Python編程導論（第2版）

第1章　啟程 1

第2章　Python簡介 6

2．1　Python基本元素 7

2．1．1　對象、表達式和數(shù)值類型 8

2．1．2　變量與賦值 9

2．1．3　Python IDE 11

2．2　程序分支 12

2．3　字符串和輸入 14

2．3．1　輸入 15

2．3．2　雜談字符編碼 16

2．4　迭代 17

第3章　一些簡單的數(shù)值程序 20

3．1　窮舉法 20

3．2　for循環(huán) 22

3．3　近似解和二分查找 24

3．4　關于浮點數(shù) 27

3．5　牛頓 拉弗森法 29

第4章　函數(shù)、作用域與抽象 31

4．1　函數(shù)與作用域 32

4．1．1　函數(shù)定義 32

4．1．2　關鍵字參數(shù)和默認值 33

4．1．3　作用域 34

4．2　規(guī)范 37

4．3　遞歸 39

4．3．1　斐波那契數(shù)列 40

4．3．2　回文 42

4．4　全局變量 45

4．5　模塊 46

4．6　文件 47

第5章　結構化類型、可變性與

高階函數(shù) 50

5．1　元組 50

5．2　范圍 52

5．3　列表與可變性 52

5．3．1　克隆 57

5．3．2　列表推導 57

5．4　函數(shù)對象 58

5．5　字符串、元組、范圍與列表 60

5．6　字典 61

第6章　測試與調試 65

6．1　測試 65

6．1．1　黑盒測試 66

6．1．2　白盒測試 68

6．1．3　執(zhí)行測試 69

6．2　調試 70

6．2．1　學習調試 72

6．2．2　設計實驗 72

6．2．3　遇到麻煩時 75

6．2．4　找到“目標”錯誤之后 76

第7章　異常與斷言 77

7．1　處理異常 77

7．2　將異常用作控制流 80

7．3　斷言 82

第8章　類與面向對象編程 83

8．1　抽象數(shù)據(jù)類型與類 83

8．1．1　使用抽象數(shù)據(jù)類型設計程序 87

8．1．2　使用類記錄學生與教師 87

8．2　繼承 90

8．2．1　多重繼承 92

8．2．2　替換原則 93

8．3　封裝與信息隱藏 94

8．4　進階示例：抵押貸款 99

第9章　算法復雜度簡介 103

9．1　思考計算復雜度 103

9．2　漸近表示法 106

9．3　一些重要的復雜度 107

9．3．1　常數(shù)復雜度 107

9．3．2　對數(shù)復雜度 108

9．3．3　線性復雜度 108

9．3．4　對數(shù)線性復雜度 109

9．3．5　多項式復雜度 109

9．3．6　指數(shù)復雜度 111

9．3．7　復雜度對比 112

* 10章　一些簡單算法和數(shù)據(jù)結構 114

10．1　搜索算法 115

10．1．1　線性搜索與間接引用元素 115

10．1．2　二分查找和利用假設 116

10．2　排序算法 119

10．2．1　歸并排序 120

10．2．2　將函數(shù)用作參數(shù) 122

10．2．3　Python中的排序 123

10．3　散列表 124

* 11章　繪圖以及類的進一步擴展 128

11．1　使用PyLab繪圖 128

11．2　進階示例：繪制抵押貸款 133

* 12章　背包與圖的* 優(yōu)化問題 139

12．1　背包問題 139

12．1．1　貪婪算法 140

12．1．2　0/1背包問題的* 優(yōu)解 143

12．2　圖的* 優(yōu)化問題 145

12．2．1　一些典型的圖論問題 149

12．2．2　* 短路徑：深度優(yōu)先搜索和

廣度優(yōu)先搜索 149

* 13章　動態(tài)規(guī)劃 155

13．1　又見斐波那契數(shù)列 155

13．2　動態(tài)規(guī)劃與0/1背包問題 157

13．3　動態(tài)規(guī)劃與分治算法 162

* 14章　隨機游走與數(shù)據(jù)可視化 163

14．1　隨機游走 163

14．2　醉漢游走 164

14．3　有偏隨機游走 170

14．4　變幻莫測的田地 175

* 15章　隨機程序、概率與分布 178

15．1　隨機程序 178

15．2　計算簡單概率 180

15．3　統(tǒng)計推斷 180

15．4　分布 192

15．4．1　概率分布 194

15．4．2　正態(tài)分布 195

15．4．3　連續(xù)型和離散型均勻分布 199

15．4．4　二項式分布與多項式分布 200

15．4．5　指數(shù)分布和幾何分布 200

15．4．6　本福德分布 203

15．5　散列與碰撞 204

15．6　強隊的獲勝概率 206

* 16章　蒙特卡羅模擬 208

16．1　帕斯卡的問題 209

16．2　過線還是不過線 210

16．3　使用查表法提高性能 213

16．4　求π的值 214

16．5　模擬模型結束語 218

第* 章　抽樣與置信區(qū)間 220

17．1　對波士頓馬拉松比賽進行抽樣 220

17．2　中心極限定理 225

17．3　均值的標準誤差 228

第* 章　理解實驗數(shù)據(jù) 231

18．1　彈簧的行為 231

18．2　彈丸的行為 238



18．2．1　可決系數(shù) 240

18．2．2　使用計算模型 241

18．3　擬合指數(shù)分布數(shù)據(jù) 242

18．4　當理論缺失時 245

第* 章　隨機試驗與假設檢驗 247

19．1　檢驗顯著性 248

19．2　當心P-值 252

19．3　單尾單樣本檢驗 254

19．4　是否顯著 255

19．5　哪個N 257

19．6　多重假設 258

第* 章　條件概率與貝葉斯統(tǒng)計 261

20．1　條件概率 262

20．2　貝葉斯定理 263

20．3　貝葉斯更新 264

第* 章　謊言、該死的謊言與統(tǒng)計學 267

21．1　垃圾輸入，垃圾輸出 267

21．2　檢驗是有缺陷的 268

21．3　圖形會騙人 268

21．4　Cum Hoc Ergo Propter Hoc 270

21．5　統(tǒng)計測量不能說明所有問題 271

21．6　抽樣偏差 272

21．7　上下文很重要 273

21．8　慎用外推法 273

21．9　得克薩斯神槍手謬誤 274

21．10　莫名其妙的百分比 276

21．11　不顯著的顯著統(tǒng)計差別 276

21．12　回歸假象 277

21．13　小心為上 278

第* 章　機器學習簡介 279

22．1　特征向量 281

22．2　距離度量 283

第* 章　聚類 288

23．1　Cluster類 289

23．2　K-均值聚類 291

23．3　虛構示例 292

23．4　更真實的示例 297

第* 章　分類方法 303

24．1　分類器評價 303

24．2　預測跑步者的性別 306

24．3　K-* 鄰近方法 308

24．4　基于回歸的分類器 312

24．5　從“泰坦尼克”號生還 320

24．6　總結 325

Python　3．5速查表 326