1.1 Python科学计算生态

1.1.1 为什么使用python

1.1.1.1 科学家的需求

• 获取数据（模拟、实验控制）
• 操作和处理数据
• 可视化结果、快速理解、绘制高质量图片，可用于报告或者出版。

1.1.1.2 python的优点

• 不需要重新发明轮子：包含一系列丰富的数值计算、画图、数据处理的工具集合。我们不需要重新编写代码来勾画曲线，不需要重新编码傅里叶变换和拟合函数。一切都是现成的，可调用的。
• 易于学习：对于很多问题，不需要太多的学习成本呢，可以快速入手。
• 易于交流：python语法很简单,避免奇怪的符号或冗长的程序规范，其可读行很强。
• 代码高效：python的数值模块计算非常高效，如果花太长的时间写代码换来的执行快速的代码是没有用的，python的目的是开发时间短、执行时间快。
• 通用性：现在python被用于很多不同的问题当中。对于新的问题，无需再学习一门新的语言。

简言之：
1、有丰富的科学计算包
2、逻辑清晰、容易编写、容易阅读、有良好的结构，we code what we think
3、除了科学计算包，还支持其他的包，比如说网页服务、序列端口访问等。
4、免费并开源、被广泛传播、社区充满活力。
5、强大的工作环境：ipython、pycharm、spader、jupyter notebook等。

• 缺点：并不是所有的算法都能在工具包中找到。

1.1.2 python计算科学生态

a. python：一个通用并且现代的计算语言：

• 语言：流控制（if、else）、数据类型（string、int）、数据集合（list，dict）
• 标准库的模块：字符串处理、文件管理、简单的网络协议。
• 大量的专业模块或用Python编写的应用程序：web框架,等等…和科学计算。
• 开发工具(自动测试、文档生成)

b. 核心数值库：

• Numpy：以矩阵为基础的数学计算模块。
• Scipy：更高级的数值计算，优化、回归、插值。
• Matplotlib：2D可视化

c. 更高阶的交互环境：

• ipython
• jupyter

d. 领域特定的包：

• Mayavi：三维可视化
• pandas, statsmodels, seaborn：用于统计
• sympy：用于符号计算
• scikit-image：用于图像处理
• scikit-learn：用于机器学习

1.1.3 开始前：安装工作环境

• 安装Anaconda即可。Anaconda是专注于数据分析的Python发行版本，包含了conda、Python等190多个科学包及其依赖项。

1.4 工作流

• 交互式：ipython、jupyter notebook
• 文本编辑器：Spyder、Pycharm

1.5 Ipython和jupyter使用技巧

• %cpaste：粘贴代码,尤其从网页粘贴代码
• %timeit：计时
• %debug：允许进入后调试

补充学习：优化代码和调试代码。

http://www.scipy-lectures.org/advanced/optimizing/index.html#optimizing-code-chapter
http://www.scipy-lectures.org/advanced/debugging/index.html#debugging-chapter