PYTHON科学计算基础教程2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

PYTHON科学计算基础教程PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 科学计算概况与选择Python的理由1

1.1 科学计算的定义2

1.2 科学计算的简单处理流程3

1.3 科学与工程领域的案例5

1.4 解决复杂问题的策略5

1.5 近似、误差及相关统计概念和术语6

1.5.1 误差分析7

1.5.2 敏感度、稳定性和准确性7

1.5.3 后向与前向误差估计8

1.5.4 误差可以忽略不计吗8

1.6 计算机算术运算和浮点数8

1.7 Python编程语言简介9

1.7.1 Python语言的指导原则9

1.7.2 为什么用Python做科学计算11

1.7.3 Python的缺点13

1.8 小结13

第2章 科学工作流和科学计算的结构14

2.1 科学计算的数学部分14

2.1.1 线性方程组14

2.1.2 非线性方程组15

2.1.3 最优化方法16

2.1.4 内插法17

2.1.5 外插法17

2.1.6 数值积分18

2.1.7 数值微分18

2.1.8 微分方程19

2.1.9 随机数生成器20

2.2 Python科学计算21

2.2.1 NumPy简介22

2.2.2 SciPy程序库22

2.2.3 用pandas做数据分析23

2.3 IPython交互式编程简介23

2.3.1 IPython并行计算24

2.3.2 IPython Notebook24

2.4 用SymPy进行符号计算26

2.4.1 SymPy的主要特点27

2.4.2 为什么用SymPy28

2.5 画图程序库28

2.6 小结30

第3章 有效地制造与管理科学数据31

3.1 数据的基本概念31

3.2 数据存储软件与工具箱32

3.2.1 文件33

3.2.2 数据库33

3.3 常见的数据操作34

3.4 科学数据的格式35

3.5 现成的标准数据集37

3.6 数据生成41

3.7 模拟数据的生成（构造）41

3.7.1 用Python的内置函数生成随机数42

3.7.2 基于统计分布的随机数生成器的设计和实现45

3.7.3 一个用简单逻辑生成5位随机数的程序46

3.8 大规模数据集的简要介绍47

3.9 小结48

第4章 Python科学计算API49

4.1 Python数值科学计算49

4.1.1 NumPy程序包49

4.1.2 SciPy程序包52

4.1.3 简单的SciPy程序54

4.2 SymPy符号计算57

4.2.1 计算机代数系统57

4.2.2 通用CAS的特点57

4.2.3 SymPy设计理念简介58

4.2.4 SymPy模块60

4.2.5 简单的范例程序61

4.3 数据分析和可视化的API和工具63

4.3.1 用pandas进行数据分析和操作63

4.3.2 用matplotlib进行数据可视化64

4.3.3 用IPython实现Python的交互式计算64

4.3.4 数据分析和可视化的示例程序65

4.4 小结67

第5章 数值计算68

5.1 NumPy的基本对象68

5.1.1 N维数组对象68

5.1.2 通用函数对象72

5.1.3 NumPy的数学模块74

5.2 SciPy的介绍75

5.2.1 SciPy的数学函数75

5.2.2 高级模块／程序包76

5.3 小结97

第6章 用Python做符号计算98

6.1 符号、表达式和基本运算98

6.2 求解方程99

6.3 有理数、指数和对数函数100

6.4 多项式100

6.5 三角函数和复数101

6.6 线性代数101

6.7 微积分103

6.8 向量105

6.9 物理模块106

6.9.1 氢波函数106

6.9.2 矩阵和Pauli代数107

6.9.3 一维和三维量子谐振子107

6.9.4 二次量子化108

6.9.5 高能物理108

6.9.6 力学109

6.10 漂亮的打印功能111

6.11 密码学模块113

6.12 输入的句法分析113

6.13 逻辑模块114

6.14 几何模块116

6.15 符号积分117

6.16 多项式操作119

6.17 集合120

6.18 运算的简化和合并121

6.19 小结122

第7章 数据分析与可视化123

7.1 matplotlib123

7.1.1 matplotlib的架构124

7.1.2 matplotlib的画图方法125

7.2 pandas程序库128

7.2.1 Series128

7.2.2 DataFrame129

7.2.3 Panel130

7.2.4 pandas数据结构的常用函数131

7.2.5 时间序列与日期函数137

7.2.6 处理缺失数据140

7.3 I/O操作141

7.3.1 处理CSV文件141

7.3.2 即开即用数据集144

7.4 IPython145

7.4.1 IPython终端与系统命令行工具146

7.4.2 IPython Notebook149

7.5 小结150

第8章 并行与大规模科学计算151

8.1 用IPython做并行计算152

8.2 IPython并行计算架构152

8.3 并行计算示例154

8.3.1 并行装饰器155

8.3.2 IPython的魔法函数155

8.4 IPython的高级特性157

8.4.1 容错执行157

8.4.2 动态负载均衡158

8.4.3 在客户端与引擎之间推拉对象158

8.4.4 支持数据库存储请求与结果160

8.4.5 在IPython里使用MPI161

8.4.6 管理任务之间的依赖关系162

8.4.7 用Amazon EC2的StarCluster启动IPython167

8.5 IPython数据安全措施168

8.5.1 常用并行编程方法168

8.5.2 在Python中演示基于Hadoop的MapReduce174

8.5.3 在Python中运行Spark176

8.6 小结176

第9章 真实案例介绍177

9.1 用Python开发的科学计算应用177

9.1.1 “每个孩子一台笔记本”项目用Python开发界面177

9.1.2 ExpEYES——科学之眼180

9.1.3 Python开发的天气预测应用程序181

9.1.4 Python开发的航空器概念设计工具与API182

9.1.5 OpenQuake引擎183

9.1.6 德国西马克公司的能源效率应用程序184

9.1.7 高能物理数据分析的自动代码生成器184

9.1.8 Python的计算化学应用186

9.2 Python开发的盲音触觉识别系统187

9.2.1 TAPTools空中交通管制工具187

9.2.2 光能效率检测的嵌入式系统188

9.3 Python开发的科学计算程序库189

9.3.1 Tribon公司的船舶设计API189

9.3.2 分子建模工具箱189

9.3.3 标准Python程序包190

9.4 小结191

第10章 科学计算的最佳实践192

10.1 方案设计阶段的最佳实践192

10.2 功能实现阶段的最佳实践194

10.3 数据管理与应用部署的最佳实践196

10.4 实现高性能的最佳实践197

10.5 数据隐私与安全的最佳实践198

10.6 测试与维护的最佳实践198

10.7 Python常用的最佳实践199

10.8 小结200