《编程不难:全彩图解 微课 Python编程》是 鸢尾花数学大系 从加减乘除到机器学习 丛书的第一册，也是 编程 板块的第一册， 着重介绍如何零基础入门学 Python 编程。虽然《编程不难:全彩图解 微课 Python编程》主要讲解 Python 编程，但是也离不开数学。《编程不难:全彩图解 微课 Python编程》尽量 避免讲解数学概念公式，而且用图形和近乎口语化的语言描述程序设计、数据分析、机器学习背后常用的 数学思想。 《编程不难:全彩图解 微课 Python编程》分为预备、语法、绘图、数组、数据、数学、机器学习、应用八大板块， 共 36 章， 内容 跨度 极大！ 从 Python 基本编程语法，到基本可视化工具，再到各种数据操作工具，还介绍常用 Python 实现的各种复 杂数学运算，进入数据分析和机器学习之后，还讲解如何搭建应用 App。我们可以把《编程不难:全彩图解 微课 Python编程

《数据有道 : 数据分析 图论与网络 微课 Python编程》是 鸢尾花数学大系 从加减乘除到机器学习 丛书的第三板块 ( 实践板块 ) 中的一本关于数据 科学的分册。 实践 这个板块，我们将会把学到的编程、可视化， 特别是数学工具应用到具体的数据科学、 机器学习算法中，并在实践中加深对这些工具的理解。 《数据有道 : 数据分析 图论与网络 微课 Python编程》可以归纳为 7 大板块 数据说、数据处理、时间数据、图论基础、图的分析、图与矩阵、图论实践。 这 7 个板块 ( 共 25 章内容 ) 都紧紧围绕一个主题 数据！ 《数据有道 : 数据分析 图论与网络 微课 Python编程》以数据为名，以好奇心和疑问为驱动，主动使用 编程 可视化 数学 工具进行探索。《数据有道 : 数据分析 图论与网络 微课 Python编程》将 会回顾鸢尾花书前五本主要的工具，让大家对很多概念从似懂非懂变

本书通过500个实例，为读者提供较为详细的练习题目，以便读者举一反三，深度学习。本书实例涉及的算法包括搜索、回溯、递归、排序、迭代、贪心、分治和动态规划等；涉及的数据结构包括字符串、数组、指针、区间、队列、矩阵、堆栈、链表、哈希表、线段树、二叉树、二叉搜索树和图结构等。书中所有实例均以问题描述、问题示例、代码实现及运行结果的形式来编排。 本书语言简洁，通俗易懂，适合作为Python编程人员的入门参考书，也适合作为高等院校相关专业 Python算法实现 课程的参考教材。

本书全面系统地介绍了Python语言在常见办公场景中的自动化解决方案。全书分为5篇21章，内容包括Python语言基础知识，Python读写数据常见方法，用Python自动操作Excel，用Python自动操作Word 与 PPT，用Python自动操作文件和文件夹、邮件、PDF 文件、图片、视频，用Python进行数据可视化分析及进行网页交互，借助ChatGPT轻松进阶Python办公自动化。 本书适合各层次的信息工作者，既可作为初学Python的入门指南，又可作为中、高级自动化办公用户的参考手册。书中大量的实例还适合读者直接在工作中借鉴。

金融风险管理已经成为各个金融机构的职能部门。特别是随着全球金融一体化不断地深入发展，金融风险管理越发重要，也日趋复杂。金融风险管理师(FRM)就是在这个大背景下推出的认证考试，FRM现在已经是金融风险管理领域****的国际认证考试。本丛书以FRM考试、二级考纲内容为中心，并且突出介绍实际工作所需的金融建模风险管理知识。本丛书将金融风险建模知识和Python编程有机地结合在一起，配合丰富的彩色图表，由浅入深地将各种金融概念和计算结果可视化，帮助读者理解金融风险建模核心知识，提高数学和编程水平。 《Python金融风险管理FRM(基础篇)》是本系列图书的第6本，共分12章。《Python金融风险管理FRM(基础篇)》的第1章和第2章主要介绍Python基础编程内容，比如数据类型、运算符、条件循环语句、读写操作、函数等。第3章和第4章主要介绍NumPy和Scipy等

随着数据存储、数据处理等大数据技术的快速发展，数据科学在各行各业得到广泛的应用。数据清洗、特征工程、数据可视化、数据挖掘与建模等已成为高校师生和职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将 Python课程学习 与 数据科学应用 有机结合，为数字化人才的培养助力。 全书共分13章，内容包括：第1章数据科学应用概述；第2章Python的入门基础知识；第3章数据清洗；第4~6章特征工程介绍，包括特征选择、特征处理和特征提取；第7章数据可视化应用；第8~13章介绍6种数据挖掘与建模的方法，分别为线性回归、Logistic回归、决策树、随机森林、神经网络、RFM分析。 《Python数据科学应用从入门到精通》既适合作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python数据科学应用的专业教材或参考书，

本书为数据科学领域经典热销书升级版，基于GitHub热门开源项目，全面涵盖数据分析与数据科学领域的重要工具。全书共分为五部分，每部分介绍一两个Python数据科学中的重点工具包。首先从IPython和Jupyter开始，它们提供了数据科学家需要的计算环境；第二部分讲解NumPy如何高效地存储和操作大型数组；第三部分讲解pandas如何高效地存储和操作带标签的列式数据；第四部分聚焦Matplotlib，展示其丰富的数据可视化功能；第五部分以scikit-learn为主，这个程序库为最重要的机器学习算法提供了高效整洁的Python版实现。本书适合有一定Python使用经验，并想进一步掌握Python数据分析能力的读者。

本书介绍了如何利用Python3开发网络爬虫。本书为第2版，相比于第1版，为每个知识点的实战项目配备了针对性的练习平台，避免了案例过期的问题。另外，主要增加了异步爬虫、JavaScript逆向、App逆向、页面智能解析、深度学习识别验证码、Kubernetes运维及部署等知识点，同时也对各个爬虫知识点涉及的请求、存储、解析、测试等工具进行了丰富和更新。本书适合Python程序员阅读。

《Python金融大数据分析 第2版》分为5部分，共21章。第1部分介绍了Python在金融学中的应用，其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具，以及Python在计量金融学中的一些具体入门实例；第2部分介绍了Python的基础知识以及Python中非常有名的库NumPy和pandas工具集，还介绍了面向对象编程；第3部分介绍金融数据科学的相关基本技术和方法，包括数据可视化、输入/输出操作和数学中与金融相关的知识等；第4部分介绍Python在算法交易上的应用，重点介绍常见算法，包括机器学习、深度神经网络等人工智能相关算法；第5部分讲解基于蒙特卡洛模拟开发期权及衍生品定价的应用，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值等知识。《Python金融大数据分析 第2版》本书适合对使用Python进行大数据分析、处理感兴趣的金融行

这是一本讲解如何使用Python 进行系统化图形引擎开发的图书。本书基于作者长期从事图形引擎开发工作的经验，结合简单易懂的Python 语言和PyOpenGL 模块，通过对引擎开发知识由浅入深的编排和讲解，让广大对图形学感兴趣的"小白 开发者一步步掌握图形引擎的开发流程和实现原理，并在这个过程中熟练掌握OpenGL，进而有能力基于各种开发语言进行图形引擎的开发工作。 本书结构紧凑、内容翔实、由浅入深，是学习、掌握图形引擎开发入门知识的重要参考书。

本书通过数学和自然科学中的计算例子来讲授计算机程序设计。选择语法简单紧凑且功能强大的Python语言作为编程语言。本书关注于问题的计算求解过程，而不是程序语言细节，书中使用了大量的案例，并专注问题定义、分析和程序求解以及程序正确性验证。通过本书的学习，读者将能使用程序员的方式进行思考，并能写出正确优质的程序。

这是一本全面介绍Python面向对象编程的图书。本书共分为4部分。第1章至第6章深入讲解了面向对象编程的核心原则和概念，以及它们在Python中的实现方式。第7章至第9章仔细探讨了Python的数据结构、内置类和方法等，以及如何从面向对象编程的角度进行分析和应用。第10章至第12章探讨了设计模式及其在Python中的实现。第13章和第14章涵盖了测试和并发两个重要主题。整本书以一个机器学习分类算法的实现案例贯穿始终，并不断探讨各种实现方式的优劣。 这是一本全面介绍Python面向对象编程的图书。本书共分为4部分。第1章至第6章深入讲解了面向对象编程的核心原则和概念，以及它们在Python中的实现方式。第7章至第9章仔细探讨了Python的数据结构、内置类和方法等，以及如何从面向对象编程的角度进行分析和应用。第10章至第12章探讨了设计模式及其在Python中的实现。

本书参考高等学校理工科 高等数学 线性代数 概率论与数理统计 运筹学 等课程教学大纲，使用Python语言实现相关计算、图形展示及模型求解，内容包含Python编程语言入门、极限的运算、函数的求导及积分、微分方程求解、级数、行列式计算、线性方程组求解、随机变量及其分布、随机变量的数字特征、参数估计、假设检验、方差分析与回归、线性规划、非线性规划、动态规划、图与网络计划及排队论等。本书内容翔实，文字精练，例题丰富，注重本科数学理论与科学计算的密切结合。 本书可以作为高等学校理工科在校本科生的学习实验用书，也可以作为对Python科学计算感兴趣的人员的参考用书。

基于实用、易学的原则，从功能、使用、原理等多个维度对Pandas做了全方位的详细讲解。本书是Python数据分析入门书，每个概念都通过简单实例来阐述，便于读者理解与上手。具体内容包括：Python及Pandas基础知识，加载和查看数据集，Pandas的DataFrame对象和Series对象，使用matplotlib、seaborn和Pandas提供的绘图方法为探索性数据分析作图，连接与合并数据集，处理缺失数据，清理数据，转换数据类型，处理字符串，应用函数，分组操作，拟合及评估模型，正则化方法与聚类技术等。

本书由Python pandas项目创始人Wes McKinney亲笔撰写，详细介绍利用Python进行操作、处理、清洗和规整数据等方面的具体细节和基本要点。你将在阅读过程中学习到新版本的pandas、NumPy、IPython和Jupyter。 本书由Wes McKinney创作，他是Python pandas项目的创始人。本书是对Python数据科学工具的实操化、现代化的介绍，非常适合刚学Python的数据分析师或刚学数据科学以及科学计算的Python编程者。数据文件和相关的材料可以在GitHub上找到：使用IPython shell和Jupyter notebook进行探索性计算；学习NumPy(Numerical Python)的基础和高级特性；入门pandas库中的数据分析工具；使用灵活工具对数据进行载入、清洗、变换、合并和重塑；使用matplotlib创建富含信息的可视化；将pandas的groupby功能应用于对数据集的切片、分块和汇总；分析并操作规则和不规则的时间序列数据；利用完整的、详细的示例学习如

本书详细地介绍了Python语言的一些高级功能以及常见数据类型的高级用法，非常适合有一定基础的读者深入学习Python编程。本书的主要内容包括常见内置类型（数值、字符串和集合等）的高级用法和潜在的陷阱，用于文本处理的格式化方法和正则表达式，用于数值计算和大规模数据处理的math包和numpy包等。此外，文件存储、随机数生成和图表绘制也是本书的重要内容。本书还开发了一个 RPN脚本解释器 项目，该项目贯穿本书的各个章节，通过对该项目的学习，你也可以开发出自己的 语言 。

本书作者在构建Python程序的过程中，将经过证明的、做过类测试的、回归基本的策略首次引入到Python程序设计教学中。本书以聚焦问题解决的分层渐进方法介绍了编程的基本原理，并在各个章节增加了新的语法和概念，以及展示了好的编程风格应该是什么样的，分阶段开发了一个复杂的程序。本书关注的是问题的解决，强调算法思维。

你的Python项目是否正在变得越来越庞大？随着代码的扩展，调试和维护工作变得更加艰难，你是否感到痛苦？Python是一种容易学习和使用的语言，但这也意味着系统可以迅速发展到无法理解的程度。值得庆幸的是，Python具有帮助开发者克服可维护性困境的功能。 在这本实用的书中，作者Patrick Viafore将告诉你如何限度地使用 Python的类型系统。你将看到用户定义的类型（如类和枚举），以及Python的类型提示系统。你还将学习如何使Python代码具有可扩展性，以及如何基于一个全面的测试策略构建安全网。利用这些知识和技术，你将编写更清晰、更易于维护的代码。 通过学习本书，你将： *了解为什么类型在现代开发生态系统中是必不可少的。 *了解类、字典和枚举等类型选择是如何反映特定意图的。 *在不加剧臃肿的情况下使Python代码在未来可扩展。 *使用流行的Python工

本书作为《基于 Python 的金融分析与风险管理（第2版）》一书的姊妹篇，整合了源于现实金融市场和日常实务的119个原创案例，涉及403项编程任务。本书囊括了丰富多样的金融场景，涵盖利率、汇率、债券、股票、基金、信托、资管、远期、互换、期货、期权等金融产品，还涉及商业银行、证券公司、期货公司、保险公司、信托公司、资产管理公司、基金管理公司、金融控股公司等不同业态的金融机构，尽可能覆盖金融实战中涉及Python编程的各种场景。 本书着眼于从业者可能涉及的金融实战案例，并结合具体的职场角色给出了基于Python的高性能解决方案。通过阅读本书，读者能够全方位地了解金融市场的运作，深刻洞察处理各类金融工作的实战技能。

Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区，在需要分析、处理大量数据的金融行业得到了广泛而迅速的应用，并且成为该行业开发核心应用的编程语言。《Python金融大数据分析》提供了使用Python进行数据分析，以及开发相关应用程序的技巧和工具。

Python是众多研究人员眼中的一流工具，主要原因在于它所提供的可用于存储、操作、洞察数据的各种库。数据科学堆栈的各个部分都存在多种资源，但只有本书的新版将它们汇集于一处，包括IPython、NumPy、pandas、Matplotlib、Scikit-Learn以及其他相关工具。 熟悉阅读和编写Python代码的在职科技人员和数据处理人员会发现这份全面的案头参考书的第二版非常适合处理各种日常问题：数据的操作、转换、清理；不同类型数据的可视化；使用数据建立统计或机器学习模型。一句话，这是Python科学计算的参考。