前言
科学计算即数值计算，是指应用计算机处理科学研究和工程技术中所遇到的数学计算问题。在现代科学和工程技术中，经常会遇到大量复杂的数学计算问题，这些问题用一般的计算工具来解决非常困难，而用计算机来处理却非常容易。
在计算机出现之前，科学研究和工程设计主要依靠实验或实验提供数据，计算仅处于辅助地位。计算机技术的迅速发展，使越来越多的复杂计算成为可能。利用计算机进行科学计算带来了巨大的经济效益，同时也使科学技术本身发生了根本变化： 传统的科学技术只包括理论和实验两个组成部分，使用计算机后，计算已成为同等重要的第三个组成部分。
Python是一种计算机程序设计语言，是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本（shell），随着版本的不断更新和语言新功能的添加，越来越多地被用于独立的、大型项目的开发。自从20世纪90年代初Python语言诞生至今，它已广泛应用于系统管理任务的处理和Web编程中。
Python在设计上坚持了清晰且整齐划一的风格，这使得Python成为一门易读、易维护，并且受大量用户欢迎的、用途广泛的语言。由于其特性，在国外用Python做科学计算的研究机构日益增多，一些知名大学已经采用Python来教授“程序设计”课程。
说起科学计算，首先会被提到的应该是MATLAB。然而除了MATLAB的一些专业性很强的工具箱还无法被替代之外，MATLAB的大部分常用功能都可以在Python世界中找到相应的扩展库。和MATLAB相比，用Python做科学计算有如下优点：
MATLAB是一款商用软件，并且价格不菲。而Python完全免费，众多开源的科学计算库都提供了Python的调用接口。用户可以在任何计算机上免费安装Python及其绝大多数扩展库。
与MATLAB相比，Python是一门更易学、更严谨的程序设计语言。它能让用户编写出更易读、易维护的代码。
MATLAB主要专注于工程和科学计算。然而即使在计算领域，也经常会遇到文件管理、界面设计、网络通信等各种需求。而Python有着丰富的扩展库，可以轻易完成各种高级任务，开发者可以用Python实现完整应用程序所需的各种功能。
本书是一种利用Python实现科学计算，解决实际问题的参考书，其编写本身具有如下特点。
（1） 内容由浅入深，涵盖知识全面。
本书第1章用于简单介绍Python软件基础知识，让读者认识Python； 第2~11章全面涵盖了科学计算的内容，让读者除了学习科学计算知识外，还可体会到利用Python解决科学计算问题的简便、快捷。
（2） 易学易懂，实例丰富。
每章都是先介绍相关概念、公式，再通过典型实例帮助读者巩固相关知识点，而且在实例实现代码中，都有相关详细注释，让读者快速读懂代码，领会知识要点。
（3） 实战性强，有较高的应用价值。
除了每章提供的相关实例用来巩固知识点外，最后一章是经典实战，通过Python实现一款流行游戏，进一步说明Python在科学计算中应用广泛。
（4） 完整的源代码和训练数据集。
书中所有的案例都提供了免费的代码，使读者学习更方便。另外，读者也可以轻松获得书中案例的训练数据集。
全书共11章。第1章介绍了Python基础，主要包括Python辅助工具、第三方库、模块、函数等内容。第2章介绍了模型评估与概率统计，主要包括经验误差与过拟合、评估方法、性能度量、比较检验等内容。第3章介绍了贝叶斯分类器，主要包括参数估计、朴素贝叶斯、半朴素贝叶斯、贝叶斯网等内容。第4章介绍了频域与快速傅里叶变换，主要包括频率直方图、傅里叶变换、快速傅里叶变换、频域滤波、平滑空域滤波器等内容。第5章介绍了线性回归，主要包括普通线性回归、广义线性模型、逻辑回归、岭回归、弹性网络等内容。第6章介绍了多分类器系统，主要包括多分类器系统原理及误差、Bagging与AdaBoost算法、随机森林算法等内容。第7章介绍了Scipy科学计算库，主要包括文件输入和输出、线性代数操作、离散余弦变换积分、插值、拟合、图像处理等内容。第8章介绍了统计分析，主要包括随机变量、几种常用分布、样本分析、核密度估计等内容。第9章介绍了数值分析，主要包括主成分分析、奇异值分解、k近邻算法、聚类算法、数据标准化等内容。第10章介绍了数据可视化，主要包括Matplotlib生成数据图、其他数据图等内容。第11章介绍了数据处理，主要包括CSV文件格式、JSON数据、数据清洗、读取网络数据等内容。
资源下载
本书提供案例代码、习题答案等资料，请扫描此处二维码或者到清华大学出版社官方网站本书页面下载。
由于时间仓促，加之编者水平有限，本书疏漏之处在所难免。在此，诚恳地期望得到各领域的专家和广大读者的批评指正。
编者
2020年12月
