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、表達式和數值類型8
2.1.2　變量與賦值9
2.1.3　PythonIDE11
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　一些簡單的數值程序20
3.1　窮舉法20
3.2　for循環22
3.3　近似解和二分查找24
3.4　關於浮點數27
3.5　牛頓拉弗森法29
第4章　函數、作用域與抽象31
4.1　函數與作用域32
4.1.1　函數定義32
4.1.2　關鍵字參數和默認值33
4.1.3　作用域34
4.2　規范37
4.3　遞歸39
4.3.1　斐波那契數列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　抽象數據類型與類83
8.1.1　使用抽象數據類型設計程序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　常數復雜度107
9.3.2　對數復雜度108
9.3.3　線性復雜度108
9.3.4　對數線性復雜度109
9.3.5　多項式復雜度109
9.3.6　指數復雜度111
9.3.7　復雜度對比112
第10章　一些簡單算法和數據結構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　歸並排序120
10.2.2　將函數用作參數122
10.2.3　Python中的排序123
10.3　散列表124
第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
第12章　背包與圖的*優化問題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*優解143
12.2　圖的*優化問題145
12.2.1　一些典型的圖論問題149
12.2.2　*短路徑：深度優先搜索和
廣度優先搜索149
第13章　動態規划155
13.1　又見斐波那契數列155
13.2　動態規划與0/1背包問題157
13.3　動態規划與分治算法162
第14章　隨機游走與數據可視化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
第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　統計推斷180
15.4　分布192
15.4.1　概率分布194
15.4.2　正態分布195
15.4.3　連續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
第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17章　抽樣與置信區間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　均值的標准誤差228
第18章　理解實驗數據231
18.1　彈簧的行為231
18.2　彈丸的行為238

18.2.1　可決系數240
18.2.2　使用計算模型241
18.3　擬合指數分布數據242
18.4　當理論缺失時245
第19章　隨機試驗與假設檢驗247
19.1　檢驗顯着性248
19.2　當心P-值252
19.3　單尾單樣本檢驗254
19.4　是否顯着255
19.5　哪個N257
19.6　多重假設258
第20章　條件概率與貝葉斯統計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21章　謊言、該死的謊言與統計學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　CumHocErgoPropterHoc270
21.5　統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　不顯着的顯着統計差別276
21.12　回歸假象277
21.13　小心為上278
第22章機器學習簡介279
22.1　特征向量281
22.2　距離度量283
第23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24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　基於回歸的分類器312
24.5　從「泰坦尼克」號生還320
24.6　總結325
Python　3.5速查表326