第 2 章 科学工作流和科学计算的结构

科学工作流（scientific workflow）表示为解决科学计算问题所需的一系列结构化活动和计算步骤。科
学计算涉及的计算都具有较高的强度和复杂度，还要处理复杂的依赖关系。本章其余部分会继续用科学计
算问题的术语表示科学工作流。现在来介绍大多数科学计算问题都需要的各种数学和计算概念。
这一章将介绍以下主题：
科学计算的数学部分
Python的科学计算程序库
NumPy简介
SciPy简介
pandas数据分析
IPython（Interactive Python）交互式编程
SymPy符号计算
matplotlib数据可视化
2.1　科学计算的数学部分
首先将简要介绍科学计算问题中可能出现的各种数学概念，还会介绍对应问题的解决方法。不过，这里不
会深入方法的细节。在后面的章节中，我们会详细介绍与这些概念相关的Python API。
2.1.1　线性方程组
在科学计算和应用数学中，最常见的数学概念就是线性代数方程组。通常，这类系统的出现都是由于线性
方程对非线性方程的近似，或代数方程对差分方程的近似。
线性方程组通常由一组联立线性方程构成，示例如下：

这个方程组由三个线性方程组成，带有三个未知变量：x1、x2和x3。该方程组的解就是同时满足三个方程
的三个变量的值。满足这个方程的解如下所示：

这个解同时满足三个方程。这正是我们把线性方程系统称为线性方程组的原因——整个方程组被看成一个
整体而非各个独立的方程。通常，使用迭代方法，通过重复的步骤对方程组进行求解。在程序中可以通过
一些循环结构实现迭代。另外也有非迭代方法，通过计算公式求解。线性方程组的求解方法很多，有迭代
方法和非迭代方法。例如，高斯LU矩阵分解法与高斯消元法是最常见的非迭代方法。雅可比迭代法和高斯
—赛德尔迭代法是常见的迭代方法。

2.1.2　非线性方程组
非线性方程组是指一组联立方程，其中未知变量的阶数大于1。这个系统可以是一维，也可以是多维。一
般情况下，非线性方程可以表述为以下形式。对于方程 f，x 需要满足以下条件：

x 的值被称为方程的根（root）或零值（zero）。

非线性方程按照维度分为两种，如下所示。带一个自变量的一维非线性方程如下所示：

方程的解是满足条件f (x) = 0的标量（scalar）x。另一种非线性方程是带有 n 个自变量的非线性方程
组：

方程组的解是同时满足所方程f (x) = 0的矢量（vector）x。
例如，一个一维非线性方程如下：

方程的带两位有效数字的近似解为0.36。一个多维非线性方程组如下：

方程组的矢量解为[1, 2]和[-2, -1]。
非线性方程和非线性方程组的解法很多。一维非线性方程的解法有：
二分法（bisection method）
牛顿法（Newton's method）
割线法（secant method）
插值法（interpolation method）
逆插值法（inverse interpolation method）
逆二次插值法（inverse quadratic interpolation，IQI）
线性分式插值法（linear fractional interpolation）
非线性方程组的解法有：
牛顿法
割线法（secant updating method）
阻尼牛顿法（damped Newton's method）
Broyden法
由于这些方法都是迭代法，所以收敛的速度至关重要。所谓收敛，是指这些方法一开始用近似解，通过不
断迭代得到精确解。朝一个解收敛的速度称为收敛速度。收敛速度越快，则获得精确解需要消耗的时间越少。对于一些收敛速度较快的方法，比如牛顿法，初始值的选择至关重要。有些方法可能会因为初始值选
择不合适，导致无法收敛。有一些均衡的方法是收敛速度和解的精确程度的折中算法。阻尼牛顿法就属于
这类方法。SciPy软件包里面实现了大量的算法来解非线性方程组。可以参考
http://docs.scipy.org/doc/scipy-0.14.0/reference/generated/scipy.optimize.newton.html，获取
牛顿—拉弗森方法（Newton-Raphson method，即牛顿法）的用法和实现代码。
2.1.3　最优化方法
最优化（optimization）是获取最优可行解的过程。通常，模型的可行解都有一个取值范围，有最大值或
最小值。假如我们要估算一个新项目的造价，那么最优解一定会取最小值。假如要评估不同销售策略的利
润率，那么最优解一定是利润率最高的销售策略。SciPy有一个优化技术软件包，具体内容可以参考
http://docs.scipy.org/doc/scipy/reference/optimize.html。最优化方法在科学与工程领域应用普
遍。具体应用场景如下：
工程力学
经济学
运筹学
控制工程
石油工程
分子建模
2.1.4　内插法
在科学与工程领域中，人们经常通过抽样或实验获取大量数据。这些数据点可以看成某个函数一些自变量
位置上的值。人们通常需要估计这个函数在样本范围内的某个位置上的值。估计的过程称为内插法
（interpolation）。通常借助曲线拟合与回归分析方法求解。
例如，自变量 x 和因变量f (x)对应的数值如下。

通过内插法就可以估计自变量在其他位置的函数值，例如x=7.5或x=5.25，即f(7.5)或f(5.25)。虽然这组
样本的函数非常简单（f=3x2），但它也可能源自某个真实案例。例如，这组数据可能是某家电商企业的
网络中心机房的温度。这些温度是在不同的时间点测量的。两次测量之间的时间间隔，既可能是固定不变
的，也可能是完全随机的。这个例子中，函数值就变成了不同时间点测量的机房的温度。我们需要估计或
者插值计算这一天剩余时间机房的温度。
这组数据的另一个场景可能是，对某个年龄段的用户每天花在Facebook或WhatsApp上的小时数的数量统
计。通过这些数据，就可以估计各个年龄段的用户每天花在Facebook或WhatsApp上的时间。
2.1.5　外插法
另一种类似的方法是外插法（extrapolation）。通过它的名称可知，这个方法是要估计函数在样本范围
之外的值。例如，假设我们已经获得了12岁到65岁各个年龄段的用户每天花费在Facebook或WhatsApp上的
小时数。那么估计12岁以下和65岁以上的用户每天花在Facebook或WhatsApp上的小时数就属于外插法的范
围了。这是因为自变量的范围已经超出了已知的样本范围。

有许多方法可以解决内插和外插问题。内插法如下所示：
分段常数内插法（piecewise constant interpolation）
线性内插法（linear interpolation）
多项式内插法（polynomial interpolation）
样条内插法（spline interpolation）
基于高斯过程的内插法（interpolation via Gaussian processes）
外插法如下所示：
线性外插法（linear extrapolation）
多项式外插法（polynomial extrapolation）
锥外插法（conic extrapolation）
法国曲线外插法（French curve extrapolation）
2.1.6　数值积分
数值积分（numerical integration）是用数值分析技术求取积分近似值的过程。积分的数值计算过程称
为求积分（quadrature）。之所以要使用近似方法求积分，是因为有些函数不能通过解析方法求精确解。
即使公式存在，它也可能不是最有效的求积分方法。有时我们需要求一个函数的积分值，但只知道其中的
一些样本。使用数值积分的方法，就可以为函数的积分获得近似值。这个方法首先对一些已知点进行多项
式拟合（polynomial fitting），然后对逼近函数进行积分。在Python中，SciPy程序包提供了积分模
块。关于这个模块的具体方法和实现，请参考
http://docs.scipy.org/doc/scipy/reference/integrate.html。有许多方法可以解决数值积分问题，如
下 所示：
辛普森法则（Simpson's rule）
梯形法则（trapezoidal rule）
精炼梯形法则（refined trapezoidal rule）
高斯积分法则（Gaussian quadrature rule）
牛顿—柯特斯积分法则（Newton-Cotes quadrature rule）
高斯—勒让德积分法则（Gauss-Legendre integration）
2.1.7　数值微分
数值微分（numerical differentiation）是利用已知的函数值估计函数导数的过程。数值微分在许多领
域都有十分重要的作用。一般的使用场景是，我们没有得到函数的形式，只观察到函数的一些离散值。这
时，如果要估计导数，就要关注与函数的导数相关的数值变化情况。为了计算的快速和便利起见，人们往
往更喜欢用离散值估计函数的导数，而不是寻找精确解，因为它虽然存在，但是往往很难求解。微分方法
经常被用于解决最优化问题。机器学习技术也常常要用到数值微分方法。
一些数值微分方法如下所示：
有限差分近似法（finite difference approximation）
微分求积法（differential quadrature）

有限差分系数（finite difference coefficients）
插值微分法（differentiation by interpolation）
2.1.8　微分方程
微分方程（differential equation）是一种描述导数与其函数关系的数学方程式。如果函数是一个物理
量，那么导数就是这个物理量的变化率，微分方程就是这个物理量和其变化率的关系。受重力影响的自由
落体运动方程通常是用一组微分方程表示的。微分方程的应用范围很广，包括纯数学和应用数学、物理
学、工程和其他学科。这些学科都会涉及不同类型的微分方程。
微分方程主要用来对不同的物理、工艺和生物学过程建模。许多情况下，微分方程可能无法直接求解。因
此，通常都用数值方法求近似解。物理学的基本法则（如牛顿第二运动学定律和爱因斯坦场方程）和化学
的基本法则（如化学反应速率方程），都是通过微分方程得出的。微分方程也可以用于对复杂的生物学行
为（生物种群增长模型）和经济学行为（指数增长模型）建模。
微分方程可以分为两类：常微分方程（ordinary differential equations，ODE）和偏微分方程
（partial differential equations，PDE）。常微分方程是包含一个自变量的函数及其偏导数的微分方
程。偏微分方程是包含多个自变量的函数及其导数的微分方程。多自变量函数的偏导数就是函数对每一个
自变量的导数。关于SciPy的微分方程计算功能的详细介绍，可以参考
http://docs.scipy.org/doc/scipy-0.13.0/reference/generated/scipy.integrate.ode.html。
求导时可以把其他变量看成常量。——译者注
解常微分方程的方法如下：
欧拉方法（Euler's method）
泰勒级数法（Taylor series method）
龙格—库塔法（Runge-Kutta method）
四阶龙格—库塔法（Runge-Kutta fourth order formula）
预估—校正法（predictor-corrector method）
解偏微分方程的方法如下：
有限元法（finite element method）
有限差分法（finite difference method）
有限体积法（finite volume method）
1. 初始值问题
常微分方程的初始值是未知函数在定义域内的某个位置的值。例如dy/dx=f (x,y)，其中y=y1，x=x1。
2. 边界值问题
边界值问题是指带约束的微分方程，方程的解必须能够同时满足微分方程的所有约束。这些约束称为边界
条件。
2.1.9　随机数生成器
在计算领域，随机数生成器是一种产生不包含任意模式的序列的算法或过程。之所以称为随机数，是因为
它们没有任何模式可循。产生的数字基本无法预测。生成随机数的程序与日俱增，也促进了随机数生成方法的发展。这项技术历史悠久，最早的掷骰子、抛硬币和抽扑克，都可以看成是随机数生成器。但是，这
些方法都只能产生有限的随机数。
随机数生成器的计算方法应用得十分普遍，例如统计抽样、赌博、随机生成的设计、科学与工程领域的计
算机仿真，以及需要不可预测结果的大量其他领域，如密码系统。
随机数生成器主要有两类，真随机数生成器和伪随机数生成器。真随机数生成器通过真实的物理过程生成
随机数，例如硬盘的实际读写时间。伪随机数生成器通过计算机算法生成随机数。还有一种随机数生成器
通过统计分布生成随机数，例如泊松分布、指数分布、正态分布、高斯分布等。
一些伪随机数生成器如下所示：
BBS随机数生成器（Blum Blum Shub）
Wichmann-Hill随机数生成器（Wichmann-Hill）
进位—互补—乘法随机数生成器（complementary-multiply-with-carry）
反向同余随机数生成器（inversive congruential generator）
ISAAC随机数生成器（ISAAC (cipher)）
滞后斐波那契随机数生成器（lagged Fibonacci generator）
线性同余随机数生成器（linear congruential generator）
线性反馈移位寄存器（linear-feedback shift register）
最大周期（索菲·热尔曼质数）倒数随机数生成器（maximal periodic reciprocals）
梅森旋转随机数生成器（Mersenne twister）
进位相乘随机数生成器（multiply-with-carry）
Naor-Reingold伪随机数生成器（Naor-Reingold pseudo-random function）
Park-Miller随机数生成器（Park-Miller random number generator）
WELL伪随机数生成器（Well-equidistributed long-period linear）
2.2　Python科学计算
Python对科学计算的支持，是通过不同科学计算功能的程序包和API建立的。对于科学计算的每个方面，
我们都有大量的选择以及最佳的选择。Python科学计算各个方面的可选包如下所示。
画图：目前，最流行的二维图制作程序库是matplotlib。还有许多画图包，如Visvis、Plotly、
HippoDraw、Chaco、MayaVI、Biggles、Pychart、Bokeh。还有一些画图程序包是在matplotlib的基
础上改进功能，如Seaborn和Prettyplotlib。
最优化：SciPy程序包里有最优化模块。OpenOpt和CVXOpt同样具有最优化功能。
高级数据分析：Python可以通过RPy或R/S-Plus接口与R语言配合使用，实现高级的数据分析功能。
Python自己的高级数据分析工具就是大名鼎鼎的pandas了。
数据库：PyTables是一种用于管理分层数据库的工具。这个软件包是以HDF5数据库为基础建立的，用
于处理较大的数据集。
交互式命令行：IPython是Python的交互式编程工具。

符号计算：Python具有符号计算功能的程序包有SymPy和PyDSTool。本章后面会介绍符号计算方法。
专用扩展包：SciKits程序库为SciPy、NumPy和Python提供了专业化的扩展。SciKits的一些软件包如
下。
scikit-aero：Python航空工程计算程序包。
scikit-bio：提供生物信息学领域的数据结构、算法和教育资源程序包。
scikit-commpy：Python数字通信算法程序包。
scikit-image：SciPy图像处理程序包。
scikit-learn：Python机器学习和数据挖掘程序包。
scikit-monaco：Python蒙特卡罗算法程序包。
scikit-spectra：建立在Python pandas上的光谱学程序包。
scikit-tensor：Python多线性代数和张量分解（tensor factorizations）程序包。
scikit-tracker：细胞生物学的目标检测和跟踪程序包。
scikit-xray：X射线科学的数据分析工具。
bvp_solver：Python求解两点边界问题的程序包。
datasmooth：SciKits提供的数据平滑程序包。
optimization：Python数值优化程序包。
statsmodels：SciPy统计学计算与建模程序包。
第三方/非SciKits的软件包/应用/工具：还有许多软件包/工具应用于不同的科学领域，例如天文
学、天体物理学、生物信息学、地球科学等。一些科学领域专用的Python程序包和工具如下。
Astropy：社区主导的用于支持天文学和天体物理学计算的Python程序包。
Astroquery：这个程序包是一组用于访问在线天文数据的工具。
BioPython：这个程序包是用Python进行生物计算的工具包。
HTSeq：这是用Python进行高通量测序数据（high-throughput sequencing data）分析的程序
包。
Pygr：这是Python中基因测序和对比分析的工具包。
TAMO：这是Python中利用DNA序列基元进行转录调控分析的应用。
EarthPy：这是地球科学领域的IPython Notebook案例集合。
Pyearthquake：进行地震与MODIS（中分辨率成像光谱仪）数据分析的Python程序包。
MSNoise：这是一种使用环境地震噪声监测地震波速度变化的Python程序包。
AtmosphericChemistry：对大气化学运作方式进行探测、构造与转换的工具。
Chemlab：这是一个能够进行化学相关计算的程序库。

2.2.1　NumPy简介
Python经过扩展可以支持数组和矩阵类型，并且具有大量的函数，可以计算这些数组和矩阵。这些数组是
多维的，而这个扩展程序包就是NumPy。NumPy的基本功能实现之后，许多API/工具都在它的基础上建立，
包括matplotlib、pandas、SciPy和SymPy。下面来看看基于NumPy建立的那些工具和API。
2.2.2　SciPy程序库
SciPy是一个为科学家和工程师开发的Python程序库，用来完成科学计算相关的功能。它有许多功能，如
最优化方法、线性代数、积分、插值方法、图像处理、快速傅里叶变换、信号处理以及一些特殊函数。它
可以解常微分方程以及其他科学与工程问题。它建立在NumPy数组对象的基础上，是NumPy技术栈的重要成
员之一。因此，有时NumPy技术栈和SciPy技术栈可以看成是同一个技术栈。
SciPy子程序包
SciPy包括以下子程序包。
constants：物理常数和转换因子。
cluster：层次聚类、矢量量化和K-means聚类。
fftpack：离散傅里叶变换算法。
integrate：数值积分程序。
interpolate：插值工具。
io：数据输入输出。
lib：Python外部库包装器。
linalg：线性代数程序。
misc：附件（例如图像读写操作）。
ndimage：多维图像处理的各种功能。
optimize：优化算法，包括线性规划。
signal：信号处理工具。
sparse：稀疏矩阵及其相关算法。
spatial：KD树、RNN（最近邻搜索）算法、距离函数。
special：特殊函数。
stats：统计学函数。
weave：可以把C/C++代码写成Python多行字符串执行的工具。
2.2.3　用pandas做数据分析
pandas是一个开源的Python程序库，能够进行高性能的数据处理与分析。使用pandas，用户可以在Python
中实现完整的数据分析工作流。而且将pandas、IPython工具包和其他Python程序库组合起来，可以获得
非常好的数据分析性能和效率。但是pandas数学功能不足，目前只支持一些简单的回归方法。但是，我们
可以从statsmodels和scikit-learn里找到其他功能。pandas可以非常高效地连接与合并数据集，支持丰
富的输入输出文件格式，包括直接内存读写、CSV、纯文本、Excel、SQL数据库和HDF5格式。

2.3　IPython交互式编程简介
IPython可以让Python支持多种语言的交互式编程。IPython原本是一个专为Python编程设计的命令行工
具，现在可以支持多种编程语言。IPython具有非常强大的代码自省功能、新的shell语法、命令自动补
全、命令历史保存等功能。自省功能是指命令行环境识别不同文字含义（属性、方法以及其他具体细节，
例如超类）的一种能力。IPython的一些特性如下所示。
支持系统命令行shell和QT版命令行shell。
支持浏览器版本的Notebook，可以编写代码、数学公式，以及支持多媒体和图表格式。
支持交互式数据可视化与其他图形用户界面。
支持高性能的并行计算。
2.3.1　IPython并行计算
IPython对并行与分布式计算的支持非常好，可以满足大规模计算需求。IPython还具有开发、执行、调试
和监控并行与分布式计算的能力。IPython支持多种并行方式，如下所示，还支持不同并行方式的混合形
式。
单程序多数据（single program multiple data，SPMD）并行
多程序多数据（multiple program multiple data，MIMD）并行
消息传递接口（Message Passing Interface，MPI）
任务与数据并行
用户自定义方法
2.3.2　IPython Notebook
IPython Notebook是基于网络的交互式编程环境。通过这个环境可以创建IPython Notebook。它可以识别
单个用户输入的文字或代码表达式，运行它们，然后把结果返回给用户。这种功能被称为读取—求值—
输出循环（read, evaluate, print, and looping，REPL）。在IPython Notebook里，用户还可以使用下
面的程序库：
IPython
ØMQ（ZMQ）
Tornado（网络服务器）
jQuery
Bootstrap（前端框架）
MathJax
运行Notebook程序，会在电脑上创建一个局域网服务器，用浏览器就可以打开。IPython Notebook是JSON
格式的文档，可以用代码、普通文字、数学运算、图像和图表等形式完成不同类型的计算。IPython
Notebook也可以通过网页操作或命令行代码转换成不同的格式，目前支持HTML、LaTeX、PDF、Python等多
种格式。

IPython Notebook的程序开发过程如下图所示。首先准备数据，如下图左边所示，然后开发程序并管理版
本。程序开发完毕后，还可以导出为不同格式。

IPython还有一些非常给力的特性。
可以与GUI程序库和工具箱实现无缝衔接。IPython可以和许多Python版的GUI工具箱/程序库无缝衔
接，如Tkinter、PyGTK、PyQt和wxPython。
集群管理：IPython可以通过MPI/异步状态回调信息对集群计算进行管理。
类UNIX运行环境：IPython的默认功能与UNIX命令行环境类似，支持客户自定义。

下载源代码
可以从网站http://www.packtpub.com登录你的账户，下载从Packt出版社购买的所有图书的源代码。
如果是通过其他途径购买的Packt图书，可以访问http://www.packtpub.com/support，注册一个账
户，源代码会发到你的邮箱。
IPython用户界面的截图如下页所示（源自http://ipython.org/notebook.html）。

IPython命令行工具的特性有以下各点。
Tab键自动补全：用户不需要在IPython输入全部代码。只要敲入前面一部分，再按Tab键，IPython
就会把剩下的命令自动补全。
浏览对象结构：对象的各种属性都可以通过IPython命令行的自省功能进行检查。
魔法函数：有许多魔法函数可供用户使用。
运行与编辑代码：IPython命令行可以运行并编辑Python脚本。
调试：IPython命令行具有十分强大的调试功能。
历史信息：IPython命令行可以存储历史命令和运行结果。
系统命令：用户还可以使用系统命令。
自定义系统命令别名：用户可以根据自己的需要为系统命令定义别名。
配置文件：IPython环境可以用配置文件进行自定义。
启动文件：用户可以设置IPython会话启动时运行的命令和代码。

IPython Notebook的用户操作界面
2.4　用SymPy进行符号计算
符号计算主要是操作数学对象与表达式。这些数学对象与表达式可以直接表现自己，它们不是估计/近似
值。表达式/对象是未经估计的变量，以符合形式呈现。
我们用下面的图来对比普通计算与计算机符号计算的差异。每种计算形式有两个例子。示例A1与示例A2是
普通计算示例，示例B1与示例B2是符号计算示例。示例A1与示例A2都有明确的输出结果。让我们再看看示
例B1与示例B2的输出结果。示例B1的输出结果是sqrt(3)，没有进行数值估计，只是用符号表示。这是
因为在符号计算中，如果sqrt函数的参数不是一个能够开尽的数，那么它就直接用符号表示结果。另一
方面，在示例B2中，输出结果更加简单。这是因为在这个示例中，表达式是可以进一步简化的；
sqrt(27)可以写成sqrt (9 × 3)或3(sqrt(3)，因此可以简化成3sqrt(3)。

普通计算与符号计算的对比
 

2.4.1　SymPy的主要特点
SymPy是一个符号计算程序库，具有各种类型的符号计算能力。它可以简化数学表达式（就像前面看到的
sqrt(27)），计算微分、积分与极限，求方程的解、矩阵运算以及各种数学函数。所有这些功能都通过
数学符号完成。
下面介绍SymPy的主要特点。SymPy程序库由若干核心能力与大量的可选模块构成。SymPy的主要功能如下
所示。
核心能力包括基本算术与公式简化，以及模式匹配函数，如三角函数、双曲函数、指数函数与对数函
数等。
支持多项式运算，例如基本算术、因式分解以及各种其他运算。
微积分功能，包括极限、微分与积分等。
各种类型方程式的求解，例如多项式求解、方程组求解、微分方程求解。
离散数学。
矩阵表示与运算功能。
几何函数。
借助pyglet外部模块画图。
物理学支持。
统计学运算，包括概率与分布函数。
各种打印功能。
多种编程语言与LaTeX代码生成功能。

2.4.2　为什么用SymPy
SymPy是一个开源的程序库，采用自由的BSD许可证。用户可以自由调整源代码。这在其他软件中都不能实
现，例如Maple和Mathematica。SymPy的另一个优势是，其设计、开发与执行都是在Python中。对Python
开发者来说，这是一个额外的优势。与其他工具相比，这个程序库具有高度的扩展性。
2.5　画图程序库
Python的话题程序库是matplotlib。它提供了一个面向对象的API，让用户可以在用各种Python的GUI工具
箱开发的应用程序中增加图表。SciPy/NumPy都使用matplotlib绘制数组的二维图。matplotlib的设计理
念是简化画图功能，用户调用极少的函数就能轻松地创建各种图形，有时甚至只需要调用一个函数。还有
一些专业的工具箱/API扩展了matplotlib的功能。这些工具中，有些是与matplotlib绑定在一起的，有些
需要单独下载。matplotlib的部分扩展API如下。
Basemap，绘制地图的工具箱。
Cartopy程序包，让地图数据分析与可视化更加简单。
Excel工具，可以让matplotlib与Excel进行数据交互。

Qt与GTK+开发接口。
mplot3d，可以绘制三维图。
下面的图表中演示了用matplotlib绘制的不同图形。这些截图都源自matplotlib网站
（http://matplotlib.org/users/screenshots.html）。

2.6　小结
这一章介绍了数学与数值分析的许多概念，包括线性与非线性方程组、最优化方法、内插法、外插法、数
值微分与积分、微分方程与随机数生成器。
本章的第二部分简要介绍了用Python语言进行科学计算的程序包/工具箱/API，还介绍了NumPy、SciPy、
IPython、SymPy、matplotlib和pandas的功能与特性。
下一章将介绍如何为科学计算准备数据与管理数据。