Python3程序設計實例教程（簡體書）

本書全面地介紹了Python程序設計的核心技能，以及Python在數據分析、人工智能等領域的應用。全書共15章，分為三大部分：①Python核心技能，包括初識Python、程序設計入門、流程控制、字符串、組合數據類型、函數、文件操作7章；②數據分析技能，包括正則表達式、爬蟲入門、科學計算入門之NumPy、數據分析入門之Pandas、數據可視化入門5章；③人工智能初步，包括面向對象程序設計、機器學習入門、深度學習入門3章。
本書圖文並茂、示例豐富，以“任務驅動”的方式在實際應用中講解Python的要點，並且將程序設計在線評測系統引入了教學，讓讀者及時評估自己的水平。本書配有豐富的學習資源，包括視頻、PPT、速查表、電子教案、習題、習題解析等，讀者可以登錄機械工業出版社教育服務網（http://www.cmpedu.com）免費下載。
本書可以作為應用型本科計算機、人工智能、大數據相關專業的教材，也可以作為Python程序設計、數據分析、人工智能入門的培訓教材，還可以作為廣大程序設計愛好者的自學參考書。

任務驅動式教學設計，配套豐富

前言
第1章 初識Python1
1.1 Python語言概述1
1.1.1 Python簡史1
1.1.2 Python 2和
Python 32
1.1.3 Python的特點2
1.1.4 膠水語言3
1.1.5 Python的應用3
1.1.6 學好Python的關鍵4
1.2 Python語言開發環境配置5
1.2.1 使用雲端開發環境
Jupyter Notebook
（米筐）6
1.2.2 安裝一站式開發環境
Anaconda7
1.3 Jupyter Notebook的使用8
1.4 探索Python：乘方、階乘和
單詞統計12
1.5 小結13
1.6 習題13
第2章 程序設計入門15
2.1 計算生態與導入庫和函數15
2.1.1 計算生態15
2.1.2 導入庫和函數★16
2.2 結構化程序的框架17
2.2.1 程序的基本處理流程IPO17
2.2.2 任務：計算圓的周長和面積18
2.3 Python程序語法特點分析18
2.3.1 Python的基本語法元素18
2.3.2 多行語句21
2.4 Python的6種核心數據類型21
2.5 可變類型和不可變類型22
2.6 數字類型和算術運算23
2.7 程序在線評測系統及基本使用25
2.7.1 程序在線評測系統26
2.7.2 程序評測系統中的Hello
World：A+B問題26
2.7.3 基本輸入/輸出函數26
2.8 小結29
2.9 習題29
第3章 流程控制32
3.1 分支結構的3種形式32
3.2 解釋型語言的特點34
3.3 for循環35
3.3.1 遍歷容器35
3.3.2 函數range36
3.3.3 多重循環：九九乘法表和水仙花數38
3.4 羅塞塔石碑語言學習法39
3.5 while循環和流程圖41
3.6 改變循環執行流程：break和continue42
3.7 程序的異常處理43
3.8 小結45
3.9 習題46
第4章 字符串49
4.1 字符串的基本知識49
4.1.1 字符串界定符：單引號、
雙引號和三重引號49
4.1.2 使用反斜杠轉義49
4.1.3 抑制轉義使用raw50
4.2 序列的索引和切片★51
4.3 字符串的基本操作52
4.3.1 序列操作53
4.3.2 常用的字符串方法53
4.3.3 匹配字符串的前綴和後綴55
4.3.4 切分和合併字符串★55
4.4 字符串格式化和輸出語句56
4.5 中文分詞和jieba庫57
4.6 小結58
4.7 習題59
第5章 組合數據類型61
5.1 組合數據類型：序列、集合和映射61
5.2 List列表：批量處理62
5.2.1 列表的常用操作62
5.2.2 列表的遍歷和排序64
5.2.3 列表的引用和複製65
5.3 tuple 元組：不可變、組合66
5.4 dict字典：按鍵取值68
5.5 set集合：去重71
5.6 列表生成式★72
5.7 生成器表達式和惰性求值74
5.8 小結74
5.9 習題75
第6章 函數78
6.1 認識函數78
6.2 使用函數實現機器翻譯80
6.3 函數的參數82
6.3.1 可選參數和默認值82
6.3.2 位置參數傳遞82
6.3.3 關鍵字參數傳遞83
6.3.4 不定長參數83
6.4 函數式編程和高階函數85
6.5 匿名函數lambda★86
6.6 常用高階函數：map、reduce和filter86
6.7 遞歸函數88
6.8 變量的作用域 LEGB原則90
6.8.1 函數被調用的次數90
6.8.2 斐波那契函數優化1：全域字典91
6.8.3 斐波那契函數優化2：內嵌函數91
6.9 小結91
6.10 習題92
第7章 文件操作96
7.1 認識文件96
7.2 文本文件及讀寫操作97
7.2.1 讀取文件全文97
7.2.2 按行讀取文件98
7.2.3 實現文件的編碼格式轉換98
7.2.4 使用with-as語句99
7.3 處理表格數據（CSV）的3種方法100
7.4 存儲半結構化數據：JSON101
7.5 常用文件模塊os和shutil102
7.6 模塊和包105
7.7 小結107
7.8 習題107
第8章 正則表達式109
8.1 正則表達式簡介109
8.2 Python中的常用正則函數109
8.2.1 正則函數初步使用110
8.2.2 查找所有匹配（re.findall）111
8.2.3 查找第一個匹配（re.search）112
8.2.4 替換（re.sub）114
8.3 RegexOne的闖關遊戲115
8.3.1 闖關：通配符116
8.3.2 闖關：排除特定字符116
8.3.3 闖關：重複次數117
8.4 編譯模式re.compile和匹配參數117
8.5 小結118
8.6 習題118
第9章 爬蟲入門120
9.1 網絡爬蟲簡介及基本處理流程120
9.1.1 網絡爬蟲的概念120
9.1.2 使用爬蟲的風險120
9.1.3 網絡爬蟲的基本處理流程121
9.2 實戰：Pandas獲取中國企業500強榜單122
9.3 使用requests庫獲取網頁123
9.4 使用BeautifulSoup4庫解析網頁124
9.4.1 從節點中提取信息125
9.4.2 獲取節點的主要方式126
9.5 實戰：爬取唐詩三百首128
9.6 小結131
9.7 習題131
第10章 科學計算入門之NumPy132
10.1 科學計算和NumPy132
10.2 NumPy的基本對象133
10.2.1 代碼向量化133
10.2.2 通用函數ufunc133
10.3 統計函數的應用：分析學生成績134
10.4 核心數據結構：多維數組135
10.5 使用NumPy表示和處理圖像137
10.6 小結139
10.7 習題140
第11章 數據分析入門之Pandas141
11.1 從Excel到Pandas：製作產品銷售數據表141
11.2 DataFrame的基本操作143
11.2.1 查看DataFrame對象的方法和屬性143
11.2.2 DataFrame的基礎數據結構 Series145
11.2.3 列名操作：查看和修改146
11.3 DataFrame的常用操作146
11.3.1 設置和重置索引146
11.3.2 切片148
11.3.3 條件選擇150
11.3.4 排序150
11.4 分組聚合：日常費用統計表151
11.5 小結155
11.6 習題155
第12章 數據可視化入門157
12.1 Matplotlib的基本用法157
12.1.1 Python繪圖基礎：Matplotlib157
12.1.2 實例：繪製正弦曲線157
12.1.3 實例：2017年全球GDP
排名前4的國家158
12.2 Matplotlib的兩種接口159
12.2.1 MATLAB風格接口159
12.2.2 面向對象接口160
12.3 使用Pandas可視化數據160
12.4 簡捷作圖工具：seaborn162
12.5 詞雲圖164
12.5.1 英文詞雲實例：愛麗絲夢遊仙境164
12.5.2 中文詞雲實例：《促進新一代人工智能產業發展三年行動計劃》詞雲圖166
12.6 小結167
12.7 習題167
第13章 面向對象程序設計170
13.1 認識面向對象編程170
13.1.1 面向對象編程170
13.1.2 面向對象的優點170
13.1.3 OOP術語概述171
13.2 類和對象171
13.2.1 實例：採用面向過程和面向對象的程序設計處
理學生成績171
13.2.2 類的構成173
13.2.3 類的專有方法173
13.2.4 實例屬性和類屬性174
13.2.5 類方法和靜態方法174
13.3 數據封裝175
13.4 繼承177
13.4.1 繼承的優點：代碼重用177
13.4.2 重載方法178
13.5 多態179
13.6 運算符重載180
13.7 小結181
13.8 習題181
第14章 機器學習入門183
14.1 初識機器學習183
14.1.1 機器學習：新的編程範式183
14.1.2 入門示例：預測房屋價格184
14.1.3 機器學習處理流程186
14.1.4 機器學習庫sklearn187
14.1.5 機器學習的分類188
14.2 分類實戰：預測鳶尾花的類型189
14.2.1 鳶尾花數據集描述189
14.2.2 數據探索189
14.2.3 使用kNN模型預測192
14.2.4 數據集的劃分：訓練集、驗證集、測試集193
14.2.5 分類模型的評價指標194
14.2.6 k折交叉驗證196
14.3 回歸實戰：預測波士頓房價197
14.3.1 波士頓房價問題描述197
14.3.2 獲取內置數據集的基本信息198
14.3.3 數據探索199
14.3.4 使用線性回歸模型預測201
14.3.5 回歸模型的評價指標202
14.4 欠擬合和過擬合203
14.5 機器學習常用方法簡要介紹203
14.6 小結205
14.7 習題206
第15章 深度學習入門207
15.1 初識深度學習207
15.1.1 深度學習的歷史207
15.1.2 推動深度學習的三駕馬車：硬件、數據和算法208
15.1.3 機器學習、深度學習
和人工智能209
15.1.4 深度學習框架209
15.2 神經網絡實戰：印第安人糖尿病診斷211
15.2.1 任務描述211
15.2.2 多層神經網絡的實現211
15.3 神經網絡的基本原理214
15.3.1 神經元：權重、偏差和激活函數214
15.3.2 多層神經網絡215
15.3.3 損失函數和優化器216
15.4 實戰：識別手寫數字217
15.4.1 任務描述：MNIST手寫數字217
15.4.2 多層神經網絡的實現218
15.4.3 卷積神經網絡的實現221
15.5 卷積神經網絡223
15.5.1 圖像的3個特點223
15.5.2 卷積神經網絡的結構224
15.5.3 卷積神經網絡的兩個特徵225
15.5.4 卷積層：卷積核和特徵圖226
15.5.5 池化層226
15.5.6 全連接層227
15.6 小結227
15.7 習題228
參考文獻230