Python 科學計算及實踐

《Python科學計算及實踐》介紹如何用Python開發科學計算的應用程序，書中除了介紹數值計算外，還介紹了怎樣利用Python解決數值中的實際應用，帶領讀者領略利用Python解決實際問題的簡單、快捷等特性。《Python科學計算及實踐》共11章，具體內容主要有Python數值基礎、模型評估與概率統計、貝葉斯分類器、頻率與快速傅里葉變換、線性回歸、多分類器系統、Scipy科學計算庫、統計分析、數值分析、數據可視化、數據處理等。 《Python科學計算及實踐》可作為利用Python進行科學計算的廣大科研人員、學者、工程技術人員的參考書，也可作為高等院校相關專業的教材。

梁佩瑩，女，南京大學博士。
主持及參加了多項省部級項目與多種書籍的編寫工作。
研究領域：智能測控與交通技術、計算機應用技術、大數據與網絡安全技術、電動汽車技術。

目錄

第1章Python科學基礎
1.1Python初嘗
1.2輔助工具
1.3使用第三方庫
1.4縮進
1.5內置函數
1.6模塊
1.6.1數據結構
1.6.2使用列表
1.6.3元組
1.6.4字典
1.7Python中的函數
1.8循環
1.9基因表達
1.10NumPy的N維數組
1.10.1N維數組代替Python列表
1.10.2向量化
1.10.3廣播
1.11標準化
1.12習題

第2章模型評估與概率統計
2.1經驗誤差與過擬合
2.2評估方法
2.2.1留出法
2.2.2交叉驗證法
2.2.3自助法
2.2.4調參與最終模型
2.3性能度量
2.3.1錯誤率和精度
2.3.2查準率與查全率
2.3.3ROC曲線
2.3.4代價敏感錯誤率與代價曲線
2.4比較檢驗
2.4.1假設檢驗
2.4.2交叉驗證t檢驗
2.4.3McNemar檢驗
2.5偏差和方差
2.6習題

第3章貝葉斯分類器
3.1貝葉斯學派
3.1.1貝葉斯學派論述
3.1.2貝葉斯決策論
3.1.3貝葉斯原理
3.2參數估計
3.2.1似然函數
3.2.2極大似然估計原理
3.2.3極大似然估計(ML估計)
3.2.4極大後驗概率估計(MAP估計)
3.3樸素貝葉斯
3.3.1基本框架
3.3.2樸素貝葉斯分類算法實現二分類
3.3.3貝葉斯算法實現垃圾郵件分類
3.3.4MultinomialNB的實現
3.3.5GaussianNB的實現
3.3.6MergedNB的實現
3.3.7BernoulliNB分類器實現
3.4半樸素貝葉斯
3.4.1ODE算法
3.4.2SPODE算法
3.4.3AODE算法
3.5貝葉斯網
3.6習題

第4章頻域與快速傅里葉變換
4.1頻率直方圖
4.2傅里葉變換
4.2.1一維傅里葉變換
4.2.2二維傅里葉變換
4.2.3Python實現傅里葉變換
4.3快速傅里葉變換
4.4頻域濾波
4.4.1低通濾波器
4.4.2高通濾波器
4.4.3頻率域高通濾波器
4.4.4巴特沃斯濾波器
4.5平滑空域濾波器
4.5.1基本灰度變換函數
4.5.2對數變換
4.5.3冪律(伽馬)變換
4.6線性濾波器
4.6.1均值濾波器
4.6.2非線性濾波器
4.7銳化空間濾波
4.7.1基本概述
4.7.2拉普拉斯算子
4.8習題

第5章線性回歸
5.1概述
5.2普通線性回歸
5.2.1基本概述
5.2.2Python實現
5.3廣義線性模型
5.4邏輯回歸
5.5嶺回歸
5.6Lasso回歸
5.7彈性網絡
5.8線性判別分析
5.8.1線性判別二分類情況
5.8.2線性判別多類情況
5.8.3線性判別分析實現
5.9習題

第6章多分類器系統
6.1多分類器系統原理及誤差
6.2Bagging與AdaBoost算法
6.2.1Bagging算法
6.2.2PAC與Boosting算法
6.2.3AdaBoost算法
6.3隨機森林算法
6.3.1決策樹
6.3.2隨機森林
6.3.3隨機森林模型的註意點
6.3.4隨機森林實現過程
6.4多分類器實戰
6.5習題

第7章Scipy科學計算庫
7.1文件輸入和輸出
7.2線性代數操作
7.3傅里葉變換
7.4積分
7.5插值
7.6擬合
7.6.1最小二乘擬合
7.6.2一元一階線性擬合
7.6.3一元多階線性擬合(多項式擬合)
7.7圖像處理
7.8邊緣檢測
7.9正交距離回歸
7.10數學形態學運算
7.10.1二值形態學
7.10.2灰度形態學
7.10.3開運算和閉運算
7.11捲積運算
7.12中值濾波器
7.13稀疏矩陣的存儲和表示
7.14特殊函數
7.15習題

第8章統計分析
8.1隨機變量
8.1.1獲取幫助
8.1.2通用方法
8.1.3縮放
8.1.4形態(shape)變量
8.1.5凍結分佈
8.1.6廣播
8.1.7離散分佈的特殊之處
8.1.8構造具體的分佈
8.2幾種常用分佈
8.2.1正態分佈
8.2.2均勻分佈
8.2.3泊松分佈
8.2.4二項式分佈
8.2.5卡方分佈
8.3樣本分析
8.3.1描述統計
8.3.2t檢驗和KS檢驗
8.3.3分佈尾部
8.3.4正態分佈的特殊檢驗
8.3.5比較兩個樣本
8.4核密度估計
8.4.1單元估計
8.4.2多元估計
8.5習題

第9章數值分析
9.1主成分分析
9.1.1主成分分析的原理
9.1.2PCA算法
9.1.3PCA降維的兩個準則
9.1.4PAC的實現
9.2奇異值分解
9.2.1奇異值分解的原理
9.2.2求超定方程的解
9.3k近鄰算法
9.3.1k近鄰算法概述
9.3.2可視化與距離計算
9.4聚類算法
9.4.1聚類的有效性指標
9.4.2距離度量
9.4.3k均值聚類
9.4.4高斯混合聚類
9.4.5密度聚類
9.4.6層次聚類
9.5數據標準化
9.5.1數據標準化的兩個原因
9.5.2幾種標準化方法
9.6特徵選擇
9.7習題

第10章數據可視化
10.1Matplotlib生成數據圖
10.1.1安裝Matplotlib包
10.1.2Matplotlib數據圖入門
10.1.3圖例
10.1.4坐標軸
10.1.5多個子圖
10.2其他數據圖
10.2.1餅圖
10.2.2柱狀圖
10.2.3散點圖
10.2.4等高線圖
10.2.53D圖形
10.3Pygal數據圖
10.3.1安裝Pygal包
10.3.2Pygal數據圖入門
10.4Pygal常見數據圖
10.4.1折線圖
10.4.2水平折線圖
10.4.3疊加折線圖
10.4.4餅圖
10.4.5點圖
10.4.6儀表圖
10.4.7雷達圖
10.5習題

第11章數據處理
11.1CSV文件格式
11.2JSON數據
11.2.1JSON的基本知識
11.2.2Python的JSON支持
11.3數據清洗
11.4讀取網絡數據
11.5習題