本書について

謝辞

本書の構成

本書の想定読者について

動作確認に使用したOSとPythonのバージョン等について

本書のサポートページについて

第1章　科学技術計算とPython

1.1　データで見るPythonの今

• Pythonの台頭
• 教育用言語としてのPython
• 日本におけるPythonの利用は？

1.2　Pythonの基礎知識

• Pythonの開発経緯
• Pythonの特徴

Column　Pythonの誕生

• ❶可読性とメンテナンス性
• ❷インタープリタ言語
• ❸スクリプト言語
• ❹グルー言語
• ❺バッテリー内蔵
• ❻充実したエコシステム
• パッケージ管理システム
• Python 2系とPython 3系

Column　Pythonのライセンス

1.3　科学技術計算とPythonの関わり

• Pythonが科学技術計算で使われる理由
• Pythonの普及度
• 利用のしやすさ
• なぜPythonを使うのか
• SciPy Stack
• 民間企業とコミュニティ
• Pythonの活用事例
• Pythonの実行速度は本当に遅いのか
• 今回のベンチマークの詳細

Column　スタックメモリとヒープメモリ

1.4　まとめ

第2章　ゼロからのシミュレータ開発

2.1　シミュレータを設計する

• ロケットシミュレータ「PyRockSim」
• 機能構成
• プログラム構築の手順

2.2　機能分割とファイル分割

• 機能分割
• 機能実装上の留意点
• ファイル分割とimport

2.3　コーディング

• 処理の流れ
• ライブラリのimport
• ロケット諸元の設定
• 状態量の設定と積分計算
• メイン実行コード
• 計算結果の確認

2.4　静的コード解析

• 静的コード解析の目的
• 静的コード解析用ツール

2.5　単体テスト

• ソフトウェアのテスト
• 単体テスト用のツール
• doctest
• unittest
• nose

2.6　デバッグ

• pdb
• pdbが不要なデバッグ
• pdbが必要なデバッグ

2.7　プログラムの最適化

• まずはプロファイリング
• 先人の成果を活用する
• さらなる高速化へ

2.8　まとめ

第3章　IPythonとSpyder

3.1　IPython

• IPythonとは
• IPythonを使うには

Column　Jupyter

• Jupyter Notebook上での利用
• IPythonの基本　入力と出力の関係から
• オブジェクトの中身を確認する
• 関数の内容表示
• 関数の詳細な内容表示
• オブジェクト名を検索する
• マジックコマンド　ラインマジック，セルマジック
• OSとの連携
• 履歴の利用　history
• 履歴の検索
• タブ補完
• スクリプトファイルの実行
• IPythonによるデバッグ　デバッガpdb
• 事後解析デバッギング
• スクリプト指定でデバッガ起動
• 指定の箇所でデバッガ起動
• プロファイリング
• 実行時間計測
• プロファイリングの準備
• 実行時間のプロファイリング
• メモリ使用量のプロファイリング
• メモリプロファイリング対象のソースコード内指定

3.2　Spyder

• Spyderとは
• Spyderの主要な機能
• プログラムエディタ
• プログラムの実行
• Docstringやヘルプの表示　Object inspector
• ワークスペース内の変数を表示　Variable explorer
• データファイルの入出力
• UMD　Spyderの隠れた重要な機能

3.3　まとめ

第4章　Pythonの基礎

4.1　記述スタイル

• スクリプトの記述ルール
• エンコーディング
• インデント
• コメント
• PEP
• スクリプトの構成

4.2　オブジェクトと型

• オブジェクト
• 識別子

Column　予約済みの識別子

• データ型（組み込みのデータ型）　重要な型の一覧から

Column　イミュータブルとは何か？　Pythonの実装はどのようにメモリを用いるか

• 数値の型
• 文字列型
• リスト
• タプル
• バイトおよびバイト配列
• 辞書型
• 集合型
• リテラル
• 文字列リテラル
• 文字列のエスケープシーケンス
• 数値リテラル
• コンテナ型のリテラル

4.3　シーケンス型の操作

• インデキシング
• スライシング
• データ（値）の更新
• リスト内包表記

4.4　集合型と辞書型の操作

• 集合型の操作
• 辞書型の操作

4.5　変数とデータ

• 変数の新規作成　Pythonの場合
• C言語の場合
• 変数の再定義　Pythonの場合
• C言語の場合
• 参照の割り当て　基本的な参照割り当ての例から
• 参照割り当て後の再定義
• 2変数への同一リストの割り当て

4.6　浅いコピーと深いコピー

• 浅いコピー
• 複合オブジェクトでない場合
• 複合オブジェクトの場合
• 深いコピー

4.7　演算子と式評価

• ブール値判定とブール演算
• 比較演算子
• 数値の型の演算
• 整数のビット演算

4.8　フロー制御

• if文
• for文

Column　スペース（空白文字）の使い方

• while文
• try文
• with文

4.9　関数の定義

• 関数定義の基本
• オプションパラメータ
• 可変長引数とキーワード引数
• lambda式
• ジェネレータ関数
• デコレータ
• 手続き型言語

4.10　モジュールとパッケージ

• ライブラリ，モジュール，パッケージ
• importの基本
• パッケージのimport
• ファイル検索の順番

4.11　名前空間とスコープ

• 名前空間
• スコープ
• 関数におけるスコープと名前空間
• 名前空間と変数操作
• global文とスコープ拡張
• nonlocalとスコープ拡張
• クロージャ

4.12　まとめ

第5章　クラスとオブジェクトの基礎

5.1　クラス定義

• 本章における解説項目について
• クラス定義の基本形
• クラス属性とインスタンス属性
• コンストラクタとデストラクタ

5.2　継承

• 基底クラスと派生クラス
• 継承後の属性の再定義と新規追加

5.3　スタティックメソッドとクラスメソッド

• スタティックメソッド
• クラスメソッド

5.4　隠ぺいの方法

• 情報隠ぺいとカプセル化
• プライベートメンバの指定

5.5　クラスと名前空間

• 名前空間とスコープの生成
• クラス属性とインスタンス属性

5.6　まとめ

第6章　入力と出力

6.1　コンソール入出力

• コンソール入力
• コンソール出力

6.2　ファイル入出力の基本

• open関数
• open関数のモード
• ファイルの読み込みとクローズ
• ファイルへのデータ書き出し

6.3　データファイルの入出力

• 入出力によく使われるデータ形式
• CSVファイルの入出力
• 標準モジュールcsv
• NumPyのCSV読み込み用関数
• Excelファイルの入出力
• XLS形式の入出力
• OOXML形式の入出力
• pickleファイルの入出力
• 単一変数のpickle化
• 複数変数のpickle化
• その他のバイナリファイルの入出力
• NumPyのnpy/npz形式
• HDF5形式
• MAT-file形式

Column　HDF5

6.4　pandasのデータ入出力機能

• pandasのデータ入出力関数
• データ形式と入出力速度
• テキストデータの入出力
• 読み込み処理の詳細

6.5　Web入力

• urllibパッケージを用いたHTMLデータの読み出し
• Python 2系とPython 3系のurllib関連情報

6.6　まとめ

Column　入力設定の試行錯誤

第7章　NumPy

7.1　NumPyとは

• NumPyの機能全貌
• NumPyの各種関数群
• NumPyはなぜ速い？

Column　線形代数の数値演算ライブラリ

7.2　NumPyのデータ型

• 細分化されたデータ型
• NumPyの組み込みデータ型
• NumPyのスカラー

7.3　多次元配列オブジェクトndarray

• 配列と行列
• ndarrayの生成
• データ型の指定
• ndarrayの属性
• ndarrayのメソッド
• ndarrayによる行列計算
• ndarrayのインデキシング
• 基本インデキシングによる参照
• 応用インデキシングによる参照
• ビューとコピー
• データとメモリの関係

7.4　ユニバーサル関数

• ユニバーサル関数「ufunc」の機能
• Python関数のufunc化

7.5　ブロードキャスティング

• ブロードキャスティングの仕組み
• ブロードキャスティングの具体例
• 次元に関する注意事項

7.6　まとめ

第8章　SciPy

8.1　SciPyとは

• SciPyの概要
• NumPyとの関係
• 最適化で一歩先を行くSciPy
• SciPyとNumPyの差を調べる

8.2　実践SciPy

• 統計分布関数
• 離散フーリエ解析

Column　Pythonの統計処理

• ボード線図
• データの内挿
• デジタル信号フィルタの設計
• 行列の分解

8.3　まとめ

第9章　Matplotlib

9.1　Matplotlibとは

• Matplotlibの概要
• Matplotlibのモジュール
• Matplotlibのツールキット
• pylabとpyplotとNumPyの関係

9.2　Matplotlibの設定

• 2つの設定方法
• 設定の確認と，設定コマンドによる変更
• 設定ファイルへの記述
• スタイルシート
• グラフに日本語を使う

9.3　実践Matplotlib

• 基本の描画
• サブプロット
• 等高線図
• 3次元プロット

Column　カラーマップについて

9.4　その他の作図ツール

• Matplotlib以外のおもな作図ツール

9.5　まとめ

第10章　pandas

10.1　pandasとは

• pandasの概要
• PyData
• pandasで何ができる？

10.2　pandasのデータ型

• 基本のデータ型
• シリーズ
• データフレーム
• パネル

10.3　データの処理

• pandasのAPI
• NumPyとの連携機能　ユニバーサル関数，データ型の変換
• 部分データを取り出す
• 基本的な演算規則
• 比較演算
• 基礎的な統計関数
• 関数の適用
• NaNの処理
• プロット機能
• ビューとコピー

10.4　まとめ

第11章　プログラムの高速化

11.1　プログラムの高速化の基本

• 高速化への4つのアプローチ

11.2　ボトルネックの解消

• ボトルネックの解消
• コーディング方法による高速化
• 先入観を持たずに試してみる
• 極力Pythonの組み込み関数や標準ライブラリを使う
• ループ計算（for，while）を極力避ける
• メモリ利用の効率化
• メモリのマネジメント
• ndarrayに関する省メモリ化
• プロファイラの有効活用
• IPythonを使わない関数プロファイリング
• プロファイリング結果のグラフィカル表示
• IPythonを使わないラインプロファイリング

11.3　処理の並列化

• CPUの性能向上
• GIL

Column　Intel Xeon Phi

• SIMD
• IntelのSIMD拡張命令
• PythonにおけるSIMD活用

Column　Intel MKL

• スレッドとマルチスレッド化
• マルチスレッドのプログラム
• 並行だが並列じゃない
• マルチスレッド化による処理速度向上について
• マルチプロセス利用

Column　注目を集めるGPU

• マルチプロセス利用の利点
• ProcessPoolExecutor

Column　Blazeエコシステム

11.4　まとめ

第12章　プログラム高速化の応用例

12.1　高速ライブラリ（他言語）の活用

• 他言語ライブラリのパッケージ
• Cython　Cythonは拡張言語
• Cythonの機能
• Cythonの使い方
• Cythonコード作成からコンパイルまで
• Cythonコードの実行時コンパイル
• Cythonによる並列プログラミング例　NumPyプログラムのCythonコード化から
• setupスクリプトの作成例
• 高速化の効果検証
• 自作のC/C++ライブラリの活用
• 自作C/C++ライブラリのコンパイル
• ライブラリのimport方法

12.2　JITコンパイラ利用

• Numba

Column　Julia

• 基本的な使い方
• どのようなプログラムに使えるか
• Numbaのデコレータ
• Numbaの利用例（@jitclass）
• Numbaの利用例（ufunc作成）
• Numbaの利用例（マルチスレッド化）
• Numexpr

12.3　まとめ

Appendix

Appendix A　参考文献＆学習リソース

Appendix B　組み込み関数と標準ライブラリ

Appendix C　NumPyの関数リファレンス