📕NumPy, SciPy, matplotlib三大神器助你数据驱动决策📕
🌟在数据科学和数值计算领域，Python已经成为了当之无愧的佼佼者。今天，我们要为大家带来的是一本全面介绍Python在数值计算和数学领域的经典之作——《Python科学计算和数据科学应用（第2版）使用NumPy、SciPy和matplotlib》。在这本书中，作者罗伯特·约翰逊（Robert Johansson）将带领我们领略Python及其强大库的魅力，让我们一起走进这个数据科学的新时代！
☑️一、书籍概述
这本书是由罗伯特·约翰逊所著，清华大学出版社于2020年6月出版的精品之作。作为数据科学和数值计算领域的权威之作，它不仅涵盖了Python的基础知识，还深入介绍了多个开源Python库，如NumPy、SciPy、FiPy以及matplotlib等。通过这些库的使用，我们可以轻松解决科学计算和数据科学领域的各种问题。
☑️二、书籍特点
✅ 内容全面：这本书从Python基础开始，逐一介绍NumPy、SciPy、matplotlib等库的使用方法，内容涵盖广泛，适合初学者和进阶读者。
✅ 实用性强：书中不仅有理论知识的讲解，还提供了大量实例代码，帮助读者更好地理解和应用所学知识。
✅ 语言生动：作者在书中使用了通俗易懂的语言，使得读者能够轻松理解并掌握Python在科学计算和数据科学领域的应用。
☑️三、核心内容
✅ Python基础：本书首先介绍了Python的基础语法、数据类型、控制结构等，为后续的库介绍打下基础。
✅ NumPy介绍：NumPy是Python科学计算的核心库之一，它提供了多维数组对象和丰富的数组操作函数。书中详细介绍了NumPy的基础用法，包括数组的创建、索引、切片等操作。
✅ SciPy介绍：SciPy是一个开源的Python库，主要用于科学和工程计算。书中讲解了SciPy中的线性代数、积分、优化、插值等功能，同时还介绍了如何使用SciPy进行科学数据处理和分析。
✅ matplotlib介绍：matplotlib是Python的数据可视化库，可以生成各种类型的图表，如折线图、散点图、柱状图等。书中详细介绍了如何使用matplotlib绘制各种图表，以及如何定制图表的样式和属性。
✅ 实例分析：书中还提供了多个实例分析，包括使用NumPy、SciPy和matplotlib解决实际问题的方法和技巧。这些实例涉及科学计算、数据处理、机器学习等多个领域，具有很高的实用价值。
☑️四、总结评价
🌟《Python科学计算和数据科学应用（第2版）使用NumPy、SciPy和matplotlib》是一本内容全面、实用性强、语言生动的精品之作。通过阅读本书，读者可以深入了解Python在科学计算和数据科学领域的应用，掌握使用NumPy、SciPy和matplotlib解决实际问题的能力。
🌟本书适合初学者和进阶读者阅读，对于从事数据科学、科学计算等领域的专业人士来说，更是一本不可多得的参考书籍。强烈推荐！
👆请点击上面《Python科学计算和数据科学应用(第2版)使用NumPy、SciPy和matplotlib》了解更多详情！☝️
书籍信息
书名：Python科学计算和数据科学应用(第2版)使用NumPy、SciPy和matplotlib
作者：美/罗伯特·约翰逊(RobertJohansson)
评分：
出版日期：2020-06-01
出版社：清华大学出版社
ISBN：9787302552802
页数：512
定价：198
内容简介
《Python科学计算和数据科学应用(第2版) 使用NumPy、SciPy和matplotlib》全面介绍Python在数值计算和数学领域的模块、标准库以及多个开源Python库，如NumPy、SciPy、FiPy、matplotlib等。在上一版的基础上，本书做了全面修订，更新了每个包的更新细节以及Jupyter项目的变化，演示了数值计算和数学建模在大数据、云计算、金融工程、商业管理等领域的应用。
本书提供了Python在数据科学和统计分析中很多新的应用示例，对上一版中的示例进行了扩展，每个示例都充分展示了Python的简洁语法及其数据分析方法在快速开发和探索性计算方面的强大功能。
通过阅读本书，读者将熟悉很多计算技术，包括基于数组的计算和符号计算、数据可视化和数值文件读写、方程求解、优化、插值和积分以及特定领域的计算问题，如微分方程求解、数据分析、统计建模和机器学习等。
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
书籍目录
目 录
第1章 科学计算介绍 1
1.1 Python数值计算环境 3
1.2 Python 4
1.3 IPython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
1.3.5 IPython扩展 8
1.4 Jupyter 13
1.4.1 Jupyter QtConsole 13
1.4.2 Jupyter Notebook 14
1.4.3 Jupyter Lab 16
1.4.4 单元类型 16
1.4.5 编辑单元 17
1.4.6 Markdown单元 18
1.4.7 输出显示 19
1.4.8 nbconvert 22
1.5 Spyder集成开发环境 24
1.5.1 源代码编辑器 25
1.5.2 Spyder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
2.2 NumPy 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
2.3.5 Meshgrid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SymPy 67
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
4.3 Figure对象 101
4.4 Axes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
4.5 Axes高级布局 119
4.5.1 图中图 119
4.5.2 plt.subplots 121
4.5.3 plt.subplot2grid 123
4.5.4 GridSpec 123
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ODE 217
9.3.1 方向场 222
9.3.2 使用拉普拉斯变换求解ODE 225
9.4 数值法求解ODE 228
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
第10章 稀疏矩阵和图 245
10.1 导入模块 245
10.2 SciPy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
第11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PDE 275
11.6 本章小结 293
11.7 扩展阅读 294
11.8 参考文献 294
第12章 数据处理和分析 295
12.1 导入模块 296
12.2 Pandas介绍 296
12.2.1 Series对象 296
12.2.2 DataFrame对象 299
12.2.3 时间序列 307
12.3 Seaborn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
第13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
第14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
第15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
第16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
第17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
17.3.2 FIR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
第18章 数据的输入输出 435
18.1 导入模块 436
18.2 CSV格式 436
18.3 HDF5 440
18.3.1 h5py库 441
18.3.2 PyTables库 451
18.3.3 Pandas HDFStore 455
18.4 JSON 456
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
第19章 代码优化 465
19.1 导入模块 467
19.2 Numba 467
19.3 Cython 473
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
