前言　　ix
第1章　優雅的NumPy：Python科學應用的基礎　　1
1.1 數據簡介：什麼是基因錶達　　2
1.2 NumPy的N維數組　　6
1.2.1 為什麼用N維數組代替Python列錶　　7
1.2.2 嚮量化　　9
1.2.3 廣播　　9
1.3 探索基因錶達數據集　　10
1.4 標準化　　13
1.4.1 樣本間的標準化　　13
1.4.2 基因間的標準化　　19
1.4.3 樣本與基因標準化：RPKM　　21
1.5 小結　　27
第2章　用NumPy和SciPy進行分位數標準化　　28
2.1 獲取數據　　30
2.2 獨立樣本間的基因錶達分布差異　　30
2.3 計數數據的雙嚮聚類　　33
2.4 簇的可視化　　35
2.5 預測幸存者　　37
2.5.1 進一步工作：使用TCGA患者簇　　41
2.5.2 進一步工作：重新生成TCGA簇　　41
第3章　用ndimage實現圖像區域網絡　　42
3.1 圖像就是NumPy數組　　43
3.2 信號處理中的濾波器　　48
3.3 圖像濾波（二維濾波器）　　53
3.4 通用濾波器：鄰近值的任意函數　　55
3.4.1 練習：康威的生命遊戲　　56
3.4.2 練習：Sobel梯度幅值　　56
3.5 圖與NetworkX庫　　57
3.6 區域鄰接圖　　60
3.7 優雅的ndimage：如何根據圖像區域建立圖對象　　63
3.8 歸納總結：平均顔色分割　　65
第4章　頻率與快速傅裏葉變換　　67
4.1 頻率的引入　　67
4.2 示例：鳥鳴聲譜圖　　69
4.3 曆史　　74
4.4 實現　　75
4.5 選擇離散傅裏葉變換的長度　　75
4.6 更多離散傅裏葉變換概念　　77
4.6.1 頻率及其排序　　77
4.6.2 加窗　　83
4.7 實際應用：分析雷達數據　　86
4.7.1 頻域中的信號性質　　91
4.7.2 加窗之後　　93
4.7.3 雷達圖像　　95
4.7.4 快速傅裏葉變換的進一步應用　　99
4.7.5 更多閱讀　　99
4.7.6 練習：圖像捲積　　100
第5章　用稀疏坐標矩陣實現列聯錶　　101
5.1 列聯錶　　102
5.1.1 練習：混淆矩陣的計算復雜度　　103
5.1.2 練習：計算混淆矩陣的另一種方法　　103
5.1.3 練習：多類混淆矩陣　　104
5.2 scipy.sparse數據格式　　104
5.2.1 COO格式　　104
5.2.2 練習：COO錶示　　105
5.2.3 稀疏行壓縮格式　　106
5.3 稀疏矩陣應用：圖像轉換　　108
5.4 迴到列聯錶　　112
5.5 圖像分割中的列聯錶　　113
5.6 信息論簡介　　114
5.7 圖像分割中的信息論：信息變異　　117
5.8 轉換NumPy數組代碼以使用稀疏矩陣　　119
5.9 使用信息變異　　120
第6章　SciPy中的綫性代數　　128
6.1 綫性代數基礎　　128
6.2 圖的拉普拉斯矩陣　　129
6.3 大腦數據的拉普拉斯矩陣　　134
6.3.1 練習：顯示近鄰視圖　　138
6.3.2 練習挑戰：稀疏矩陣綫性代數　　138
6.4 PageRank：用於聲望和重要性的綫性代數　　139
6.4.1 練習：處理懸掛節點　　144
6.4.2 練習：不同特徵嚮量方法的等價性　　144
6.5 結束語　　144
第7章　SciPy中的函數優化　　145
7.1 SciPy優化模塊：sicpy.optimize　　146
7.2 用optimize進行圖像配準　　152
7.3 用basin hopping算法避開局部最小值　　155
7.4 選擇正確的目標函數　　156
第8章　用Toolz在筆記本電腦上玩轉大數據　　163
8.1 用yield進行流處理　　164
8.2 引入Toolz流庫　　167
8.3 k-mer計數與錯誤修正　　169
8.4 柯裏化：流的調料　　173
8.5 迴到k-mer計數　　175
8.6 全基因組的馬爾可夫模型　　177
後記　　182
附錄 練習答案　　186
作者簡介　　206
封麵簡介　　206
· · · · · · (收起)