Python科学计算最佳实践：SciPy指南

出版者:人民邮电出版社

作者:[澳]胡安•努内兹-伊格莱西亚斯

页数:228

译者:陈光欣

出版时间:2019-1

价格:69.00元

装帧:平装

isbn号码:9787115499127

具体描述

本书旨在介绍开源的Python算法库和数学工具包SciPy。近年来，基于NumPy和SciPy的完整生态系统迅速发展起来，并在天文学、生物学、气象学和气候科学，以及材料科学等多个学科得到了广泛应用。本书结合大量代码实例，详尽展示了SciPy的强大科学计算能力，包括用NumPy和SciPy进行分位数标准化，用ndimage实现图像区域网络，频率与快速傅里叶变换，用稀疏坐标矩阵实现列联表，SciPy中的线性代数，SciPy中的函数优化等。

作者简介

作者简介：

胡安•努内兹-伊格莱西亚斯（Juan Nunez-Iglesias）

澳大利亚莫纳什大学研究员，咨询顾问。

斯特凡•范德瓦尔特（Stéfan van der Walt）

scikit-image的创建者，加州大学伯克利分校数据科学研究所助理研究员，南非斯泰伦博斯大学应用数学高级讲师。

哈丽雅特•达士诺（Harriet Dashnow）

生物信息学家，曾在默多克儿童研究所、墨尔本大学生物化学系和维多利亚州生命科学计划项目中工作过。

译者简介：

陈光欣

毕业于清华大学并留校工作，主要兴趣为数据分析与数据挖掘。

目录信息

前言　　ix
第1章　优雅的NumPy：Python科学应用的基础　　1
1.1 数据简介：什么是基因表达　　2
1.2 NumPy的N维数组　　6
1.2.1 为什么用N维数组代替Python列表　　7
1.2.2 向量化　　9
1.2.3 广播　　9
1.3 探索基因表达数据集　　10
1.4 标准化　　13
1.4.1 样本间的标准化　　13
1.4.2 基因间的标准化　　19
1.4.3 样本与基因标准化：RPKM　　21
1.5 小结　　27
第2章　用NumPy和SciPy进行分位数标准化　　28
2.1 获取数据　　30
2.2 独立样本间的基因表达分布差异　　30
2.3 计数数据的双向聚类　　33
2.4 簇的可视化　　35
2.5 预测幸存者　　37
2.5.1 进一步工作：使用TCGA患者簇　　41
2.5.2 进一步工作：重新生成TCGA簇　　41
第3章　用ndimage实现图像区域网络　　42
3.1 图像就是NumPy数组　　43
3.2 信号处理中的滤波器　　48
3.3 图像滤波（二维滤波器）　　53
3.4 通用滤波器：邻近值的任意函数　　55
3.4.1 练习：康威的生命游戏　　56
3.4.2 练习：Sobel梯度幅值　　56
3.5 图与NetworkX库　　57
3.6 区域邻接图　　60
3.7 优雅的ndimage：如何根据图像区域建立图对象　　63
3.8 归纳总结：平均颜色分割　　65
第4章　频率与快速傅里叶变换　　67
4.1 频率的引入　　67
4.2 示例：鸟鸣声谱图　　69
4.3 历史　　74
4.4 实现　　75
4.5 选择离散傅里叶变换的长度　　75
4.6 更多离散傅里叶变换概念　　77
4.6.1 频率及其排序　　77
4.6.2 加窗　　83
4.7 实际应用：分析雷达数据　　86
4.7.1 频域中的信号性质　　91
4.7.2 加窗之后　　93
4.7.3 雷达图像　　95
4.7.4 快速傅里叶变换的进一步应用　　99
4.7.5 更多阅读　　99
4.7.6 练习：图像卷积　　100
第5章　用稀疏坐标矩阵实现列联表　　101
5.1 列联表　　102
5.1.1 练习：混淆矩阵的计算复杂度　　103
5.1.2 练习：计算混淆矩阵的另一种方法　　103
5.1.3 练习：多类混淆矩阵　　104
5.2 scipy.sparse数据格式　　104
5.2.1 COO格式　　104
5.2.2 练习：COO表示　　105
5.2.3 稀疏行压缩格式　　106
5.3 稀疏矩阵应用：图像转换　　108
5.4 回到列联表　　112
5.5 图像分割中的列联表　　113
5.6 信息论简介　　114
5.7 图像分割中的信息论：信息变异　　117
5.8 转换NumPy数组代码以使用稀疏矩阵　　119
5.9 使用信息变异　　120
第6章　SciPy中的线性代数　　128
6.1 线性代数基础　　128
6.2 图的拉普拉斯矩阵　　129
6.3 大脑数据的拉普拉斯矩阵　　134
6.3.1 练习：显示近邻视图　　138
6.3.2 练习挑战：稀疏矩阵线性代数　　138
6.4 PageRank：用于声望和重要性的线性代数　　139
6.4.1 练习：处理悬挂节点　　144
6.4.2 练习：不同特征向量方法的等价性　　144
6.5 结束语　　144
第7章　SciPy中的函数优化　　145
7.1 SciPy优化模块：sicpy.optimize　　146
7.2 用optimize进行图像配准　　152
7.3 用basin hopping算法避开局部最小值　　155
7.4 选择正确的目标函数　　156
第8章　用Toolz在笔记本电脑上玩转大数据　　163
8.1 用yield进行流处理　　164
8.2 引入Toolz流库　　167
8.3 k-mer计数与错误修正　　169
8.4 柯里化：流的调料　　173
8.5 回到k-mer计数　　175
8.6 全基因组的马尔可夫模型　　177
后记　　182
附录 练习答案　　186
作者简介　　206
封面简介　　206
· · · · · · (收起)

读后感

我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看...

我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看...

我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看...

我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看...

我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看过了 我看...

用户评价

《Python科学计算最佳实践：SciPy指南》这本书，对我来说，是一次非常有价值的学习经历。它不仅仅是教会我如何使用SciPy的各种函数，更重要的是，它传递了一种严谨、高效的科学计算思维方式。作者在书中详细阐述了NumPy在SciPy生态系统中的核心地位，以及NumPy的向量化操作、广播机制如何为SciPy的性能提升奠定基础。这对于我理解SciPy内部的实现机制非常有帮助。在介绍SciPy的优化模块时，我学到了如何根据问题的类型（例如，是否可微、是否存在约束、目标函数的性质）来选择合适的优化算法，以及如何设置优化器的参数来提高收敛速度和精度。作者还强调了数值稳定性的重要性，并给出了一些避免数值问题的技巧，例如使用更稳定的算法或调整数据尺度。这一点对于我处理实际的科学计算问题非常重要。我还对书中关于SciPy的插值和逼近模块的讲解印象深刻。我学习了不同插值方法的原理，例如线性插值、多项式插值、样条插值，以及它们在不同场景下的适用性。作者还介绍了如何使用SciPy的工具来拟合数据，例如最小二乘法拟合，以及如何评估拟合的优劣。这对于我进行数据分析和建模非常有帮助。这本书的结构设计也非常出色，从基础的NumPy介绍，到SciPy的各个核心模块，再到一些进阶的应用案例，层层递进，逻辑清晰。作者的语言风格专业且易于理解，即使是比较复杂的数学概念，也能被解释得清晰明了。通过阅读这本书，我不仅掌握了SciPy的强大功能，更重要的是，我学会了一种更加系统化、规范化的科学计算方法，这对我未来的科研工作和项目开发都将产生深远的影响。

初拿到《Python科学计算最佳实践：SciPy指南》这本书，我怀揣着对科学计算领域深深的探索欲和对Python这门强大语言的信任，翻开了第一页。这本书并非仅仅是枯燥的函数罗列，而是以一种循序渐进、由浅入深的方式，将SciPy这个庞大而精密的科学计算库，如同解构一件精巧的机械装置般，细致地呈现在我的面前。作者在开篇就构建了一个清晰的知识体系框架，首先从Python的生态系统入手，巧妙地将NumPy作为SciPy的基石进行介绍，这对于像我这样，虽然熟悉Python但对科学计算生态略显陌生的读者来说，无疑是至关重要的一步。NumPy数组的高效操作和广播机制，为后续深入理解SciPy的各种高级功能奠定了坚实的基础。紧接着，作者开始逐一剖析SciPy的核心模块，从优化、插值、积分，到线性代数、统计、信号处理和图像处理，每一个模块都配以详实的代码示例和深入的原理讲解。我印象尤其深刻的是关于优化模块的部分，作者不仅仅罗列了各种优化算法（如梯度下降、牛顿法等），更重要的是，他解释了这些算法背后的数学原理，以及在实际应用中如何根据问题的特性选择合适的算法，并提供了相应的参数调整建议。这使得我不仅仅是学会了如何调用函数，更是理解了“为什么”和“如何做得更好”。书中的案例设计也相当贴切，从物理学中的模拟计算，到生物学中的数据分析，再到工程学中的信号处理，都展现了SciPy在不同领域的强大应用潜力，激发了我将其运用到自己研究项目中的热情。阅读过程中，我常常会暂停下来，动手实践书中的代码，一遍又一遍地调试，直到完全理解其中的逻辑。这种“学以致用”的学习方式，让这本书的价值得到了最大的体现。总而言之，这本书不仅是一本工具书，更是一本思想启迪的书，它让我看到了Python和SciPy组合在解决复杂科学问题时的无限可能。

《Python科学计算最佳实践：SciPy指南》这本书，对我而言，是一次非常有价值的学习经历。它不仅仅是教会我如何使用SciPy的各种函数，更重要的是，它传递了一种严谨、高效的科学计算思维方式。作者在书中详细阐述了NumPy在SciPy生态系统中的核心地位，以及NumPy的向量化操作、广播机制如何为SciPy的性能提升奠定基础。这对于我理解SciPy内部的实现机制非常有帮助。在介绍SciPy的优化模块时，我学到了如何根据问题的类型（例如，是否可微、是否存在约束、目标函数的性质）来选择合适的优化算法，以及如何设置优化器的参数来提高收敛速度和精度。作者还强调了数值稳定性的重要性，并给出了一些避免数值问题的技巧，例如使用更稳定的算法或调整数据尺度。这一点对于我处理实际的科学计算问题非常重要。我还对书中关于SciPy的插值和逼近模块的讲解印象深刻。我学习了不同插值方法的原理，例如线性插值、多项式插值、样条插值，以及它们在不同场景下的适用性。作者还介绍了如何使用SciPy的工具来拟合数据，例如最小二乘法拟合，以及如何评估拟合的优劣。这对于我进行数据分析和建模非常有帮助。这本书的结构设计也非常出色，从基础的NumPy介绍，到SciPy的各个核心模块，再到一些进阶的应用案例，层层递进，逻辑清晰。作者的语言风格专业且易于理解，即使是比较复杂的数学概念，也能被解释得清晰明了。通过阅读这本书，我不仅掌握了SciPy的强大功能，更重要的是，我学会了一种更加系统化、规范化的科学计算方法，这对我未来的科研工作和项目开发都将产生深远的影响。

《Python科学计算最佳实践：SciPy指南》这本书，给我最大的感受是它的“实践性”与“深度”并存。我之前也接触过一些关于Python科学计算的书籍，但很多都停留在概念层面，或者只是简单地介绍API。而这本书，从标题就点明了其核心——“最佳实践”，这一点在内容中得到了淋漓尽致的体现。作者并没有止步于教会我们如何使用SciPy的函数，而是花了大量篇幅来阐述在实际科学计算任务中，如何才能更高效、更准确地运用这些工具。例如，在介绍SciPy的插值模块时，作者不仅展示了不同插值方法的用法，更重要的是，他详细对比了这些方法的优缺点，以及在不同数据分布和噪声环境下，哪种方法更适合。他还会指导读者如何进行插值函数的选择和参数的优化，例如根据数据的平滑度来选择合适的样条类型，或者如何处理边界条件。这种对细节的关注，让我意识到，真正的科学计算不仅仅是会调用函数，更需要对算法和数据有深刻的理解。线性代数部分也是如此，它没有仅仅停留在矩阵乘法和求解方程组，而是深入讲解了稀疏矩阵的处理、特征值分解的应用场景，以及如何在大型线性系统中高效地求解。我尤其喜欢作者在处理数值稳定性问题上的讲解，他会指出一些潜在的陷阱，并给出规避的方法，这对于从事需要高精度计算的领域来说，是宝贵的经验。整本书的逻辑结构也十分清晰，从基础的NumPy介绍，到SciPy的各个核心模块，再到一些进阶的应用案例，层层递进，不会让人感到突兀。作者的语言风格也十分专业且易于理解，即使是比较复杂的数学概念，也能被解释得清晰明了。通过阅读这本书，我不仅掌握了SciPy的各种强大功能，更重要的是，我学会了一种更加严谨、更加科学的计算思维方式，这对我未来的科研工作和项目开发都将产生深远的影响。

《Python科学计算最佳实践：SciPy指南》这本书，如同一位经验丰富的导师，在我探索Python科学计算的道路上，提供了无私的指导和宝贵的启示。我特别喜欢作者在介绍复杂算法时的那种“剥洋葱”式的讲解方式，层层深入，化繁为简。比如，在讨论数值积分时，作者不仅介绍了梯形法则和辛普森法则，还详细解释了它们背后的误差分析，并提供了自适应积分方法，以及如何根据被积函数的平滑度和积分区间的特点来选择最合适的积分策略。这让我明白了，在科学计算中，“效率”和“精度”往往需要权衡，而最佳实践就是要找到那个最适合的平衡点。在处理线性代数问题时，作者更是强调了稀疏矩阵的重要性，并详细介绍了SciPy中各种稀疏矩阵的存储格式和相应的操作函数，以及如何利用这些工具来解决大型稀疏方程组，例如在有限元分析等领域。这一点对于我之前遇到的计算效率瓶颈，提供了非常有效的解决方案。书中的代码示例也经过了精心的设计，每一个例子都简洁明了，并且能够直接运行，方便读者进行模仿和修改。更重要的是，作者在讲解代码时，会融入大量的注释和解释，说明代码的每一部分的作用以及背后的设计思路。我尤其赞赏作者在讲解优化问题时，关于目标函数、约束条件和变量的定义，以及如何根据问题的特性选择合适的求解器（例如，是需要无约束优化还是带约束优化，是梯度信息可用还是不可用）。这些细致的指导，对于构建一个稳定、高效的优化模型至关重要。通过这本书，我不仅学会了如何使用SciPy，更重要的是，我学会了如何“思考”科学计算问题，如何用一种系统化、规范化的方式来解决实际遇到的挑战。

《Python科学计算最佳实践：SciPy指南》这本书，对我而言，是打开了Python科学计算领域的一扇新大门。作者以一种非常系统和深入的方式，讲解了SciPy库的各个模块及其在实际应用中的最佳实践。我尤其欣赏作者在介绍SciPy的线性代数模块时的详尽讲解，他不仅展示了如何进行矩阵运算、求解线性方程组，还深入探讨了特征值和特征向量的应用，以及如何处理大型稀疏矩阵。例如，在介绍SciPy的稀疏矩阵模块时，作者详细阐述了不同稀疏矩阵存储格式（如CSR, CSC, COO）的优缺点，以及如何根据具体操作选择最合适的格式，这对于提高大型科学计算的效率至关重要。我还学习了如何使用SciPy的数值积分模块来计算定积分，并了解了不同积分方法的原理和适用范围，例如梯形法则、辛普森法则以及更高级的自适应积分方法。作者还指导我们如何通过SciPy的优化模块来解决各种优化问题，例如寻找函数的最小值或最大值，以及如何在存在约束条件下进行优化。他强调了选择合适的优化算法以及调整算法参数的重要性，并给出了很多实用的技巧。这本书的案例分析也非常精彩，从物理学中的数值模拟到工程学中的信号处理，再到生物学中的数据分析，都展示了SciPy的强大应用能力。作者的语言风格清晰流畅，即使是复杂的数学概念，也能够被解释得通俗易懂。通过阅读这本书，我不仅掌握了SciPy的各项功能，更重要的是，我学会了一种更加严谨、更加科学的计算思维方式，这对于我未来的学习和工作都将产生积极的影响。

在我看来，《Python科学计算最佳实践：SciPy指南》是一本真正能够帮助我提升科学计算能力的“实操手册”。这本书的价值在于它不仅仅是介绍“是什么”，更重要的是讲解“怎么做”和“为什么这样做”。作者在内容编排上，紧紧围绕“最佳实践”这一核心，贯穿了许多实用的小技巧和注意事项。比如，在信号处理章节，作者不仅仅展示了傅里叶变换和滤波器设计，还会指导我们如何选择合适的窗口函数、如何处理采样率不匹配的问题，以及如何通过FFT的高效性来优化计算速度。对于初学者而言，这些细节可能并不起眼，但对于有一定经验的开发者来说，这些经验性的指导能够大大节省试错的时间，并提高代码的鲁棒性。我尤其欣赏书中关于数据可视化部分的建议，虽然SciPy本身不直接提供高级的可视化工具，但作者巧妙地将Matplotlib和Seaborn等库融入到SciPy的计算流程中，演示了如何将计算结果以直观、易于理解的方式呈现出来。这对于我撰写报告、展示研究成果至关重要。另外，在统计模块的讲解中，作者并没有仅仅介绍各种统计量和检验方法，而是结合具体的实际例子，例如假设检验、回归分析等，指导读者如何根据数据特点选择合适的统计方法，以及如何解释统计结果的意义。他还会提醒我们注意数据的分布、样本量的影响等关键因素，这使得我能够更批判性地看待统计分析的结果。这本书的案例覆盖面很广，从物理模拟到生物统计，再到金融建模，每一个案例都设计得十分精巧，能够清晰地展示SciPy在不同领域中的应用。通过反复学习和实践书中的代码，我感觉自己的科学计算能力得到了质的飞跃，不再是简单的API调用，而是能够深入理解算法的原理，并根据具体问题灵活运用。

如果要用一个词来形容《Python科学计算最佳实践：SciPy指南》这本书，那一定是“干货满满”。从我翻开书的那一刻起，就感受到了一种扑面而来的实用主义气息。作者在内容上，毫不吝啬地分享了他在科学计算领域多年的经验和心得。例如，在数据分析和统计建模的部分，作者会指导我们如何进行数据的预处理，包括缺失值的处理、异常值的检测和处理，以及数据的归一化和标准化。这些基础但关键的步骤，往往是决定最终分析结果质量的根本。他还详细介绍了SciPy的统计模块，例如概率分布、统计检验、回归分析等，并通过实际案例演示了如何运用这些工具来探索数据的规律，并做出有效的预测。我印象特别深刻的是，作者在介绍SciPy的信号处理模块时，不仅仅局限于基本的滤波和变换，而是深入讲解了如何在实际应用中，例如在语音识别或图像去噪等场景下，选择合适的滤波器类型（如低通、高通、带通），如何设计滤波器的参数（如截止频率、阶数），以及如何评估滤波器的性能。他还提到了FFT的频率分辨率和时间分辨率之间的权衡，以及如何通过重叠加法或重叠剪切法来处理长信号。这些深入的讲解，让我对信号处理有了更深刻的理解。这本书的章节安排也非常合理，循序渐进，每一章都建立在前一章的基础上，让读者能够逐步建立起完整的科学计算知识体系。作者的写作风格简洁明了，语言专业且通俗易懂，即使是复杂的数学概念，也能被解释得清晰易懂，并且配以大量的代码示例，使得学习过程更加生动有趣。这本书的价值在于它不仅仅是一本技术手册，更是一本能够指导我如何高效、正确地进行科学计算的“思想指南”。

《Python科学计算最佳实践：SciPy指南》这本书，是近期我阅读过的最实用、最有深度的一本技术书籍。作者在内容上，将SciPy库的各个核心模块进行了详尽的介绍，并且每一个模块都配以大量的代码示例和原理讲解。我特别喜欢作者在介绍SciPy的统计模块时，那种深入浅出的讲解方式。他不仅仅罗列了各种统计函数，而是详细讲解了它们背后的统计学原理，以及如何在实际的数据分析任务中选择合适的统计方法，例如如何进行假设检验、回归分析，以及如何解释统计结果。我还从书中学习了如何使用SciPy的信号处理模块来分析和处理各种信号，例如傅里叶变换、滤波器设计等。作者还指导我们如何根据信号的特点来选择合适的处理方法，以及如何优化处理过程以提高效率和准确性。这一点对于我从事的信号分析工作非常有帮助。另外，书中关于SciPy的插值和拟合模块的讲解也让我受益匪浅。我学习了不同插值方法的原理和适用范围，以及如何使用SciPy的工具来拟合数据，例如最小二乘法拟合。作者还强调了数据预处理和后处理的重要性，以及如何通过可视化工具来展示和解释分析结果。这本书的章节结构安排得非常合理，从基础的NumPy介绍，到SciPy的各个模块，再到进阶的应用案例，层层递进，逻辑清晰。作者的语言风格简洁明了，专业性强，但又不过于晦涩。通过阅读这本书，我不仅掌握了SciPy的各项功能，更重要的是，我学会了一种更加系统化、规范化的科学计算方法，这对于我未来的学习和工作都将产生积极的影响。

《Python科学计算最佳实践：SciPy指南》这本书，对我来说，就像一本宝贵的“秘密武器”手册，它让我能够更有效地驾驭Python在科学计算领域的强大能力。作者的写作风格非常注重实用性和深度，他不仅仅是罗列函数，而是深入探讨了每个函数背后的数学原理和算法思想。例如，在介绍SciPy的积分模块时，我不仅仅学会了如何计算定积分，还理解了不同数值积分方法的精度、稳定性和效率之间的权衡，以及如何根据被积函数的特性选择最合适的积分方法。作者还详细讲解了如何使用SciPy进行插值和拟合，他比较了不同插值方法（如线性插值、多项式插值、样条插值）的优缺点，以及如何在数据稀疏或噪声较大的情况下进行可靠的拟合。这对于我进行实验数据分析非常有帮助。我尤其欣赏书中关于SciPy的优化模块的讲解，它涵盖了无约束优化、约束优化、以及各种迭代算法的原理和应用。作者还强调了如何进行参数调优、如何处理局部最优解等实际问题，这让我能够更有效地解决实际的工程优化问题。这本书的案例设计也十分贴合实际应用，从物理模拟到金融建模，再到生物信息学，每一个案例都能够清晰地展示SciPy的强大功能和应用价值。通过反复学习和实践书中的代码，我感觉自己在科学计算方面的能力得到了显著提升，能够更自信地面对复杂的计算挑战。总而言之，这本书为我提供了一种系统化的学习路径，让我能够真正掌握SciPy，并将其应用于解决实际问题。

很棒的工具书

很棒的工具书

很棒的工具书

微博抽奖的奖品，内容很详细，可惜我自己水平还不行…

适合医学行业的人阅读，书里的实例都是关于医学的，晦涩难懂，不适合当工具书学习