A Student's Guide to Python for Physical Modeling: Second Edition

یک آموزش کاملاً به روز شده در مورد اصول اولیه زبان برنامه نویسی پایتون برای دانشجویان علوم

Python یک زبان برنامه نویسی کامپیوتری است که در سراسر علوم محبوبیت پیدا کرده است. این ویرایش دوم کاملاً به‌روز شده راهنمای دانش‌آموز پایتون برای مدل‌سازی فیزیکی با هدف کمک به شما، دانش‌آموز، آموزش کافی زبان برنامه‌نویسی پایتون برای شروع مدل‌سازی فیزیکی است. . شما یاد خواهید گرفت که چگونه یک محیط برنامه نویسی پایتون منبع باز را نصب کنید و از آن برای انجام بسیاری از وظایف محاسباتی علمی رایج استفاده کنید: وارد کردن، صادرات و تجسم داده ها. تحلیل عددی؛ و شبیه سازی هیچ تجربه برنامه نویسی قبلی فرض نمی شود.

این راهنما طیف گسترده ای از ابزارهای مفید را معرفی می کند، از جمله:

• برنامه نویسی و اسکریپت نویسی پایه پایتون
• آرایه های عددی
• دو و سه بعدی گرافیک
• انیمیشن
• شبیه سازی مونت کارلو
• روش های عددی، از جمله حل معادلات دیفرانسیل معمولی
• پردازش تصویر< /span>

نمونه‌های کد و تمرین‌های متعدد – با راه‌حل‌ها – ایده‌های جدید را در حین معرفی نشان می‌دهند. این راهنما همچنین شامل منابع آنلاین تکمیلی است: نمونه کد، مجموعه داده، آموزش و موارد دیگر. این نسخه شامل مطالب جدیدی در مورد محاسبات نمادین با SymPy، مقدمه‌ای بر کتابخانه‌های پایتون برای علم داده و یادگیری ماشین (پانداها و sklearn) و یک پرایمر در کلاس‌های پایتون و برنامه‌نویسی شی‌گرا است. یک پیوست جدید همچنین ابزارهای خط فرمان و کنترل نسخه با Git را معرفی می کند.

A fully updated tutorial on the basics of the Python programming language for science students

Python is a computer programming language that has gained popularity throughout the sciences. This fully updated second edition of A Student's Guide to Python for Physical Modeling aims to help you, the student, teach yourself enough of the Python programming language to get started with physical modeling. You will learn how to install an open-source Python programming environment and use it to accomplish many common scientific computing tasks: importing, exporting, and visualizing data; numerical analysis; and simulation. No prior programming experience is assumed.

This guide introduces a wide range of useful tools, including:

• Basic Python programming and scripting
• Numerical arrays
• Two- and three-dimensional graphics
• Animation
• Monte Carlo simulations
• Numerical methods, including solving ordinary differential equations
• Image processing

Numerous code samples and exercises―with solutions―illustrate new ideas as they are introduced. This guide also includes supplemental online resources: code samples, data sets, tutorials, and more. This edition includes new material on symbolic calculations with SymPy, an introduction to Python libraries for data science and machine learning (pandas and sklearn), and a primer on Python classes and object-oriented programming. A new appendix also introduces command line tools and version control with Git.