Python科学计算基础教程/图灵程序设计丛书

Python因为其自身的诸多优点而成为科学计算的 极佳选择。赫曼塔·库玛·梅赫塔编著的《Python科 学计算基础教程》是将Python用于科学计算的实用指 南，既介绍了相关的基础知识，又提供了丰富的精彩 案例，并为读者总结了最佳实践经验。其主要内容包 括：科学计算的基本概念与选择Python的理由，科学 工作流和科学计算的结构，科学项目相关数据的各个 方面，用于科学计算的API和工具包，如何利用 Python的NumPy和SciPy包完成数值计算，用Python 做符号计算，数据分析与可视化，并行与大规模计算 ，等等。 本书适合对科学计算感兴趣的Python程序员阅读 参考。

Hemant Kumar Mehta，博士，专注于分布式计算和科学计算领域，拥有十余年教学、科研和软件开发经验。他是ACM会员、IEEE高级会员，以及IACSIT、IAENG和MIR等实验室的高级会员。 陈小莉，长期从事数据分析工作，喜欢Python。本科与硕士毕业于北京交通大学电信学院。目前在中科院从事科技文献与专利分析工作。 陶俊杰，长期从事数据分析工作，酷爱Python，每天都和Python面对面，乐此不疲。本科毕业于北京交通大学机电学院，硕士毕业于北京交通大学经管学院。曾就职于中国移动设计院，目前在京东任职。

第1章 科学计算概况与选择Python的理由 1.1 科学计算的定义 1.2 科学计算的简单处理流程 1.3 科学与工程领域的案例 1.4 解决复杂问题的策略 1.5 近似、误差及相关统计概念和术语 1.5.1 误差分析 1.5.2 敏感度、稳定性和准确性 1.5.3 后向与前向误差估计 1.5.4 误差可以忽略不计吗 1.6 计算机算术运算和浮点数 1.7 Python 编程语言简介 1.7.1 Python 语言的指导原则 1.7.2 为什么用Python 做科学计算 1.7.3 Python 的缺点 1.8 小结 第2章 科学工作流和科学计算的结构 2.1 科学计算的数学部分 2.1.1 线性方程组 2.1.2 非线性方程组 2.1.3 最优化方法 2.1.4 内插法 2.1.5 外插法 2.1.6 数值积分 2.1.7 数值微分 2.1.8 微分方程 2.1.9 随机数生成器 2.2 Python 科学计算 2.2.1 NumPy 简介 2.2.2 SciPy 程序库 2.2.3 用pandas 做数据分析 2.3 IPython 交互式编程简介 2.3.1 IPython 并行计算 2.3.2 IPython Notebook 2.4 用SymPy 进行符号计算 2.4.1 SymPy 的主要特点 2.4.2 为什么用SymPy 2.5 画图程序库 2.6 小结 第3章 有效地制造与管理科学数据 3.1 数据的基本概念 3.2 数据存储软件与工具箱 3.2.1 文件 3.2.2 数据库 3.3 常见的数据操作 3.4 科学数据的格式 3.5 现成的标准数据集 3.6 数据生成 3.7 模拟数据的生成（构造） 3.7.1 用Python 的内置函数生成随机数 3.7.2 基于统计分布的随机数生成器的设计和实现 3.7.3 一个用简单逻辑生成5位随机数的程序 3.8 大规模数据集的简要介绍 3.9 小结 第4章 Python 科学计算API 4.1 Python 数值科学计算 4.1.1 NumPy 程序包 4.1.2 SciPy 程序包 4.1.3 简单的SciPy 程序 4.2 SymPy符号计算 4.2.1 计算机代数系统 4.2.2 通用CAS的特点 4.2.3 SymPy设计理念简介 4.2.4 SymPy模块 4.2.5 简单的范例程序 4.3 数据分析和可视化的API 和工具 4.3.1 用pandas进行数据分析和操作 4.3.2 用matplotlib进行数据可视化 4.3.3 用IPython实现Python的交互式计算 4.3.4 数据分析和可视化的示例程序 4.4 小结 第5章 数值计算 5.1 NumPy 的基本对象 5.1.1 N 维数组对象 5.1.2 通用函数对象 5.1.3 NumPy 的数学模块 5.2 SciPy 的介绍 5.2.1 SciPy 的数学函数 5.2.2 高级模块/程序包 5.3 小结 第6章 用Python 做符号计算 6.1 符号、表达式和基本运算 6.2 求解方程 6.3 有理数、指数和对数函数 6.4 多项式 6.5 三角函数和复数 6.6 线性代数 6.7 微积分 6.8 向量 6.9 物理模块 6.9.1 氢波函数 6.9.2 矩阵和Pauli代数 6.9.3 一维和三维量子谐振子 6.9.4 二次量子化 6.9.5 高能物理 6.9.6 力学 6.10 漂亮的打印功能 6.11 密码学模块 6.12 输入的句法分析 6.13 逻辑模块 6.14 几何模块 6.15 符号积分 6.16 多项式操作 6.17 集合 6.18 运算的简化和合并 6.19 小结 第7章 数据分析与可视化 7.1 matplotlib 7.1.1 matplotlib的架构 7.1.2 matplotlib的画图方法 7.2 pandas 程序库 7.2.1 Series 7.2.2 DataFrame 7.2.3 Panel 7.2.4 pandas 数据结构的常用函数 7.2.5 时间序列与日期函数 7.2.6 处理缺失数据 7.3 I/O 操作 7.3.1 处理CSV文件 7.3.2 即开即用数据集 7.4 IPython 7.4.1 IPython 终端与系统命令行工具 7.4.2 IPython Notebook 7.5 小结 第8章 并行与大规模科学计算 8.1 用IPython 做并行计算 8.2 IPython 并行计算架构 8.3 并行计算示例 8.3.1 并行装饰器 8.3.2 IPython 的魔法函数 8.4 IPython 的高级特性 8.4.1 容错执行 8.4.2 动态负载均衡 8.4.3 在客户端与引擎之间推拉对象 8.4.4 支持数据库存储请求与结果 8.4.5 在IPython 里使用MPI 8.4.6 管理任务之间的依赖关系 8.4.7 用Amazon EC2 的StarCluster启动IPython 8.5 IPython 数据安全措施 8.5.1 常用并行编程方法 8.5.2 在Python 中演示基于Hadoop的MapReduce 8.5.3 在Python 中运行Spark 8.6 小结 第9章 真实案例介绍 9.1 用Python 开发的科学计算应用 9.1.1 “每个孩子一台笔记本”项目用Python 开发界面 9.1.2 ExpEYES——科学之眼 9.1.3 Python 开发的天气预测应用程序 9.1.4 Python 开发的航空器概念设计工具与API 9.1.5 OpenQuake 引擎 9.1.6 德国西马克公司的能源效率应用程序 9.1.7 高能物理数据分析的自动代码生成器 9.1.8 Python 的计算化学应用 9.2 Python 开发的盲音触觉识别系统 9.2.1 TAPTools 空中交通管制工具 9.2.2 光能效率检测的嵌入式系统 9.3 Python 开发的科学计算程序库 9.3.1 Tribon 公司的船舶设计API 9.3.2 分子建模工具箱 9.3.3 标准Python程序包 9.4 小结 第10章 科学计算的最佳实践 10.1 方案设计阶段的最佳实践 10.2 功能实现阶段的最佳实践 10.3 数据管理与应用部署的最佳实践 10.4 实现高性能的最佳实践 10.5 数据隐私与安全的最佳实践 10.6 测试与维护的最佳实践 10.7 Python 常用的最佳实践 10.8 小结