01 / 导读
导读
引用
Guttag, J. V. (2021). Introduction to Computation and Programming Using Python: With Application to Computational Modeling and Understanding Data (3rd ed.). The MIT Press.
章节概要
本书共 26 章，另有一份 Python 3.8 速查表。前半部分讲授编程和算法基础，后半部分用 Python 为数据建模并解读数据。
第1–3章：Getting Started（入门）；Introduction to Python（Python 简介）；Some Simple Numerical Programs（几个简单的数值程序）
开篇几章把计算看作解决问题的过程，区分陈述性知识与命令式知识，并介绍 Python 的基本类型、运算符和控制流。第3章把这些内容用于简单的数值程序，通过穷举枚举、近似和二分查找来求得答案。
第4–7章：Functions, Scoping, and Abstraction（函数、作用域与抽象）；Structured Types and Mutability（结构化类型与可变性）；Recursion and Global Variables（递归与全局变量）；Modules and Files（模块与文件）
函数与作用域被当作抽象的工具来介绍。随后讲授元组、列表和字典，并关注可变性，再讲递归和全局变量，最后是把代码组织成模块以及读写文件。
第8–10章：Testing and Debugging（测试与调试）；Exceptions and Assertions（异常与断言）；Classes and Object-Oriented Programming（类与面向对象编程）
这几章讲授系统的测试与调试、异常处理与断言，然后是类与面向对象编程。
第11–13章：A Simplistic Introduction to Algorithmic Complexity（算法复杂度的简化介绍）；Some Simple Algorithms and Data Structures（几个简单的算法与数据结构）；Plotting and More about Classes（绘图与类的更多内容）
先非正式地介绍算法复杂度，再讲查找和排序等简单算法与数据结构。第13章把绘图与对类的进一步使用结合起来。
第14–15章：Knapsack and Graph Optimization Problems（背包与图的优化问题）；Dynamic Programming（动态规划）
优化问题以背包问题和图问题的形式提出，随后是一章动态规划。
第16–19章：Random Walks and More about Data Visualization（随机游走与更多数据可视化）；Stochastic Programs, Probability, and Distributions（随机程序、概率与分布）；Monte Carlo Simulation（蒙特卡罗模拟）；Sampling and Confidence（抽样与置信度）
后半部分转向随机性：随机游走与可视化、概率与分布、蒙特卡罗模拟，以及抽样与置信区间。
第20–22章：Understanding Experimental Data（理解实验数据）；Randomized Trials and Hypothesis Checking（随机试验与假设检验）；Lies, Damned Lies, and Statistics（谎言、该死的谎言与统计）
这几章把概率知识用于解读实验数据、在随机试验中检验假设，并认识统计如何误导人。
第23–26章：Exploring Data with Pandas（用 pandas 探索数据）；A Quick Look at Machine Learning（机器学习速览）；Clustering（聚类）；Classification Methods（分类方法）
最后几章用 pandas 探索数据，然后介绍机器学习，包括聚类和分类。
核心概念
第1–10章
- 陈述性知识与命令式知识：全书的起点，区分描述“什么是真的”与描述“如何计算”。
- 抽象与可变性：函数、作用域和结构化类型被当作控制复杂度的手段，而可变性则是微妙行为的来源。
- 测试与异常：系统的测试、调试、异常处理和断言。
第11–15章
- 算法复杂度：非正式地推理运行时间如何增长。
- 动态规划：通过复用子问题的答案来求解背包等优化问题。
第16–26章
- 蒙特卡罗模拟：通过重复随机试验估计某个量。
- 抽样与置信度：判断样本结果可以在多大程度上被信任。
- 聚类与分类：最后几章涉及的两类机器学习任务。
评析
优点
- 编程与数据分析合于一书。 出版社介绍说，本书用 Python 以及 numpy、matplotlib、random、pandas 和 sklearn 等库讲授计算性问题求解，并包含用于建模和解读数据的数据科学技术。
- 面向初学者。 出版社称本书把几乎没有编程经验的学生引入计算性问题求解。
- 弧线完整。 算法、复杂度、模拟、统计和机器学习出现在同一本书里，因此一本教材即可支撑一门延伸到数据分析的入门课程。
- 代码与勘误在线提供。 书中全部代码和勘误表都可在 MIT Press 的网页上获得。
局限
- 后面的章节重广度而非深度。 机器学习占三章（速览、聚类、分类），统计相关内容分散在若干章里，因此这些部分属于入门介绍。
- 节奏。 全书用 26 章从基本的 Python 语法讲到分类方法，所以后面的主题只能简要介绍；机器学习一章的标题本身就是“速览”。
- 与 Python 绑定。 对类型、可变性和库的讲解都与 Python 3.8 相关，书末的速查表也是针对该版本编写的。
在课程中的定位
在本课程的入门编程书中，How to Design Programs 在 DrRacket 环境里讲授系统的设计流程，Structure and Interpretation of Computer Programs 强调抽象、高阶过程和解释器。Python Crash Course 是一本实用的 Python 入门书，以较大的项目收尾；Think Python 是清晰实用的 Python 编程与计算机科学入门。The C Programming Language 是面向系统级编程的简洁经典。
Guttag 的这本书适合作为较平缓的入门书之后的第二步，也适合习惯数学的读者作为第一本书，因为它从编程一路走向算法、模拟和数据分析。与 Python Crash Course 相比，它较少以项目驱动，更侧重计算思维；与 SICP 相比，它使用主流语言，并且没有关于构建解释器的章节。
如何使用本书
本书面向几乎没有编程经验的读者，适合作为计算的第一门课程，尤其是通向数据分析的课程。不要求事先学过 Python。
第1–10章是第一门课程的核心，第11–13章讲复杂度和基本算法。第14–15章对关注优化的读者是不错的可选步骤。第16–22章适合想学模拟与统计的读者，第23–26章适合想学数据处理与机器学习的读者。请亲手输入并运行每章的代码，并从 MIT Press 页面下载代码，与自己的版本对照。