Python科學計算最佳實踐 SciPy指南：Python

定　價：￥69.00

作　者：	[澳] 胡安，努內茲，伊格萊西亞斯，[美] 斯特凡·范德瓦爾特著，陳光欣譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥57.80)

ISBN：	9787115499127	出版時間：	2019-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	206	字數(shù)：

內容簡介

　　本書旨在介紹開源的Python算法庫和數(shù)學工具包SciPy。近年來，基于NumPy和SciPy的完整生態(tài)系統(tǒng)迅速發(fā)展起來，并在天文學、生物學、氣象學和氣候科學，以及材料科學等多個學科得到了廣泛應用。本書結合大量代碼實例，詳盡展示了SciPy的強大科學計算能力，包括用NumPy和SciPy進行分位數(shù)標準化，用ndimage實現(xiàn)圖像區(qū)域網(wǎng)絡，頻率與快速傅里葉變換，用稀疏坐標矩陣實現(xiàn)列聯(lián)表，SciPy中的線性代數(shù)，SciPy中的函數(shù)優(yōu)化等。

作者簡介

　　胡安？努內茲-伊格萊西亞斯（Juan Nunez-Iglesias），澳大利亞莫納什大學研究員，咨詢顧問。斯特凡？范德瓦爾特（Stéfan van der Walt），scikit-image的創(chuàng)建者，加州大學伯克利分校數(shù)據(jù)科學研究所助理研究員，南非斯泰倫博斯大學應用數(shù)學高級講師。哈麗雅特？達士諾（Harriet Dashnow），生物信息學家，曾在默多克兒童研究所、墨爾本大學生物化學系和維多利亞州生命科學計劃項目中工作過。【譯者簡介】陳光欣，畢業(yè)于清華大學并留校工作，主要興趣為數(shù)據(jù)分析與數(shù)據(jù)挖掘。

圖書目錄

前言　　ix
第 1章　優(yōu)雅的NumPy：Python科學應用的基礎　　1
1．1 數(shù)據(jù)簡介：什么是基因表達　　2
1．2 NumPy的N維數(shù)組　　6
1．2．1 為什么用N維數(shù)組代替Python列表　　7
1．2．2 向量化　　9
1．2．3 廣播　　9
1．3 探索基因表達數(shù)據(jù)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(shù)標準化　　28
2．1 獲取數(shù)據(jù)　　30
2．2 獨立樣本間的基因表達分布差異　　30
2．3 計數(shù)數(shù)據(jù)的雙向聚類　　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(xiàn)圖像區(qū)域網(wǎng)絡　　42
3．1 圖像就是NumPy數(shù)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(shù)　　55
3．4．1 練習：康威的生命游戲　　56
3．4．2 練習：Sobel梯度幅值　　56
3．5 圖與NetworkX庫　　57
3．6 區(qū)域鄰接圖　　60
3．7 優(yōu)雅的ndimage：如何根據(jù)圖像區(qū)域建立圖對象　　63
3．8 歸納總結：平均顏色分割　　65
第4章　頻率與快速傅里葉變換　　67
4．1 頻率的引入　　67
4．2 示例：鳥鳴聲譜圖　　69
4．3 歷史　　74
4．4 實現(xiàn)　　75
4．5 選擇離散傅里葉變換的長度　　75
4．6 更多離散傅里葉變換概念　　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(shù)據(jù)　　86
4．7．1 頻域中的信號性質　　91
4．7．2 加窗之后　　93
4．7．3 雷達圖像　　95
4．7．4 快速傅里葉變換的進一步應用　　99
4．7．5 更多閱讀　　99
4．7．6 練習：圖像卷積　　100
第5章　用稀疏坐標矩陣實現(xiàn)列聯(lián)表　　101
5．1 列聯(lián)表　　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(shù)據(jù)格式　　104
5．2．1 COO格式　　104
5．2．2 練習：COO表示　　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 回到列聯(lián)表　　112
5．5 圖像分割中的列聯(lián)表　　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(shù)組代碼以使用稀疏矩陣　　119
5．9 使用信息變異　　120
第6章　SciPy中的線性代數(shù)　　128
6．1 線性代數(shù)基礎　　128
6．2 圖的拉普拉斯矩陣　　129
6．3 大腦數(shù)據(jù)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(zhàn)：稀疏矩陣線性代數(shù)　　138
6．4 PageRank：用于聲望和重要性的線性代數(shù)　　139
6．4．1 練習：處理懸掛節(jié)點　　144
6．4．2 練習：不同特征向量方法的等價性　　144
6．5 結束語　　144
第7章　SciPy中的函數(shù)優(yōu)化　　145
7．1 SciPy優(yōu)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(shù)　　156
第8章　用Toolz在筆記本電腦上玩轉大數(shù)據(jù)　　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(shù)與錯誤修正　　169
8．4 柯里化：流的調料　　173
8．5 回到k-mer計數(shù)　　175
8．6 全基因組的馬爾可夫模型　　177
后記　　182
附錄練習答案　　186
作者簡介　　206
封面簡介　　206