Python科学计算

项目地址：https://github.com/datawhalechina/scientific-computing/

电子教程：https://datawhalechina.github.io/scientific-computing/

本项目主要介绍Python科学计算的内容。我们将Python常用的工具例如numpy，scipy，sympy，matplotlib，pandas，networkx，statsmodels，sklearn的常见用法进行了汇总与讲解。可以作为聪明办法学Python的下游课程，也可以作为数学建模导论的前置课程。我们致力于为大家带来更简洁的科学计算方法。

Python语言作为一门通用性和专用性都很好的语言，由于其易学、开源受到程序员们的追捧。我在前面的工作里已经初步做好了Python数学建模导论的稿件，当然里面还有不少细节性问题正在修订ing。但是考虑到其中的知识密度高的有些硬核，我决定为它增加一门前置课程，就是现在你所看到的Python科学计算。

本项目相比于代码理论兼备的数学建模导论，知识密度更小，轻量化学起来更容易，内容实操性非常强，没有什么艰难的数学理论，所以对于纯动手的工科生更友好。

目录

• 1 Numpy及其基本使用
  • 1.1 Numpy中的数组
  • 1.2 Numpy数组的运算
  • 1.3 Numpy与线性代数
  • 1.4 Numpy与多项式计算
• 2 Sympy及其基本使用
  • 2.1 符号对象的基本运算
  • 2.2 利用Sympy求解问题
• 3 Scipy及其基本使用
  • 3.1 微积分工具包
  • 3.2 优化工具包
  • 3.3 插值工具包
  • 3.4 假设检验工具包
  • 3.5 傅里叶变换工具包
• 4 Pandas及其基本使用
  • 4.1 pandas中的基础数据结构
  • 4.2 利用pandas进行数据分析
• 5 Matplotlib及其基本使用
  • 5.1 利用matplotlib绘图
  • 5.2 图窗，布局与排版
  • 5.3 利用seaborn进行美化
• 6 Networkx及其基本使用
  • 6.1 利用networkx创建图
  • 6.2 利用networkx分析图
  • 6.3 利用networkx求解图的一些基本问题
• 7 Statsmodels及其基本使用
  • 7.1 方差分析与回归分析
  • 7.2 时间序列预测
• 8 Sklearn及其基本使用
  • 8.1 数据集的预处理
  • 8.2 有监督学习的案例
  • 8.3 无监督学习的案例

参与贡献

• 如果你想参与到项目中来欢迎查看项目的 Issue 查看没有被分配的任务。
• 如果你发现了一些问题，欢迎在 Issue 中进行反馈🐛。
• 如果你对本项目感兴趣想要参与进来可以通过 Discussion 进行交流💬。

如果你对 Datawhale 很感兴趣并想要发起一个新的项目，欢迎查看 Datawhale 贡献指南。

贡献者名单

姓名	职责	简介
若冰（马世拓）	项目负责人	教程设计与撰写

负责人：若冰（马世拓）

注：表头可自定义，但必须在名单中标明项目负责人

关注我们

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

注：默认使用CC 4.0协议，也可根据自身项目情况选用其他协议