01 / 導讀
導讀
引用
Kinder, J. M., & Nelson, P. (2021). A Student's Guide to Python for Physical Modeling (2nd ed.). Princeton University Press.
章節概要
第二版全書240頁：十章約155頁，另有七個附錄和一篇簡短的前言「Let's Go」。十章由講授章節和三個「計算機實驗」章節交替構成，後者把新學的工具應用到建模問題上。據前言，標有「Track 2」的小節和腳註較為進階，初讀時可以跳過。
第1章：Getting Started with Python（Python入門）
全書從演算法思維、程式狀態的概念以及賦值語句a = a + 1的含義講起，接著是在IPython控制台中啟動Python、閱讀錯誤資訊、尋求幫助和記錄日誌。本章最後講模組（import、NumPy和PyPlot）和Python表示式：數字、算術、預定義函式、變數名和函式。
第2章：Organizing Data（組織資料）
物件與方法，然後是列表、元組和NumPy陣列：建立與填充、拼接、索引、切片、展平和重塑。本章也講字串及其格式化。
第3章：Structure and Control（結構與控制）
迴圈（for和while）、向量化的陣列運算、矩陣運算和陣列約簡，然後是指令碼和編輯器，其中有關於註釋、命名引數和單位的良好實踐。最後是分支（if語句、浮點數相等的檢驗）和巢狀。
第4章：Data In, Results Out（資料輸入，結果輸出）
匯入資料、把資料匯出到指令碼和檔案，以及資料視覺化：plot命令、對數座標軸、修飾和替換曲線、誤差棒、三維圖、多圖、子圖和儲存圖形。
第5章：First Computer Lab（第一次計算機實驗）
圍繞兩個例子的簡短實驗章節：HIV模型和細菌模型，每個例子都有「探索模型」和「擬合實驗資料」兩步。
第6章：Random Number Generation and Numerical Methods（隨機數生成與數值方法）
篇幅較長的一章（28頁）。內容包括編寫函式、隨機數與模擬（拋硬幣、軌跡）、直方圖和條形圖、等高線圖、曲面圖和熱圖、非線性方程的數值解、線性方程組、數值積分和微分方程的數值解，最後是向量場和流線。
第7章：Second Computer Lab（第二次計算機實驗）
生成並繪製軌跡、繪製位移分佈，以及稀有事件（泊松分佈和等待時間）。
第8章：Images and Animation（影像與動畫）
把影像當作NumPy陣列並加以處理，把資料顯示為影像，以及建立和儲存動畫。
第9章：Third Computer Lab（第三次計算機實驗）
影像處理練習：卷積（平均與高斯平滑）、影像去噪和突出特徵。
第10章：Advanced Techniques（高階技巧）
字典、特殊函式引數、列表推導式和生成器；資料科學工具（pandas、scikit-learn）；符號計算（Wolfram Alpha、SymPy）；以及自己編寫類，以隨機遊走類為例。出版社稱資料科學庫、用SymPy做符號計算和Python類是第二版的新內容。
附錄
A講安裝Python和Spyder（以及FFmpeg和ImageMagick）；B講命令列工具、文本編輯器和Git版本控制；C講Jupyter筆記本；D講錯誤與錯誤資訊；E講Python 2與Python 3的區別；F「Under the Hood」（賦值、記憶體、作用域）；G是「Your Turn」問題的答案。其後是推薦閱讀和索引。
核心概念
第1–4章：語言與資料
- 演算法思維與狀態：第一章理解程式設計的方式。
- NumPy陣列：第2、3章的核心資料結構，包括切片和向量化運算。
- 繪圖：第4章中的PyPlot圖形、子圖和三維圖。
第5–9章：建模與計算
- 隨機數與模擬：拋硬幣、軌跡和直方圖。
- 數值方法：求根、積分和常微分方程求解器。
- 作為陣列的影像：第8、9章的基礎。
第10章與附錄
- 資料科學庫與SymPy：pandas、scikit-learn和符號計算。
- 類：以隨機遊走為例的物件導向程式設計。
- 版本控制：附錄B中的Git。
評析
優點
- 為物理建模而寫。 前言說，作者是在職科學家，已刪去一開始用不到的一切；實驗章節把新工具應用到建模問題上。
- 不需要程式設計經驗。 出版社明確說無需任何經驗，第1章從演算法思維和對賦值的平實解釋開始。
- 兩條路徑。 「Track 2」小節讓讀者可以跳過較進階的內容。
- 實用的配套。 程式碼示例和資料集可線上獲取，「Your Turn」問題的答案在附錄G，附錄還涵蓋安裝、命令列工具、Git和除錯。
- 第二版的更新。 出版社列出SymPy、pandas與scikit-learn、物件導向程式設計的新內容和一個Git附錄。
侷限
- 是起點，而非參考手冊。 正文約155頁，只講基礎；想深入數值分析，需要篇幅更大的書。
- 機器學習只是簡介。 講scikit-learn的10.2.2節約三頁。
- 依賴特定工具。 安裝與編輯部分以Python加Spyder為中心，Jupyter另列一個附錄，因此隨著工具變化，有些步驟可能過時。
- 未找到公開發表的書評。
在課程中的定位
這是計算物理書單中最平易的一本，如果程式設計對你是新事物，應從它開始。Newman的Computational Physics以Python為基礎，有關於積分、微分方程、傅立葉方法和蒙特卡羅的例子與習題，是順理成章的下一步。Landau、Páez和Bordeianu的Computational Physics用Python處理範圍廣泛的問題，包括量子力學和流體。Press等人的Numerical Recipes是帶有完整程式和對陷阱討論的參考書，Thijssen的Computational Physics是研究生水平的研究方法（如分子動力學和量子蒙特卡羅）。Taylor的An Introduction to Error Analysis不是程式設計書，但與資料分析各章搭配自然，因為實驗工作需要不確定度估計。
如何使用本書
本書適合具備微積分和入門物理、但沒有程式設計經驗的物理、工程和理科學生。它是要在計算機前閱讀的書。
建議的讀法：先按附錄A安裝Python。然後按順序學第1至4章，試一試每個程式碼示例；這是核心的語言和繪圖工具。繼續之前先做第一次計算機實驗（第5章）。第6章是物理建模的核心，值得花最多時間。不處理影像的學生可以略過第8、9章；第10章留給要轉向較大專案的人。附錄D留作除錯時查閱，Track 2小節初讀時跳過，並用附錄G核對「Your Turn」的答案。