　　《圖靈程序設計叢書;Python數據分析基礎教程：NumPy學習指南（第2版）》是NumPy的入門教程，主要介紹NumPy以及相關的Python科學計算庫，如SciPy和Matplotlib。《圖靈程序設計叢書;Python數據分析基礎教程：NumPy學習指南（第2版）》內容涵蓋NumPy安裝、數組對象、常用函數、矩陣運算、綫性代數、金融函數、窗函數、質量控製、Matplotlib繪圖、SciPy簡介以及Pygame等內容，涉及麵較廣。另外，Ivan　Idris針對每個知識點給齣瞭簡短而明晰的示例，並為大部分示例給齣瞭實用場景（如股票數據分析），在幫助初學者入門的同時，提高瞭本書可讀性。
　　《圖靈程序設計叢書;Python數據分析基礎教程：NumPy學習指南（第2版）》適閤正在找尋高質量開源計算庫的科學傢、工程師、程序員和定量管理分析師閱讀參考。

作者簡介

　　Ivan Idris，實驗物理學碩士，曾在多傢公司從事Java開發、數據倉庫開發和軟件測試的工作，主要關注商務智能、大數據和雲計算。Ivan喜歡寫簡潔的可測試代碼，並樂於撰寫有趣的技術文章，另著有《NumPy攻略：Python科學計算與數據分析》和Instant Pygame for Python Game Development How-to。

內頁插圖

精彩書評

“本書介紹瞭大量常用技術，對於我的研究工作來說是本很好的參考書。不過，它絕不止是一本簡單的學習指南，因為Ivan Idris很明顯在全麵而建設性地發掘NumPy的各種功能。……本書還很好地探討瞭信息的圖形化錶示，並用整章篇幅來介紹Matplotlib繪圖，及如何生成常用圖形以促進工作中的有效溝通。……讀者隻需具備簡單的Python語法知識，便可快速掌握本書知識，結閤使用NumPy及其他Python科學計算庫提高工作效率。”

"本書文風簡約而不失深度，深入淺齣地講解瞭NumPy的使用及相關知識。Ivan Idris不僅給齣瞭大量示例及代碼，而且為我們提供瞭豐富的趣味性練習。"

——讀者評論

第1章　NumPy快速入門
1.1 　Python
1.2 　動手實踐：在不同的操作係統上安裝Python
1.3 　Windows
1.4 　動手實踐：在Windows上安裝NumPy、Matplotlib、SciPy和IPython
1.5 　Linux
1.6 　動手實踐：在Linux上安裝NumPy、Matplotlib、SciPy和IPython
1.7 　Mac OS X
1.8 　動手實踐：在Mac OS X上安裝NumPy、Matplotlib和SciPy
1.9 　動手實踐：使用MacPorts或Fink安裝NumPy、SciPy、Matplotlib和IPython
1.10 　編譯源代碼
1.11 　數組對象
1.12 　動手實踐：嚮量加法
1.13 　IPython：一個交互式shell工具
1.14 　在綫資源和幫助
1.15 　本章小結

第2章　NumPy基礎
2.1 　NumPy數組對象
2.2 　動手實踐：創建多維數組
2.2.1 　選取數組元素
2.2.2 　NumPy數據類型
2.2.3 　數據類型對象
2.2.4 　字符編碼
2.2.5 　自定義數據類型
2.2.6 　dtype類的屬性
2.3 　動手實踐：創建自定義數據類型
2.4 　一維數組的索引和切片
2.5 　動手實踐：多維數組的切片和索引
2.6 　動手實踐：改變數組的維度
2.7 　數組的組閤
2.8 　動手實踐：組閤數組
2.9 　數組的分割
2.10 　動手實踐：分割數組
2.11 　數組的屬性
2.12 　動手實踐：數組的轉換
2.13 　本章小結

第3章　常用函數
3.1 　文件讀寫
3.2 　動手實踐：讀寫文件
3.3 　CSV文件
3.4 　動手實踐：讀入CSV文件
3.5 　成交量加權平均價格（VWAP）
3.6 　動手實踐：計算成交量加權平均價格
3.6.1 　算術平均值函數
3.6.2 　時間加權平均價格
3.7 　取值範圍
3.8 　動手實踐：找到最大值和最小值
3.9 　統計分析
3.10 　動手實踐：簡單統計分析
3.11 　股票收益率
3.12 　動手實踐：分析股票收益率
3.13 　日期分析
3.14 　動手實踐：分析日期數據
3.15 　周匯總
3.16 　動手實踐：匯總數據
3.17 　真實波動幅度均值（ATR）
3.18 　動手實踐：計算真實波動幅度均值
3.19 　簡單移動平均綫
3.20 　動手實踐：計算簡單移動平均綫
3.21 　指數移動平均綫
3.22 　動手實踐：計算指數移動平均綫
3.23 　布林帶
3.24 　動手實踐：繪製布林帶
3.25 　綫性模型
3.26 　動手實踐：用綫性模型預測價格
3.27 　趨勢綫
3.28 　動手實踐：繪製趨勢綫
3.29 　ndarray對象的方法
3.30 　動手實踐：數組的修剪和壓縮
3.31 　階乘
3.32 　動手實踐：計算階乘
3.33 　本章小結

第4章　便捷函數
4.1 　相關性
4.2 　動手實踐：股票相關性分析
4.3 　多項式
4.4 　動手實踐：多項式擬閤
4.5 　淨額成交量
4.6 　動手實踐：計算OBV
4.7 　交易過程模擬
4.8 　動手實踐：避免使用循環
4.9 　數據平滑
4.10 　動手實踐：使用hanning函數平滑數據
4.11 　本章小結

第5章　矩陣和通用函數
5.1 　矩陣
5.2 　動手實踐：創建矩陣
5.3 　從已有矩陣創建新矩陣
5.4 　動手實踐：從已有矩陣創建新矩陣
5.5 　通用函數
5.6 　動手實踐：創建通用函數
5.7 　通用函數的方法
5.8 　動手實踐：在add上調用通用函數的方法
5.9 　算術運算
5.10 　動手實踐：數組的除法運算
5.11 　模運算
5.12 　動手實踐：模運算
5.13 　斐波那契數列
5.14 　動手實踐：計算斐波那契數列
5.15 　利薩茹麯綫
5.16 　動手實踐：繪製利薩茹麯綫
5.17 　方波
5.18 　動手實踐：繪製方波
5.19 　鋸齒波和三角波
5.20 　動手實踐：繪製鋸齒波和三角波
5.21 　位操作函數和比較函數
5.22 　動手實踐：玩轉二進製位
5.23 　本章小結

第6章　深入學習NumPy模塊

6.1 　綫性代數
6.2 　動手實踐：計算逆矩陣
6.3 　求解綫性方程組
6.4 　動手實踐：求解綫性方程組
6.5 　特徵值和特徵嚮量
6.6 　動手實踐：求解特徵值和特徵嚮量
6.7 　奇異值分解
6.8 　動手實踐：分解矩陣
6.9 　廣義逆矩陣
6.10 　動手實踐：計算廣義逆矩陣
6.11 　行列式
6.12 　動手實踐：計算矩陣的行列式
6.13 　快速傅裏葉變換
6.14 　動手實踐：計算傅裏葉變換
6.15 　移頻
6.16 　動手實踐：移頻
6.17 　隨機數
6.18 　動手實踐：硬幣賭博遊戲
6.19 　超幾何分布
6.20 　動手實踐：模擬遊戲秀節目
6.21 　連續分布
6.22 　動手實踐：繪製正態分布
6.23 　對數正態分布
6.24 　動手實踐：繪製對數正態分布
6.25 　本章小結

第7章　專用函數
7.1 　排序
7.2 　動手實踐：按字典序排序
7.3 　復數
7.4 　動手實踐：對復數進行排序
7.5 　搜索
7.6 　動手實踐：使用searchsorted函數
7.7 　數組元素抽取
7.8 　動手實踐：從數組中抽取元素
7.9 　金融函數
7.10 　動手實踐：計算終值
7.11 　現值
7.12 　動手實踐：計算現值
7.13 　淨現值
7.14 　動手實踐：計算淨現值
7.15 　內部收益率
7.16 　動手實踐：計算內部收益率
7.17 　分期付款
7.18 　動手實踐：計算分期付款
7.19 　付款期數
7.20 　動手實踐：計算付款期數
7.21 　利率
7.22 　動手實踐：計算利率
7.23 　窗函數
7.24 　動手實踐：繪製巴特利特窗
7.25 　布萊剋曼窗
7.26 　動手實踐：使用布萊剋曼窗平滑股價數據
7.27 　漢明窗
7.28 　動手實踐：繪製漢明窗
7.29 　凱澤窗
7.30 　動手實踐：繪製凱澤窗
7.31 　專用數學函數
7.32 　動手實踐：繪製修正的貝塞爾函數
7.33 　sinc函數
7.34 　動手實踐：繪製sinc函數
7.35 　本章小結

第8章　質量控製
8.1 　斷言函數
8.2 　動手實踐：使用assert_almost_equal斷言近似相等
8.3 　近似相等
8.4 　動手實踐：使用assert_approx_equal斷言近似相等
8.5 　數組近似相等
8.6 　動手實踐：斷言數組近似相等
8.7 　數組相等
8.8 　動手實踐：比較數組
8.9 　數組排序
8.10 　動手實踐：核對數組排序
8.11 　對象比較
8.12 　動手實踐：比較對象
8.13 　字符串比較
8.14 　動手實踐：比較字符串
8.15 　浮點數比較
8.16 　動手實踐：使用assert_array_ almost_equal_nulp比較浮點數
8.17 　多ULP的浮點數比較
8.18 　動手實踐：設置maxulp並比較浮點數
8.19 　單元測試
8.20 　動手實踐：編寫單元測試
8.21 　nose和測試裝飾器
8.22 　動手實踐：使用測試裝飾器
8.23 　文檔字符串
8.24 　動手實踐：執行文檔字符串測試
8.25 　本章小結

第9章　使用Matplotlib繪圖
9.1 　簡單繪圖
9.2 　動手實踐：繪製多項式函數
9.3 　格式字符串
9.4 　動手實踐：繪製多項式函數及其導函數
9.5 　子圖
9.6 　動手實踐：繪製多項式函數及其導函數
9.7 　財經
9.8 　動手實踐：繪製全年股票價格
9.9 　直方圖
9.10 　動手實踐：繪製股價分布直方圖
9.11 　對數坐標圖
9.12 　動手實踐：繪製股票成交量
9.13 　散點圖
9.14 　動手實踐：繪製股票收益率和成交量變化的散點圖
9.15 　著色
9.16 　動手實踐：根據條件進行著色
9.17 　圖例和注釋
9.18 　動手實踐：使用圖例和注釋
9.19 　三維繪圖
9.20 　動手實踐：在三維空間中繪圖
9.21 　等高綫圖
9.22 　動手實踐：繪製色彩填充的等高綫圖
9.23 　動畫
9.24 　動手實踐：製作動畫
9.25 　本章小結

第10章　NumPy的擴展：SciPy
10.1 　MATLAB和Octave
10.2 　動手實踐：保存和加載.mat文件
10.3 　統計
10.4 　動手實踐：分析隨機數
10.5 　樣本比對和SciKits
10.6 　動手實踐：比較股票對數收益率
10.7 　信號處理
10.8 　動手實踐：檢測QQQ股價的綫性趨勢
10.9 　傅裏葉分析
10.10 　動手實踐：對去除趨勢後的信號進行濾波處理
10.11 　數學優化
10.12 　動手實踐：擬閤正弦波
10.13 　數值積分
10.14 　動手實踐：計算高斯積分
10.15 　插值
10.16 　動手實踐：一維插值
10.17 　圖像處理
10.18 　動手實踐：處理Lena圖像
10.19 　音頻處理
10.20 　動手實踐：重復音頻片段
10.21 　本章小結

第11章　玩轉Pygame
11.1 　Pygame
11.2 　動手實踐：安裝Pygame
11.3 　Hello World
11.4 　動手實踐：製作簡單遊戲
11.5 　動畫
11.6 　動手實踐：使用NumPy和Pygame製作動畫對象
11.7 　Matplotlib
11.8 　動手實踐：在Pygame中使用Matplotlib
11.9 　屏幕像素
11.10 　動手實踐：訪問屏幕像素
11.11 　人工智能
11.12 　動手實踐：數據點聚類
11.13 　OpenGL和Pygame
11.14 　動手實踐：繪製謝爾賓斯基地毯
11.15 　模擬遊戲
11.16 　動手實踐：模擬生命
11.17 　本章小結
突擊測驗答案

前言/序言

　　如今，科學傢、工程師以及定量管理分析師麵臨著眾多的挑戰。數據科學傢們希望能夠用最小的編程代價在大數據集上進行數值分析，他們希望自己編寫的代碼可讀性好、執行效率高、運行速度快，並盡可能地貼近他們熟悉的一係列數學概念。在科學計算領域，有很多符閤這些要求的解決方案。

　　在這方麵，C、C++和Fortran等編程語言各有優勢，但它們不是交互式語言，並且被很多人認為過於復雜。常見的商業産品還有Matlab、Maple和Mathematica。這些産品提供瞭強大的腳本語言，但和通用編程語言比起來，功能依然很有限。另外還有一些類似於Matlab的開源工具，如R、GNU Octave和Scilab。顯然，作為編程語言，它們都不如Python強大。

　　Python是一種流行的通用編程語言，在科學領域被廣泛使用。你很容易在Python代碼中調用以前的C、Fortran或者R代碼。Python是麵嚮對象語言，比C和Fortran更加高級。使用Python可以寫齣易讀、整潔並且缺陷最少的代碼。然而，Python本身並不具有與Matlab等效的功能塊，而這恰恰就是NumPy存在的意義。本書就是要介紹NumPy以及相關的Python科學計算庫，如SciPy和Matplotlib。

　　NumPy是什麼

　　NumPy（Numerical Python的縮寫）是一個開源的Python科學計算庫。使用NumPy，就可以很自然地使用數組和矩陣。NumPy包含很多實用的數學函數，涵蓋綫性代數運算、傅裏葉變換和隨機數生成等功能。如果你的係統中已經裝有LAPACK，NumPy的綫性代數模塊會調用它，否則NumPy將使用自己實現的庫函數。LAPACK是一個著名的數值計算庫，最初是用Fortran寫成的，Matlab同樣也需要調用它。從某種意義上講，NumPy可以取代Matlab和Mathematica的部分功能，並且允許用戶進行快速的交互式原型設計。

　　在本書中，我們不會從程序開發者的角度來討論NumPy，而是更多地立足於用戶，從他們的角度來分析它。不過值得一提的是，NumPy是一個非常活躍的開源項目，擁有很多的貢獻者，也許有一天你也能成為其中的一員！

　　NumPy的由來

　　NumPy的前身是Numeric。Numeric最早發布於1995年，如今已經廢棄瞭。由於種種原因，不管是Numeric還是NumPy，都沒能進入Python標準庫，不過單獨安裝NumPy也很方便。關於NumPy的安裝，我們將在第1章中詳細介紹。

　　早在2001年，一些開發者受Numeric的啓發共同開創瞭一個叫做SciPy的項目。SciPy是一個開源的Python科學計算庫，提供瞭類似於Matlab、Maple和Mathematica的許多功能。那段時間，人們對於Numeric越來越不滿。於是，Numarray作為Numeric的替代品問世瞭。Numarray在某些方麵比Numeric更強大，但是它們的工作方式卻截然不同。鑒於此，SciPy繼續遵循Numeric的工作方式，並延續瞭對Numeric數組對象的支持。雖然人們總是傾嚮於使用“最新最好”的軟件，但是Numarray依然催生齣瞭一整套的係統，包括很多周邊的實用工具軟件。

　　2005年，SciPy的早期發起人之一Travis Oliphant決定改變這一狀況，他開始將Numarray的一些特性整閤到Numeric中。一整套的代碼重構工作就此開始，並於2006年NumPy 1.0發布的時候全部完成。於是NumPy擁有瞭Numeric和Numarray的所有特性，並且還新增瞭一些功能。SciPy提供瞭一個升級工具，可以讓用戶方便地從Numeric和Numarray升級到NumPy。由於Numeric和Numarray均不再活躍更新，升級是必然的。

　　如上所述，最初的NumPy其實是SciPy的一部分，後來纔從SciPy中分離齣來。如今，SciPy在處理數組和矩陣時會調用NumPy。

　　為什麼使用NumPy

　　對於同樣的數值計算任務，使用NumPy要比直接編寫Python代碼便捷得多。這是因為NumPy能夠直接對數組和矩陣進行操作，可以省略很多循環語句，其眾多的數學函數也會讓編寫代碼的工作輕鬆許多。NumPy的底層算法在設計時就有著優異的性能，並且經受住瞭時間的考驗。

　　NumPy中數組的存儲效率和輸入輸齣性能均遠遠優於Python中等價的基本數據結構（如嵌套的list容器）。其能夠提升的性能是與數組中元素的數目成比例的。對於大型數組的運算，使用NumPy的確很有優勢。對於TB級的大文件，NumPy使用內存映射文件來處理，以達到最優的數據讀寫性能。不過，NumPy數組的通用性不及Python提供的list容器，這是其不足之處。因此在科學計算之外的領域，NumPy的優勢也就不那麼明顯瞭。關於NumPy數組的技術細節，我們將在後麵詳細討論。

　　NumPy的大部分代碼都是用C語言寫成的，這使得NumPy比純Python代碼高效得多。NumPy同樣支持C語言的API，並且允許在C源代碼上做更多的功能拓展。C API的內容不在本書討論之列。最後要記往一點，NumPy是開源的，這意味著使用NumPy可以享受到開源帶來的所有益處。價格低到瞭極限——免費。你再也不用擔心每次有新成員加入團隊時，就要麵對軟件授權圖靈程序設計叢書·Python數據分析基礎教程：NumPy學習指南（第2版） [NumPy beginner’s guide,second edition] 下載 mobi epub pdf txt 電子書

圖靈程序設計叢書·Python數據分析基礎教程：NumPy學習指南（第2版） [NumPy beginner’s guide,second edition] pdf epub mobi txt 電子書下載

想要找書就要到求知書站

tushu.tinynews.org

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!