01 / 导读
导读
引用
Kinder, J. M., & Nelson, P. (2021). A Student's Guide to Python for Physical Modeling (2nd ed.). Princeton University Press.
章节概要
第二版全书240页：十章约155页，另有七个附录和一篇简短的前言“Let's Go”。十章由讲授章节和三个“计算机实验”章节交替构成，后者把新学的工具应用到建模问题上。据前言，标有“Track 2”的小节和脚注较为进阶，初读时可以跳过。
第1章：Getting Started with Python（Python入门）
全书从算法思维、程序状态的概念以及赋值语句a = a + 1的含义讲起，接着是在IPython控制台中启动Python、阅读错误信息、寻求帮助和记录日志。本章最后讲模块（import、NumPy和PyPlot）和Python表达式：数字、算术、预定义函数、变量名和函数。
第2章：Organizing Data（组织数据）
对象与方法，然后是列表、元组和NumPy数组：创建与填充、拼接、索引、切片、展平和重塑。本章也讲字符串及其格式化。
第3章：Structure and Control（结构与控制）
循环（for和while）、向量化的数组运算、矩阵运算和数组约简，然后是脚本和编辑器，其中有关于注释、命名参数和单位的良好实践。最后是分支（if语句、浮点数相等的检验）和嵌套。
第4章：Data In, Results Out（数据输入，结果输出）
导入数据、把数据导出到脚本和文件，以及数据可视化：plot命令、对数坐标轴、修饰和替换曲线、误差棒、三维图、多图、子图和保存图形。
第5章：First Computer Lab（第一次计算机实验）
围绕两个例子的简短实验章节：HIV模型和细菌模型，每个例子都有“探索模型”和“拟合实验数据”两步。
第6章：Random Number Generation and Numerical Methods（随机数生成与数值方法）
篇幅较长的一章（28页）。内容包括编写函数、随机数与模拟（抛硬币、轨迹）、直方图和条形图、等高线图、曲面图和热图、非线性方程的数值解、线性方程组、数值积分和微分方程的数值解，最后是矢量场和流线。
第7章：Second Computer Lab（第二次计算机实验）
生成并绘制轨迹、绘制位移分布，以及稀有事件（泊松分布和等待时间）。
第8章：Images and Animation（图像与动画）
把图像当作NumPy数组并加以处理，把数据显示为图像，以及创建和保存动画。
第9章：Third Computer Lab（第三次计算机实验）
图像处理练习：卷积（平均与高斯平滑）、图像去噪和突出特征。
第10章：Advanced Techniques（高级技巧）
字典、特殊函数参数、列表推导式和生成器；数据科学工具（pandas、scikit-learn）；符号计算（Wolfram Alpha、SymPy）；以及自己编写类，以随机游走类为例。出版社称数据科学库、用SymPy做符号计算和Python类是第二版的新内容。
附录
A讲安装Python和Spyder（以及FFmpeg和ImageMagick）；B讲命令行工具、文本编辑器和Git版本控制；C讲Jupyter笔记本；D讲错误与错误信息；E讲Python 2与Python 3的区别；F“Under the Hood”（赋值、内存、作用域）；G是“Your Turn”问题的答案。其后是推荐阅读和索引。
核心概念
第1–4章：语言与数据
- 算法思维与状态：第一章理解编程的方式。
- NumPy数组：第2、3章的核心数据结构，包括切片和向量化运算。
- 绘图：第4章中的PyPlot图形、子图和三维图。
第5–9章：建模与计算
- 随机数与模拟：抛硬币、轨迹和直方图。
- 数值方法：求根、积分和常微分方程求解器。
- 作为数组的图像：第8、9章的基础。
第10章与附录
- 数据科学库与SymPy：pandas、scikit-learn和符号计算。
- 类：以随机游走为例的面向对象编程。
- 版本控制：附录B中的Git。
评析
优点
- 为物理建模而写。 前言说，作者是在职科学家，已删去一开始用不到的一切；实验章节把新工具应用到建模问题上。
- 不需要编程经验。 出版社明确说无需任何经验，第1章从算法思维和对赋值的平实解释开始。
- 两条路径。 “Track 2”小节让读者可以跳过较进阶的内容。
- 实用的配套。 代码示例和数据集可在线获取，“Your Turn”问题的答案在附录G，附录还涵盖安装、命令行工具、Git和调试。
- 第二版的更新。 出版社列出SymPy、pandas与scikit-learn、面向对象编程的新内容和一个Git附录。
局限
- 是起点，而非参考手册。 正文约155页，只讲基础；想深入数值分析，需要篇幅更大的书。
- 机器学习只是简介。 讲scikit-learn的10.2.2节约三页。
- 依赖特定工具。 安装与编辑部分以Python加Spyder为中心，Jupyter另列一个附录，因此随着工具变化，有些步骤可能过时。
- 未找到公开发表的书评。
在课程中的定位
这是计算物理书单中最平易的一本，如果编程对你是新事物，应从它开始。Newman的Computational Physics以Python为基础，有关于积分、微分方程、傅里叶方法和蒙特卡罗的例子与习题，是顺理成章的下一步。Landau、Páez和Bordeianu的Computational Physics用Python处理范围广泛的问题，包括量子力学和流体。Press等人的Numerical Recipes是带有完整程序和对陷阱讨论的参考书，Thijssen的Computational Physics是研究生水平的研究方法（如分子动力学和量子蒙特卡罗）。Taylor的An Introduction to Error Analysis不是编程书，但与数据分析各章搭配自然，因为实验工作需要不确定度估计。
如何使用本书
本书适合具备微积分和入门物理、但没有编程经验的物理、工程和理科学生。它是要在计算机前阅读的书。
建议的读法：先按附录A安装Python。然后按顺序学第1至4章，试一试每个代码示例；这是核心的语言和绘图工具。继续之前先做第一次计算机实验（第5章）。第6章是物理建模的核心，值得花最多时间。不处理图像的学生可以略过第8、9章；第10章留给要转向较大项目的人。附录D留作调试时查阅，Track 2小节初读时跳过，并用附录G核对“Your Turn”的答案。