.2數據庫33
3.3常見的數據操作34
3.4科學數據的格式35
3.5現成的標準數據集37
3.6數據生成41
3.7模擬數據的生成（構造） 41
3.7.1用Python的內置函數生成隨機數42
3.7.2基於統計分佈的隨機數生成器的設計和實現45
3.7.3一個用簡單邏輯生成5位隨機數的程序46
3.8大規模數據集的簡要介紹47
3.9小結48
第4章Python科學計算API 49
4.1 Python數值科學計算49
4.1.1 NumPy程序包49
4.1.2 SciPy程序包52
4.1.3簡單的SciPy程序54
4.2 SymPy符號計算57
4.2.1計算機代數係統57
4.2.2通用CAS的特點57
4.2.3 SymPy設計理念簡介58
4.2.4 SymPy模塊60
4.2.5簡單的範例程序61
4.3數據分析和可視化的API和工具63
4.3.1用pandas進行數據分析和操作63
4.3.2用matplotlib進行數據可視化64
4.3.3用IPython實現Python的交互式計算64
4.3.4數據分析和可視化的示例程序65
4.4小結67
第5章數值計算68
5.1 NumPy的基本對象68
5.1.1 N維數組對象68
5.1.2通用函數對象72
5.1.3 NumPy的數學模塊74
5.2 SciPy的介紹75
5.2.1 SciPy的數學函數75
5.2.2高級模塊/程序包76
5.3小結97
第6章用Python做符號計算98
6.1符號、表達式和基本運算98
6.2求解方程99
6.3有理數、指數和對數函數100
6.4多項式100
6.5三角函數和復數101
6.6線性代數101
6.7微積分103
6.8向量105
6.9物理模塊106
6.9.1氫波函數106
6.9.2矩陣和Pauli代數107
6.9.3一維和三維量子諧振子107
6.9.4二次量子化108
6.9.5高能物理108
6.9.6力學109
6.10漂亮的打印功能111
6.11密碼學模塊113
6.12輸入的句法分析113
6.13邏輯模塊114
6.14幾何模塊116
6.15符號積分117
6.16多項式操作119
6.17集合120
6.18運算的簡化和合併121
6.19小結122
第7章數據分析與可視化123
7.1 matplotlib 123
7.1.1 matplotlib的架構124
7.1.2 matplotlib的畫圖方法125
7.2 pandas程序庫128
7.2.1 Series 128
7.2.2 DataFrame 129
7.2.3 Panel 130
7.2 .4 pandas數據結構的常用函數131
7.2.5時間序列與日期函數137
7.2.6處理缺失數據140
7.3 I/O操作141
7.3.1處理CSV文件141
7.3.2即開即用數據集144
7.4 IPython 145
7.4.1 IPython終端與系統命令行工具146
7.4.2 IPython Notebook 149
7.5小結150
第8章並行與大規模科學計算151
8.1用IPython做並行計算152
8.2 IPython並行計算架構152
8.3並行計算示例154
8.3 .1並行裝飾器155
8.3.2 IPython的魔法函數155
8.4 IPython的高級特性157
8.4.1容錯執行157
8.4.2動態負載均衡158
8.4.3在客戶端與引擎之間推拉對象158
8.4.4支持數據庫存儲請求與結果160
8.4.5在IPython裡使用MPI 161
8.4.6管理任務之間的依賴關係162
8.4.7用Amazon EC2的StarCluster啟動IPython 167
8.5 IPython數據安全措施168
8.5.1常用並行編程方法168
8.5.2在Python中演示基於Hadoop的MapReduce 174
8.5.3在Python中運行Spark 176
8.6小結176
第9章真實案例介紹177
9.1用Python開發的科學計算應用177
9.1.1 “每個孩子一臺筆記本”項目用Python開發界面177
9.1.2 ExpEYES——科學之眼180
9.1.3 Python開發的天氣預測應用程序181
9.1.4 Python開發的航空器概念設計工具與API 182
9.1.5 OpenQuake引擎183
9.1. 6德國西馬克公司的能源效率應用程序184
9.1.7高能物理數據分析的自動代碼生成器184
9.1.8 Python的計算化學應用186
9.2 Python開發的盲音觸覺識別系統187
9.2.1 TAPTools空中交通管制工具187
9.2.2光能效率檢測的嵌入式系統188
9.3 Python開發的科學計算程序庫189
9.3.1 Tribon公司的船舶設計API 189
9.3.2分子建模工具箱189
9.3.3標準Python程序包190
9.4小結191
第10章科學計算的最佳實踐192
10.1方案設計階段的最佳實踐192
10.2功能實現階段的最佳實踐194
10.3數據管理與應用部署的最佳實踐196
10.4實現高性能的最佳實踐197
10.5數據隱私與安全的最佳實踐198
10.6測試與維護的最佳實踐198
10.7 Python常用的最佳實踐199
10.8小結200