p數(shù)據(jù)分析基礎教程學習指南

1、社區(qū)會員u ho g 專享 尊重社區(qū)會員 heruihong 專享 尊重社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！內容 提 要本書是 NumPy 的入門，主要NumPy 以及相關的 Python 科學計算庫，如 SciPy 和 Matplotlib。本書內容涵蓋 NumPy 安裝、數(shù)組對象、常用函數(shù)、矩陣運算、線性代數(shù)、金融函數(shù)、窗函數(shù)、質量、Matplotlib 繪圖、SciPy 簡介以及 Pygame 等內容，涉及面較廣。另外，Ivan Idris每個知識點給出了簡短而明晰的示例，并為大部分示例給出了實用場景（如本書可讀

2、性。分析），在幫助初學者入門的同時，提高了本書適合正在找尋高質量開源計算庫的科學家、工程師、程序員和定量管理分析師閱讀參考。 Ivan Idris著譯責任編輯執(zhí)行編輯責任印制郵電北京市豐臺區(qū)電子郵件 315路11號100164北京開本：8001000印張：15.25字數(shù)：371千字 印數(shù)：1 4 000冊印刷1/162014年 1 月第 1 版2014年 1 月北京第 1 次印刷圖字：01-2013-5239號著作權合同登記號定價：49.00元讀者服務：(010)51095186轉600 印裝質量反盜版：(010)81055315：(010)81055316工商廣0021 號經(jīng)營證：社區(qū)會員

3、heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！Copyright 2013 Packt Publishing. First published in the English language under the title NumPyBeginners Guide, Second Edition.Simplified-language edition copyright 2014 by Posts & Telecom Press.s.本書中文簡體字版由Packt Publishing郵電獨家。者，不得以任何方式所有，或本書內容。社區(qū)會員

4、heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！譯者序NumPy，即Numeric Python的縮寫，是一個優(yōu)秀的開源科學計算庫，并已經(jīng)成為Python科學計算系統(tǒng)的重要組成部分。NumPy為我們提供了豐富的數(shù)學函數(shù)、強大的數(shù)組對象以及優(yōu)異的運算性能。盡管Python作為流行的編程語言非常靈活易用，但它本身并非為科學計算量身定做，在開發(fā)效率和執(zhí)行效率上均不適合直接用于數(shù)據(jù)分析，尤其是大數(shù)據(jù)的分析和處理。幸運的是，NumPy為Python插上了翅膀，在保留Python語言優(yōu)勢的同時大大增強了科學計算和數(shù)據(jù)處理的能力。更重要的是，NumPy與

5、SciPy、Matplotlib、SciKits等其他眾多Python科學計算庫很好地結合在一起，共同構建了一個完整的科學計算 系統(tǒng)。毫不夸張地講，NumPy是使用Python 進行數(shù)據(jù)分析的一個必備工具。說起NumPy，我是在數(shù)據(jù)的“賽場”上與之結緣的。出于對數(shù)據(jù)挖掘和學習的，我與中國亮、和的同學一起組建了一支名為BrickMover的“比賽小分隊”，隊友包括龐、等。我們先后參加了一些國內外的數(shù)據(jù)挖掘比賽，包括推薦系統(tǒng)算法創(chuàng)新大賽、首屆中國計算學大賽暨RTB算法大賽、RecSys Challenge2013、ICDM Contest 2013等，并且取得了還算不錯的成績。無一例外的是，這些比

6、賽均需要對數(shù)據(jù)進行快速、全面的分析。感謝NumPy，它正是我們使用的數(shù)據(jù)分析利器之一。本書作為NumPy的入門，從安裝NumPy講起，涵蓋NumPy數(shù)組對象、常用函數(shù)、矩陣運算、線性代數(shù)、金融函數(shù)、窗函數(shù)、質量、Matplotlib繪圖、SciPy簡介以及Pygame等內容，涉及面較。書中對每個知識點均給出了簡短而明晰的示例，很適合初學者上手。大部分示例都有真實的應用場景（如分析），可讀性遠遠好于枯燥的文檔，幫助讀者在掌握NumPy使用技能的同時拓寬視野、拓展思維。本書的閱讀門檻不高，讀者只需具備基本的Python編程知識。在翻譯本書的過，我發(fā)現(xiàn)原作有不少地方不夠嚴謹，甚至還有一些錯誤。經(jīng)過反

7、復核對確認，我已經(jīng)修改了發(fā)現(xiàn)的錯誤，并在我認為不夠嚴謹?shù)牡胤揭宰g者注的形式給出了的理解，供讀者參考。此外，中的配圖為屏幕截圖，清晰度較低。為了讀者獲得最佳的閱讀體驗，我將書中的代碼全部運行了一遍，并輸出矢量圖以替換原有的配圖。需要說明的是，書中部分代碼將會最近一年的股價數(shù)據(jù)，即數(shù)據(jù)的時間區(qū)段取決于代碼運行時的日期。因此，這部分代碼對應的新配圖會與中的配圖稍有差異，但對讀者有任何影響。社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！2譯者序感謝導師的力薦，他讓我有幸成書的譯者。王已有信息檢索導論大數(shù)據(jù)：大規(guī)?；ヂ?lián)網(wǎng)數(shù)據(jù)挖掘與分布式處

8、理學習實戰(zhàn)等諸多譯著。他并不滿足于國外的優(yōu)質書籍，而是字斟句酌、不辭辛勞地完成同樣優(yōu)質的譯作與廣大中文讀者共饗，這份精神讓我深受鼓舞。也正因為此，我才鼓起勇氣接受了這次自我，不遺余力地完成了人生第一次翻譯工作。在這個過，要感謝公司的對譯稿提出細致嚴謹?shù)男薷囊庖?，感謝、等界同仁在審校、編輯階段給予的幫助。最后，感謝家人，以及BrickMover Team的小伙伴們對翻譯本書的支持。由于的專業(yè)水平和翻譯能力十分有限，加上時間倉促，譯稿中的疏漏之處在所難免，懇請讀者諒解。希望讀者通過新浪UCAS和個人郵箱i，不吝提出寶貴的修改意見和建議，共同努力不斷完善譯稿。對于每一個期望快速了解NumPy，卻又擔

9、心值得一讀。迷失在浩如煙海的文檔中的人，這本書2013年11月于中關村社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！獻給家人和朋友們。社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！關于審稿人Jaidev Deshpande是Enthought公司的一位實習生，他在那里主要做數(shù)據(jù)分析和數(shù)據(jù)可視化方面的工作。他是個狂熱的科學計算程序員，在信號處理、數(shù)據(jù)分析和中都有貢獻。學習的很多開源項目Alexandre Devert博士在中國科學技術大學從事數(shù)據(jù)挖掘和軟件工程的教學

10、工作。他同時也是一位研究員，從事最優(yōu)化問題的研究，并在生物技術創(chuàng)業(yè)公司中研究數(shù)據(jù)挖掘問題。在所有這些工作中，Alexandre非常樂于使用Python、NumPy和SciPy。Mark Livingstone曾為三家計算機公司（如今已不復）工作，在工程、支持、編程和培訓等部門任職。他厭倦了被裁員的遭遇。2011年，他從澳大利亞黃金海岸的Griffith大學畢業(yè)，獲得學士學位。目前是他攻讀榮譽學士學位的最后一個學期，研究的是蛋白質相關的算法。研究工作中用到的軟件均是在Mac電腦上用Python寫成的。他的導師以及整個研究小組都感受到了Python編程的樂趣。Mark喜歡指導需要幫助的大一新生，他

11、是Griffith大學IEEE學生分會，也是Courthouse地區(qū)的太平紳士，曾經(jīng)擔任過信用合作社的主管，并將在2013年年底完成100次獻血的計劃。他在業(yè)余時間也很多產(chǎn)，曾與人合作開發(fā)了S2 Salstat Statistics Packag（e 項目主頁.com/p/salstat-statistics-package-2/）。這是一個跨平臺的統(tǒng)計工具包，其中用到了wxPython、 NumPy、SciPy、SciKit、Matplotlib等許多Python模塊。Mikls Prisznyk是一位有自然科學背景的資深軟件工程師。他畢業(yè)于匈牙利歷史最悠久、規(guī)模最大的大學Etvs Lrnd

12、大學，從事物理專業(yè)工作。他于1992年完成了，研究了非的晶格量子場論的蒙特卡羅。在匈牙利物理研究中心工作三年后，他加入了布達佩斯的MultiRci Kft。這家公司是由一群物理學家創(chuàng)辦的，專注數(shù)學方法分析數(shù)據(jù)和數(shù)據(jù)。在那里，他的主要項目是小區(qū)域內的失業(yè)統(tǒng)計分析系統(tǒng)，從那時候起，這一系統(tǒng)就一直被匈牙利用于公共就業(yè)服務。2000年他開始學習Python編程。2002年，他創(chuàng)辦了的咨詢公司，將Python用于所有能用的項目，服務于各種各樣的保險、和電子商務公司。他還曾在意大利 該項目主頁已過期并遷移至SourceForge。譯者注社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流

13、編程，群里提供500+本Python書籍！2關于審稿人工作，負責測試和優(yōu)化基于Python的Zope/Plone分布式應用程序。2007年的一家歐盟他移居英國，先是在一家蘇格蘭的創(chuàng)業(yè)公司工作，使用Twisted Python；隨后在英國航天工業(yè)部門工作，使用PyQt窗口工具包、Enthought應用程序框架，以及NumPy和SciPy。2012年，他回到匈牙利并重新加入MultiRci，目前的工作主要涉及OpenOffice/EuroOffice上的Python擴展模塊， 并再次使用NumPy和SciPy來讓用戶求解非線性問題和隨機優(yōu)化問題。Mikls喜歡旅行和閱讀，他廣泛，對自然科學、語言學

14、、歷史、政治、跳棋等均有涉獵。香濃的咖啡是他的最愛。不過，最美好的莫過于和他聰明的10歲大的兒子Zsombor一起享受時光。Nikolay Karelin擁有光學博士學位，有近20年利用各種方法進行數(shù)值和分析的經(jīng)驗，先后在學術界和工業(yè)界（從事光纖通信鏈路的）工作。在初識Python和NumPy后，他在過去的五年內逐漸將這些優(yōu)秀的工具用于幾乎所有數(shù)值分析和編寫工作。感謝家人，感謝他們在我審閱本書的一個個漫漫長夜所給予的理解與支持。社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！前言如今，科學家、工程師以及定量管理分析師著眾多的。數(shù)據(jù)

15、科學家們希望能夠用最小的編程代價在大數(shù)據(jù)集上進行數(shù)值分析，他們希望編寫的代碼可讀性好、執(zhí)行效率高、運行速度快，并盡可能地貼近他們熟悉的一系列數(shù)學概念。在科學計算領域，有很多符合這些要求的解決方案。在這方面，C、C+和Fortran等編程語言各有優(yōu)勢，但它們不是交互式語言，并且被很多人認為過于復雜。常見的商業(yè)還有、Maple和Mathematica。這些提供了強大的的開源工具，如語言，但和通用編程語言比起來，功能依然很有限。另外還有一些類似于R、GNU Octave和Scilab。顯然，作為編程語言，它們都不如Python強大。Python是一種流行的通用編程語言，在科學領域被廣泛使用。你很容易

16、在Python代碼中調用以前的C、Fortran或者R代碼。Python是面向對象語言，比C和Fortran更加高級。使用Python可以寫出易讀、整潔并且缺陷最少的代碼。然而，Python本身并不具有與等效的功能塊，而這恰恰就是NumPy Matplotlib。的意義。本書就是要NumPy以及相關的Python科學計算庫，如SciPy和NumPy是什么NumPy（Numerical Python的縮寫）是一個開源的Python科學計算庫。使用NumPy，就可以很自然地使用數(shù)組和矩陣。NumPy包含很多實用的數(shù)學函數(shù)，涵蓋線性代數(shù)運算、葉變換和隨機數(shù)生成等功能。如果你的系統(tǒng)中已經(jīng)裝有LAPAC

17、K，NumPy的線性代數(shù)模塊會調用它，否則NumPy將使用實現(xiàn)的庫函數(shù)。LAPACK是一個著名的數(shù)值計算庫，最初是用Fortran寫成的，同樣也需要調用它。從某種意義上講，NumPy可以取代用戶進行快速的交互式原型設計。和Mathematica的部分功能，并且中，我們從程序開發(fā)者的角度來討論NumPy，而是地立足戶，從他們的角度來分析它。不過值得一提的是，NumPy是一個非?；钴S的開源項目，擁有很多的貢獻者，也許有一天你也能成為其中的一員！社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！2前言NumPy的由來NumPy的前身是Nu

18、meric。Numeric最早發(fā)布于1995年，如今已經(jīng)廢棄了。由于種種，不管是Numeric還是NumPy，都沒能進入Python標準庫，不過單獨安裝NumPy也很方便。關于NumPy在第1的安裝，詳細。早在2001年，一些開發(fā)者受Numeric的啟發(fā)共同開創(chuàng)了一個叫做SciPy的項目。SciPy是一個開源的Python科學計算庫，提供了類似于、Maple和Mathematica的許多功能。那段時間，人們對于Numeric越來越不滿。于是，Numarray作為Numeric的替代品問世了。Numarray在某些方面比Numeric更強大，但是它們的工作方式卻截然不同。鑒于此，SciPy繼續(xù)遵

19、循Numeric的工作方式，并延續(xù)了對Numeric數(shù)組對象的支持。雖然人們總是傾向于使用“最新最好”的軟件，但是Numarray依然催生出了一整套的系統(tǒng)，包括很多周邊的實用工具軟件。2005年，SciPy的早期發(fā)起人之一Travis Oliphant決定改變這一狀況，他開始將Numarray的一些特性整合到Numeric中。一整套的代碼重構工作就此開始，并于2006年NumPy 1.0發(fā)布的時候全部完成。于是NumPy擁有了Numeric和Numarray的所有特性，并且還新增了一些功能。SciPy提供了一個升級工具，可以讓用戶方便地從Numeric 和Numarray升級到NumPy。由于

20、Numeric和Numarray均不再活躍更新，升級是必然的。如上所述，最初的NumPy其實是SciPy的一部分，后來才從SciPy中分離出來。如今，SciPy 在處理數(shù)組和矩陣時會調用NumPy。為什么使用NumPy對于同樣的數(shù)值計算任務，使用NumPy要比直接編寫Python代碼便捷得多。這是因為NumPy 能夠直接對數(shù)組和矩陣進行操作，可以省略很多循環(huán)語句，其眾多的數(shù)學函數(shù)也會讓編寫代碼的工作輕松許多。NumPy的底層算法在設計時就有著優(yōu)異的性能，并且經(jīng)受住了時間的考驗。NumPy中數(shù)組的效率和輸入輸出性能均遠遠優(yōu)于Python中等價的基本數(shù)據(jù)結構（如嵌套的list容器）。其能夠提升的性

21、能是與數(shù)組中元素的數(shù)目成比例的。對于大型數(shù)組的運算，使用NumPy的確很有優(yōu)勢。對于TB級的大文件，NumPy使用內存文件來處理，以達到最優(yōu)的數(shù)據(jù)讀寫性能。不過，NumPy數(shù)組的通用性不及Python提供的list容器，這是其不足之處。因此在科學計算之外的領域，NumPy的優(yōu)勢也就不那么明顯了。關于NumPy數(shù)組的技術細節(jié)， 面詳細討論。在后NumPy的大部分代碼都是用C語言寫成的，這使得NumPy比純Python代碼高效得多。NumPy同樣支持C語言的API，并且在C源代碼上做的功能拓展。C API的內容不討論之社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里

22、提供500+本Python書籍！前言3列。最后要記往一點，NumPy是開源的，這意味著使用NumPy可以享受到開源帶來的所有益處。價格低到了極限。你再也不用擔心每次有新成員加入團隊時，就要面對軟件及更新的問題了。開源代碼是向所有人開放的，對于代碼質量而言這是非常有利的。NumPy的局限性如果你是Java程序員，可能會對Jython感。Jython是Python語言在Java中的完整實現(xiàn)。遺憾的是，Jython運行在Java虛擬機上，無法調用NumPy，因為大部分NumPy模塊是用C語言實現(xiàn)的。Python和Jython可以說是完全不同的兩個世界，盡管它們實現(xiàn)的是同一套語言規(guī)范。當然，仍然有一些

23、變通方案，具體內容作者的另一本著作NumPy攻略中有所討論。本書內容第1章指導你在系統(tǒng)中安裝NumPy，并創(chuàng)建一個基本的NumPy應用程序。第2章NumPy數(shù)組對象以及一些基礎知識。第3章教你使用NumPy中最常用的基本數(shù)學和統(tǒng)計分析函數(shù)。第4章講述如何便捷地使用NumPy，包括如何選取數(shù)組的某一部分（例如根據(jù)一組值來選?。?、多項式擬合，以及NumPy對象的形態(tài)。第5章涵蓋了矩陣和通用函數(shù)的內容。矩陣在數(shù)使用廣泛，在NumPy中也有專門的對象來表示。通用函數(shù)（ufuncs）是一個能用于NumPy對象的標量函數(shù)，該函數(shù)的輸入為一組標量， 并將生成一組標量作為輸出。第6章探討通用函數(shù)的一些基本模塊

24、。通用函數(shù)通?？沙恕⒊?。到對應的數(shù)算，如加、減、第7章NumPy中的一些函數(shù)。作為NumPy用戶，我們時常發(fā)現(xiàn)有一些特殊的需求。幸運的是，NumPy能滿足我們的大部分需求。第8章怎樣編寫NumPy的單元測試代碼。第9章深入非常有用的Python繪圖庫Matplotlib。雖然NumPy本身不能用來繪圖，但是Matplotlib和NumPy兩者完美地結合在一起，其繪圖能力可與相媲美。第10章更詳細地SciPy。如前所述，SciPy和NumPy是有歷史淵源的，SciPy是一套高端Python科學計算框架，可以與NumPy共同使用。社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習

25、交流編程，群里提供500+本Python書籍！4前言第11章是本書的“餐后甜點”，這一章如何用NumPy和Pygame寫出有趣的。同時，我們也將從中“品嘗”到人工智能的“滋味”。閱讀條件要試驗本書中的代碼，你需要安裝最新版NumPy，因此要先安裝能夠運行NumPy的任一版Python。本書部分示例代碼采用Matplotlib進行繪圖，這些代碼不一定需要讀者全部運行，但依然推薦安裝Matplotlib。本書最后一章講的是SciPy，會討論一個使用SciKits的例子。以下是開發(fā)及測試示例代碼所需的軟件：q Python 2.7q NumPy 2.0.0.dev20100915q SciPy 0.

26、9.0.dev20100915q Matplotlib 1.1.1q Pygame 1.9.1q IPython 0.14.dev當然，我并不是要你在計算機上裝全這些軟件或者必須裝指定版本，但Python和NumPy是必須安裝的。讀者對象本書適合正在找尋高質量開源數(shù)學庫的科學家、工程師、程序員和分析師閱讀參考。讀者應具備一些基本的Python編程知識。此外，讀者應該是經(jīng)常與數(shù)學和統(tǒng)計學打交道，或起碼對它們感。排版約定本書會通過不同樣式區(qū)別不同類型的內容。下面給出部分樣式的示例及解釋。正文中的代碼格式如此處所示：“注意numpysum()函數(shù)中沒有使用for循環(huán)?！贝a段如下所示：def num

27、pysum(n):a = numpy.arange(n) * 2 b = numpy.arange(n) * 3 c = a + breturn c社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！前言5當我們希望你注意代碼中的某一部分時，會將相關的行或粗體表示：reals = np.isreal(xpoints) print Real number?, realsReal number? True True True True False False False False 命令行輸入輸出如下所示：fromnumpy.testin

28、g import rundocsrundocs(docstringtest.py)新術語和重要的名詞將用楷體表示。你在屏幕、菜單或“單擊Next按鈕進入下一界面?！笨蛑锌吹降奈谋緯捎眉哟謽邮剑壕婊蛑匾f明將寫在這里。小貼士和技巧將寫在這里。讀者反饋一直以來，我們都非常歡迎讀者朋友的意見反饋。請告訴我們你對本書的看法，以及你喜歡還是不喜歡書中的內容。你的意見對我們非常重要， 的收獲。努力使你從閱讀中得到最大如果希望提出一些反饋意見，敬請名。郵件至feedback，并請在郵件標題中寫如果你想看某方面的書并希望我們，請通過上的SUGGEST A TITLE表單提交選題建議，或郵件至suggest

29、。如果你是某個領域的們的作者指南。，或有寫書，歡迎，里面有我售后支持感謝你Packt的。我們有諸多售后支持服務，希望給你提供最大的附加價值。社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！6前言示例代碼如果你是代碼。如果你是在別處示例代碼以郵件形式的用戶并從那里了，可以從上配套的示例了本書，可以給你。并，我們會直接將勘誤盡管我們處處以保證內容的準確性，但錯誤仍在所難免。如果你在閱讀過發(fā)現(xiàn)錯誤并告知我們，不管是文字還是代碼中的錯誤，我們不勝感激。這樣做可使其他讀者免于困惑， 也能幫助我們不斷改進后續(xù)版本。如果你發(fā)現(xiàn)任何錯誤， 敬請.

30、com/support報告給我們，即在網(wǎng)頁上選擇你的，單擊errata submission form（提交勘誤），并輸入詳細描述。一旦你提出的錯誤被證實，你的勘誤將被接受并上傳至我們的，或加入到已有的勘誤列表中。若要查看已有勘誤，請并通過書名查找。關于盜版在網(wǎng)上，所有物的任何都會遭遇盜版問題。Packt非常重視保護工作。如果你在網(wǎng)上發(fā)現(xiàn)Packt副本，請立即向我們提供的地址或名稱，以便我們采取補救措施。敬請通過copyright我們，告知內容的。我們非常感激你的幫助。這將保護我們作者的利益，同時也使我們有能力繼續(xù)提供高品質的內容。疑難解答如果對本書的任何方面有疑問，歡迎力為你答疑解惑。郵件至

31、questions，盡最大努 也可在社區(qū)（iT）本書網(wǎng)頁。編者注 關于本書中文版的勘誤，請社區(qū)（iT）本書網(wǎng)頁提交。編者注社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！目錄NumPy 快速入門1動手實踐：創(chuàng)建自定義數(shù)據(jù)類型22一維數(shù)組的索引和切片23動手實踐：數(shù)組的切片和索引23動手實踐：改變數(shù)組的維度26第 1 章.11.2Python1動手實踐：在不同的操作系統(tǒng)上安裝 Python1Windows2動手實踐：在 Windows 上安裝 NumPy、

32、Matplotlib、SciPy 和 IPython2.數(shù)組的組合271.31.4動手實踐：組合數(shù)組27數(shù)組的分割30動手實踐：分割數(shù)組30數(shù)組的屬性32動手實踐：數(shù)組的轉換Linux4動手實踐：在 Linux 上安裝 NumPy、Matplotlib、SciPy 和 IPython5Mac OS X5動手實踐：在 Mac OS X 上安裝 NumPy、Matplotlib 和 SciPy5動手實踐：使用 MacPorts 或 Fink 安裝NumPy、SciPy、Matplotlib 和 IPython7編譯源代碼8數(shù)組對象8.本章小結351.71.8常用函數(shù)36文件讀寫3

33、6動手實踐：讀寫文件36CSV 文件37動手實踐：讀入 CSV 文件37第 3 章41.15平均價格（VWAP）38成交量加法8動手實踐：動手實踐：計算成交量平均價IPython：一個交互式 shell 工具11和幫助14格38算術平均值函數(shù)38本章小結153.6.1平均價格393.6.2 時間NumPy 基礎16NumPy 數(shù)組對象16第 2 章2.12.2取值范圍35動手實踐：找到最大值和最小值40統(tǒng)計分析41動手實踐：簡單統(tǒng)計分析41數(shù)組17動

34、手實踐：創(chuàng)建選取數(shù)組元素18NumPy 數(shù)據(jù)類型19數(shù)據(jù)類型對象20字符編碼20自定義數(shù)據(jù)類型21dtype 類的屬性...6率43股票率43動手實踐：分析股票日期分析45動手實踐：分析日期數(shù)據(jù)45周匯總48社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！2目錄動手實踐：匯總數(shù)據(jù)48真實波動幅度均值（ATR）52動手實踐：計算真實波動幅度均值52簡單移動平均線54動手實踐：計算簡單移動平均線54指數(shù)移動平均線56動手實踐：計算指數(shù)移動平均線56帶58通用函數(shù)的方法90動手實踐

35、：在 add 上調用通用函數(shù)的方法91算術運算93動手實踐：數(shù)組的除法運算93模運算95動手實踐：模運算95那契數(shù)列943.253.263.273.283.293.303.313.323.315.225.23帶58那契數(shù)列96動手實踐：繪制動手實踐：計算線性模型61茹曲線97價格61茹曲線97動手實踐：用線性模型動手實踐：繪制趨勢線63方波99動手實踐：繪制方波99鋸齒波和三角波100動手實踐：繪制鋸齒波和三角

36、波101位操作函數(shù)和比較函數(shù)102動手實踐：玩轉二進制位102本章小結104深入學習 NumPy 模塊105動手實踐：繪制趨勢線63ndarray 對象的方法66動手實踐：數(shù)組的修剪和壓縮67階乘67動手實踐：計算階乘67本章小結68便捷函數(shù)70相關性70動手實踐：股票相關性分析71多項式74動手實踐：多項式擬合74凈額成交量77動手實踐：計算 OBV78過程模擬79動手實踐：避免使用循環(huán)80數(shù)據(jù)平滑82動手實踐：使用 hanning 函數(shù)平滑數(shù)據(jù)82本章小結85矩陣和通用函數(shù)86矩陣86動手實踐：創(chuàng)建矩陣86從已有矩陣創(chuàng)建新矩陣88動手實踐：從已有矩陣創(chuàng)建新矩陣88通用函數(shù)89動手實踐：創(chuàng)建

37、通用函數(shù)89第 4 章4.10第 6 章86.196.20線性代數(shù)105動手實踐：計算逆矩陣105求解線性方程組107動手實踐：求解線性方程組107. 108特征值和特征. 108動手實踐：求解特征值和特征奇異值分解110動手實踐：分解矩陣110廣義逆矩陣112動手實踐：計算廣義逆矩陣112行列式113動手實踐：計算矩陣的行列式1134.11葉變換114快速第 5 章葉變換114動手

38、實踐：計算移頻115動手實踐：移頻116隨機數(shù)117. 117動手實踐：硬幣超幾何分布119. 119動手實踐：模擬秀社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！目錄3連續(xù)分布121動手實踐：繪制正態(tài)分布121對數(shù)正態(tài)分布122窗1337.307.317.32動手實踐：繪制數(shù)學函數(shù)139動手實踐：繪制的6.24 動手實踐：繪制對數(shù)正態(tài)分布122函數(shù)139sinc 函數(shù)140動手實踐：繪制 sinc 函數(shù)140本章小結142本章小結1236.257.337.347.35函數(shù).第 7 章124排序124動手

39、實踐：按字典序排序124復數(shù)126動手實踐：對復數(shù)進行排序126搜索127動手實踐：使用 searchsorted函數(shù)127數(shù)組元素抽取128動手實踐：從數(shù)組中抽取元素128金融函數(shù)129動手實踐：計算終值130現(xiàn)值131動手實踐：計算現(xiàn)值131凈現(xiàn)值131動手實踐：計算凈現(xiàn)值13.第 8 章 質量143斷言函數(shù)143動手實踐：使用 assert_almost_ equal 斷言近似相等144近似相等145動手實踐：使用 assert_approx_ equal 斷言近似相等145數(shù)組近似相等146動手實踐：斷言數(shù)組近似相等146數(shù)組相等147動手實踐：比

40、較數(shù)組147數(shù)組排序148動手實踐：核對數(shù)組排序148對象比較149動手實踐：比較對象149字符串比較149動手實踐：比較字符串150浮點數(shù)比較150動手實踐：使用 assert_array_ almost_equal_nulp 比較浮點數(shù) 151多 ULP 的浮點數(shù)比較151動手實踐：設置 maxulp 并比較浮點數(shù)151單元測試152動手實踐：編寫單元測試152nose 和測試裝飾器154動手實踐：使用測試裝飾器155文檔字符串157動手實踐：執(zhí)行文檔字符串測試157本章小結1577.

41、47.257.206率132內部率132動手實踐：計算內部分期付款133動手實踐：計算分期付款133付款期數(shù)133動手實踐：計算付款期數(shù)134利率134動手實踐：計算利率134窗函數(shù)1348.178.18窗135動手實踐：繪制48.25窗135動手實踐：使用窗平滑股價數(shù)據(jù)136漢明窗137動手實踐：繪制漢明窗137窗1387.277.287.29社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編

42、程，群里提供500+本Python書籍！4目錄使用 Matplotlib 繪圖159簡單繪圖159信號處理190第 9 章10.710.8 動手實踐：檢測Q 股價的線性9.4趨勢190葉分析192動手實踐：對去除趨勢后的信號進行濾波處理192化194動手實踐：擬合正弦波195.動手實踐：繪制多項式函數(shù)15910.910.10格式字符串161動手實踐：繪制多項式函數(shù)及其導函數(shù)161子圖163動手實踐：繪制多項式函數(shù)及其導函數(shù)163財經(jīng)165動手實踐：繪制全年股票價格165直方圖167動手實踐：繪制股價分布直方圖167對數(shù)坐標圖169動手實踐：繪制股票成交量169散點圖17110

43、.1110.1210.1310.1410.1510.1610.1710.1810.1910.20. 197數(shù)值. 198動手實踐：計算29.139.14插值198動手實踐：一維插值198圖像處理200動手實踐：處理 Lena 圖像200音頻處理202動手實踐：重復音頻片段202本章小結204玩轉 Pygame205動手實踐：繪制股票率和成交量第 11 章11.411.511.6變化的散點圖171著色173動手實踐：根據(jù)條件進行著色173圖例和注釋175動手實踐：使用圖例和注釋175三維繪圖177Pygame2

44、05動手實踐：安裝 Pygame205Hello World2009.219.22. 206動手實踐：制作簡單動畫208動手實踐：使用 NumPy 和 Pygame中繪圖178動手實踐：在三制作動畫對象208Matplotlib211動手實踐：在 Pygame 中使用Matplotlib211屏幕像素214等高線圖179動手實踐：繪制色彩填充的等高11.711.8線圖179動畫180動手實踐：制作動畫180本章小結18511.911.1011.1111.1211.1311.1411.1511.1611.17屏幕像素214動

45、手實踐：人工智能216動手實踐：數(shù)據(jù)點聚類216第 10 章 NumPy 的擴展：SciPy183OpenGL 和 Pygame218和 Octave18310.1地毯218動手實踐：繪制10.2 動手實踐：保存和加載.mat 文件183. 221模擬統(tǒng)計184動手實踐：分析隨機數(shù)185樣本比對和 SciKits18710.310.410.5動手實踐：模擬生命221本章小結224率18710.6 動手實踐：比較股票對數(shù). 225突擊測驗社區(qū)會員 heruihong 專享 尊重歡迎加入非Python學習交流編程，群里提供500+本Python書籍！1NumPy快速入門讓我們開始吧。首先，如何在不

46、同的操作系統(tǒng)中安裝NumPy和相關軟件，并給出使用NumPy的簡單示例代碼。然后，簡單IPython，因此你，以（一種交互式shell工具）。如前言所述，SciPy和NumPy有著密切的將多次看到SciPy的身影。在本章的末尾，告訴你如何利用便你在受困于某個問題或不確定最佳的解題方法時，可以獲取幫助。本章涵蓋以下內容：q 在Windows、Linux和Macintosh操作系統(tǒng)上安裝Python、SciPy、Matplotlib、IPython和NumPy；q 編寫簡單的NumPy代碼；q 了解IPython；q 瀏覽文檔和相關。1.1PythonNumPy是基于Python的，因此在安裝Nu

47、mPy之前，我們需要先安裝Python。某些操作系統(tǒng)已經(jīng)默認安裝有Python環(huán)境，但你仍需檢查Python的版本是否與你將要安裝的NumPy版本兼容。Python有很多種實現(xiàn)，包括一些商業(yè)化的實現(xiàn)和從而保證與NumPy兼容。使用CPython實現(xiàn)，版。中，1.2動手實踐：在不同的操作系統(tǒng)上安裝 PythonNumPy在Windows、各種Linux版以及Mac OS X上均有二進制安裝包。如果你愿意，也 CPython是用C語言實現(xiàn)的Python解釋器。譯者注社區(qū)會員 heruihong 專享 尊重第1章 歡迎加入非Python學習交流編程，群里提供500+本Python書籍！2第 1 章

48、NumPy 快速入門可以安裝包含源代碼的版本。你需要在系統(tǒng)中安裝Python 2.4.x或更高的版本。操作系統(tǒng)中安裝Python的各個步驟。給出在以下(1) Debian和Ubuntu Debian和Ubuntu可能已經(jīng)默認安裝了Python，但開發(fā)者包（developmentheaders）一般默認安裝。在Debian和Ubuntu中安裝python和python-dev令如下：sudo apt-get install python sudo apt-get install python-dev(2) Windows Python的Windows安裝程序可以在。在這個站點中，我們也可以找到Mac OS X的安裝程序，以及Linux、Unix和Mac OS X下的源代碼包。(3) Mac Mac OS X中預裝了Python，而我們也可以通過MacPorts、Fink或者類似的包管理工具來獲取Python。舉例來說，可以使用如下命令安裝Python 2.7：sudo port install python27LAPACK并不是必需的，但如果需要，NumPy在安裝過將檢測并使用之。我們推薦大家安裝LAPACK以便應對海量數(shù)據(jù)的計算，因為它擁有高效的線性代數(shù)計算模塊。剛才做了些什么我們在Debian、Ubuntu、Windows和Mac操作系統(tǒng)中安裝了Python。1.3W