高等數(shù)學：基于Python的實現(xiàn)

第1章　Python基礎(chǔ) 1
1．1　初識 Python 1
1．1．1　Python 語言 1
1．1．2　Python 語言的發(fā)展歷史 1
1．1．3　Python 語言的特點 2
1．2　搭建 Python 環(huán)境 3
1．2．1　在 Windows 平臺安裝 Python 3
1．2．2　Path 環(huán)境變量設(shè)置 6
1．2．3　Python 交互式窗口的打開方式 7
1．3　常見的 Python IDE 10
1．4　安裝與使用 PyCharm 10
1．4．1　安裝 PyCharm 10
1．4．2　配置 PyCharm 14
1．4．3　使用 PyCharm 15
1．4．4　Python 編程初試 19
1．4．5　在 PyCharm 中安裝第三方庫 21
第2章　一元函數(shù)微分及其應(yīng)用 25
2．1　函數(shù)及其相關(guān)概念 25
2．1．1　函數(shù)概念 25
2．1．2　函數(shù)的復(fù)合運算 27
2．1．3　數(shù)學模型方法概述 29
2．2　極限與連續(xù) 31
2．2．1　數(shù)列極限 31
2．2．2　函數(shù)f (x)的極限 33
2．3　導數(shù)與微分 44
2．3．1　函數(shù)的局部變化率―導數(shù) 44
2．3．2　導數(shù)的計算 46
2．3．3　微分及其計算 51
2．4　導數(shù)的應(yīng)用 54
2．4．1　極大值和極小值―函數(shù)的局部性質(zhì) 54
2．4．2　最大值和最小值―函數(shù)的整體性質(zhì) 55
2．4．3　函數(shù)的凹凸性與拐點 58
2．4．4　洛必達法則―計算未定式極限的一般方法 61
2．5　一元函數(shù)微分的 Python 實現(xiàn) 64
2．5．1　實驗一　變量與函數(shù) 64
2．5．2　實驗二　利用 Python 進行基本數(shù)學運算 68
2．5．3　實驗三　利用 Python 繪制平面曲線 69
2．5．4　實驗四　求解函數(shù)極限 72
2．5．5　實驗五　求解函數(shù)導數(shù) 76
2．5．6　實驗六　導數(shù)的應(yīng)用 78
第3章　一元函數(shù)積分及其應(yīng)用 87
3．1　不定積分的概念及其計算 87
3．1．1　積分學的起源 87
3．1．2　原函數(shù)與不定積分的概念 87
3．1．3　不定積分的計算 90
3．2　定積分的概念及其計算 99
3．2．1　定積分的概念 99
3．2．2　如何求定積分 的值 101
3．2．3　定積分的應(yīng)用 104
3．3　一元函數(shù)積分的 Python 實現(xiàn)―實驗七　求解函數(shù)積分 110
第4章　線性代數(shù)初步 115
4．1　矩陣及其運算 115
4．1．1　矩陣的概念 115
4．1．2　矩陣的運算 117
4．1．3　矩陣的轉(zhuǎn)置 120
4．1．4　逆矩陣 121
4．1．5　矩陣的初等行變換 122
4．1．6　階梯形矩陣 122
4．1．7　矩陣的秩 124
4．1．8　用初等行變換求逆矩陣 125
4．2　線性方程組的求解 128
4．2．1　n元線性方程組的基本概念 128
4．2．2　高斯消元法 130
4．2．3　線性方程組解的判定 131
4．2．4　n元齊次線性方程組解的判定 134
4．3　線性規(guī)劃初步 137
4．3．1　線性規(guī)劃的基本概念 137
4．3．2　線性規(guī)劃問題簡介 139
4．4　線性問題的 Python 實現(xiàn) 145
4．4．1　實驗八　矩陣運算 145
4．4．2　實驗九　求解線性方程組 149
4．4．3　實驗十　線性規(guī)劃 151
第5章　數(shù)據(jù)預(yù)處理 159
5．1　數(shù)據(jù)清洗 159
5．1．1　缺失值分析與處理 159
5．1．2　異常值分析與處理 165
5．1．3　重復(fù)值處理 166
5．2　數(shù)據(jù)標準化 169
5．2．1　Z-score 標準化 169
5．2．2　Min-Max 標準化 171
5．2．3　小數(shù)定標標準化 173
5．2．4　Logistic 標準化 173
5．3　數(shù)據(jù)合并 176
5．3．1　堆疊合并數(shù)據(jù) 177
5．3．2　主鍵合并數(shù)據(jù) 178
5．3．3　重疊合并數(shù)據(jù) 179
5．4　數(shù)據(jù)離散化 180
5．4．1　數(shù)據(jù)離散化的原因 181
5．4．2　數(shù)據(jù)離散化的優(yōu)勢 181
5．4．3　數(shù)據(jù)離散化的方法 182
5．5　數(shù)據(jù)規(guī)約 185
5．5．1　屬性規(guī)約 185
5．5．2　數(shù)值規(guī)約 188
5．6　數(shù)據(jù)預(yù)處理的 Python 實現(xiàn) 190
第6章　Matplotlib數(shù)據(jù)可視化 197
6．1　Matplotlib 簡介 197
6．2　直方圖和條形圖 204
6．3　折線圖 207
6．4　餅圖 209
6．5　箱形圖 211
6．6　散點圖 215
第7章　案例實戰(zhàn) 221
7．1　基于數(shù)據(jù)挖掘的物質(zhì)濃度顏色識別 221
7．1．1　背景與數(shù)據(jù)挖掘目標 221
7．1．2　建模方法與過程 223
7．1．3　模型構(gòu)建 227
7．2　基于數(shù)據(jù)挖掘的糖尿病風險預(yù)測 230
7．2．1　背景與數(shù)據(jù)挖掘目標 230
7．2．2　建模方法與過程 232
7．2．3　數(shù)據(jù)預(yù)處理 232
7．2．4　模型構(gòu)建 235
7．3　基于數(shù)據(jù)挖掘進行商場會員畫像描繪 238
7．3．1　背景與數(shù)據(jù)挖掘目標 238
7．3．2　建模方法與過程 239
7．3．3　模型構(gòu)建 241