第1章　科學計算概況與選擇Python的理由　　1
1.1　科學計算的定義　　2
1.2　科學計算的簡單處理流程　　3
1.3　科學與工程領域的案例　　5
1.4　解決復雜問題的策略　　5
1.5　近似、誤差及相關統計概念和術語　　6
1.5.1　誤差分析　　7
1.5.2　敏感度、穩定性和準確性　　7
1.5.3　後嚮與前嚮誤差估計　　8
1.5.4　誤差可以忽略不計嗎　　8
1.6　計算機算術運算和浮點數　　8
1.7　Python編程語言簡介　　9
1.7.1　Python語言的指導原則　　9
1.7.2　為什麼用Python做科學計算　　11
1.7.3　Python的缺點　　13
1.8　小結　　13
第2章　科學工作流和科學計算的結構　　14
2.1　科學計算的數學部分　　14
2.1.1　綫性方程組　　14
2.1.2　非綫性方程組　　15
2.1.3　最優化方法　　16
2.1.4　內插法　　17
2.1.5　外插法　　17
2.1.6　數值積分　　18
2.1.7　數值微分　　18
2.1.8　微分方程　　19
2.1.9　隨機數生成器　　20
2.2　Python科學計算　　21
2.2.1　NumPy簡介　　22
2.2.2　SciPy程序庫　　22
2.2.3　用pandas做數據分析　　23
2.3　IPython交互式編程簡介　　23
2.3.1　IPython並行計算　　24
2.3.2　IPython Notebook　　24
2.4　用SymPy進行符號計算　　26
2.4.1　SymPy的主要特點　　27
2.4.2　為什麼用SymPy　　28
2.5　畫圖程序庫　　28
2.6　小結　　30
第3章　有效地製造與管理科學數據　　31
3.1　數據的基本概念　　31
3.2　數據存儲軟件與工具箱　　32
3.2.1　文件　　33
3.2.2　數據庫　　33
3.3　常見的數據操作　　34
3.4　科學數據的格式　　35
3.5　現成的標準數據集　　37
3.6　數據生成　　41
3.7　模擬數據的生成（構造）　　41
3.7.1　用Python的內置函數生成隨機數　　42
3.7.2　基於統計分布的隨機數生成器的設計和實現　　45
3.7.3　一個用簡單邏輯生成5位隨機數的程序　　46
3.8　大規模數據集的簡要介紹　　47
3.9　小結　　48
第4章　Python科學計算API　　49
4.1　Python數值科學計算　　49
4.1.1　NumPy程序包　　49
4.1.2　SciPy程序包　　52
4.1.3　簡單的SciPy程序　　54
4.2　SymPy符號計算　　57
4.2.1　計算機代數係統　　57
4.2.2　通用CAS的特點　　57
4.2.3　SymPy設計理念簡介　　58
4.2.4　SymPy模塊　　60
4.2.5　簡單的範例程序　　61
4.3　數據分析和可視化的API和工具　　63
4.3.1　用pandas進行數據分析和操作　　63
4.3.2　用matplotlib進行數據可視化　　64
4.3.3　用IPython實現Python的交互式計算　　64
4.3.4　數據分析和可視化的示例程序　　65
4.4　小結　　67
第5章　數值計算　　68
5.1　NumPy的基本對象　　68
5.1.1　N維數組對象　　68
5.1.2　通用函數對象　　72
5.1.3　NumPy的數學模塊　　74
5.2　SciPy的介紹　　75
5.2.1　SciPy的數學函數　　75
5.2.2　高級模塊/程序包　　76
5.3　小結　　97
第6章　用Python做符號計算　　98
6.1　符號、錶達式和基本運算　　98
6.2　求解方程　　99
6.3　有理數、指數和對數函數　　100
6.4　多項式　　100
6.5　三角函數和復數　　101
6.6　綫性代數　　101
6.7　微積分　　103
6.8　嚮量　　105
6.9　物理模塊　　106
6.9.1　氫波函數　　106
6.9.2　矩陣和Pauli代數　　107
6.9.3　一維和三維量子諧振子　　107
6.9.4　二次量子化　　108
6.9.5　高能物理　　108
6.9.6　力學　　109
6.10　漂亮的打印功能　　111
6.11　密碼學模塊　　113
6.12　輸入的句法分析　　113
6.13　邏輯模塊　　114
6.14　幾何模塊　　116
6.15　符號積分　　117
6.16　多項式操作　　119
6.17　集閤　　120
6.18　運算的簡化和閤並　　121
6.19　小結　　122
第7章　數據分析與可視化　　123
7.1　matplotlib　　123
7.1.1　matplotlib的架構　　124
7.1.2　matplotlib的畫圖方法　　125
7.2　pandas程序庫　　128
7.2.1　Series　　128
7.2.2　DataFrame　　129
7.2.3　Panel　　130
7.2.4　pandas數據結構的常用函數　　131
7.2.5　時間序列與日期函數　　137
7.2.6　處理缺失數據　　140
7.3　I/O操作　　141
7.3.1　處理CSV文件　　141
7.3.2　即開即用數據集　　144
7.4　IPython　　145
7.4.1　IPython終端與係統命令行工具　　146
7.4.2　IPython Notebook　　149
7.5　小結　　150
第8章　並行與大規模科學計算　　151
8.1　用IPython做並行計算　　152
8.2　IPython並行計算架構　　152
8.3　並行計算示例　　154
8.3.1　並行裝飾器　　155
8.3.2　IPython的魔法函數　　155
8.4　IPython的高級特性　　157
8.4.1　容錯執行　　157
8.4.2　動態負載均衡　　158
8.4.3　在客戶端與引擎之間推拉對象　　158
8.4.4　支持數據庫存儲請求與結果　　160
8.4.5　在IPython裏使用MPI　　161
8.4.6　管理任務之間的依賴關係　　162
8.4.7　用Amazon EC2的StarCluster啓動IPython　　167
8.5　IPython數據安全措施　　168
8.5.1　常用並行編程方法　　168
8.5.2　在Python中演示基於Hadoop的MapReduce　　174
8.5.3　在Python中運行Spark　　176
8.6　小結　　176
第9章　真實案例介紹　　177
9.1　用Python開發的科學計算應用　　177
9.1.1　“每個孩子一颱筆記本”項目用Python開發界麵　　177
9.1.2　ExpEYES——科學之眼　　180
9.1.3　Python開發的天氣預測應用程序　　181
9.1.4　Python開發的航空器概念設計工具與API　　182
9.1.5　OpenQuake引擎　　183
9.1.6　德國西馬剋公司的能源效率應用程序　　184
9.1.7　高能物理數據分析的自動代碼生成器　　184
9.1.8　Python的計算化學應用　　186
9.2　Python開發的盲音觸覺識彆係統　　187
9.2.1　TAPTools空中交通管製工具　　187
9.2.2　光能效率檢測的嵌入式係統　　188
9.3　Python開發的科學計算程序庫　　189
9.3.1　Tribon公司的船舶設計API　　189
9.3.2　分子建模工具箱　　189
9.3.3　標準Python程序包　　190
9.4　小結　　191
第10章　科學計算的最佳實踐　　192
10.1　方案設計階段的最佳實踐　　192
10.2　功能實現階段的最佳實踐　　194
10.3　數據管理與應用部署的最佳實踐　　196
10.4　實現高性能的最佳實踐　　197
10.5　數據隱私與安全的最佳實踐　　198
10.6　測試與維護的最佳實踐　　198
10.7　Python常用的最佳實踐　　199
10.8　小結　　200
· · · · · · (收起)