第1章 优雅的NumPy：Python科学应用的基础 1
1.1数据简介：什么是基因表达 2
1.2 NumPy的N维数组 6
1.2.1为什么用N维数组代替Python列表 7
1.2.2向量化 9
1.2.3广播 9
1.3探索基因表达数据集 10
1.4标准化 13
1.4.1样本间的标准化 13
1.4.2基因间的标准化 19
1.4.3样本与基因标准化：RPKM 21
1.5小结 27
第2章 用NumPy和SciPy进行分位数标准化 28
2.1获取数据 30
2.2独立样本间的基因表达分布差异 30
2.3计数数据的双向聚类 33
2.4簇的可视化 35
2.5预测幸存者 37
2.5.1进一步工作：使用TCGA患者簇 41
2.5.2进一步工作：重新生成TCGA簇 41
第3章 用ndimage实现图像区域网络 42
3.1图像就是NumPy数组 43
3.2信号处理中的滤波器 48
3.3图像滤波（二维滤波器） 53
3.4通用滤波器：邻近值的任意函数 55
3.4.1练习：康威的生命游戏 56
3.4.2练习：Sobel梯度幅值 56
3.5图与NetworkX库 57
3.6区域邻接图 60
3.7优雅的ndimage：如何根据图像区域建立图对象 63
3.8归纳总结：平均颜色分割 65
第4章 频率与快速傅里叶变换 67
4.1频率的引入 67
4.2示例：鸟鸣声谱图 69
4.3历史 74
4.4实现 75
4.5选择离散傅里叶变换的长度 75
4.6更多离散傅里叶变换概念 77
4.6.1频率及其排序 77
4.6.2加窗 83
4.7实际应用：分析雷达数据 86
4.7.1频域中的信号性质 91
4.7.2加窗之后 93
4.7.3雷达图像 95
4.7.4快速傅里叶变换的进一步应用 99
4.7.5更多阅读 99
4.7.6练习：图像卷积 100
第5章 用稀疏坐标矩阵实现列联表 101
5.1列联表 102
5.1.1练习：混淆矩阵的计算复杂度 103
5.1.2练习：计算混淆矩阵的另一种方法 103
5.1.3练习：多类混淆矩阵 104
5.2 scipy.sparse数据格式 104
5.2.1 COO格式 104
5.2.2练习：COO表示 105
5.2.3稀疏行压缩格式 106
5.3稀疏矩阵应用：图像转换 108
5.4回到列联表 112
5.5图像分割中的列联表 113
5.6信息论简介 114
5.7图像分割中的信息论：信息变异 117
5.8转换NumPy数组代码以使用稀疏矩阵 119
5.9使用信息变异 120
第6章 Sci Py中的线性代数 128
6.1线性代数基础 128
6.2图的拉普拉斯矩阵 129
6.3大脑数据的拉普拉斯矩阵 134
6.3.1练习：显示近邻视图 138
6.3.2练习挑战：稀疏矩阵线性代数 138
6.4 PageRank：用于声望和重要性的线性代数 139
6.4.1练习：处理悬挂节点 144
6.4.2练习：不同特征向量方法的等价性 144
6.5结束语 144
第7章 SciPy中的函数优化 145
7.1 SciPy优化模块：sicpy.optimize 146
7.2用optimize进行图像配准 152
7.3用basin hopping算法避开局部最小值 155
7.4选择正确的目标函数 156
第8章 用Toolz在笔记本电脑上玩转大数据 163
8.1用yield进行流处理 164
8.2引入Toolz流库 167
8.3 k-mer计数与错误修正 169
8.4柯里化：流的调料 173
8.5回到k-mer计数 175
8.6全基因组的马尔可夫模型 177
后记 182
附录 练习答案 186
作者简介 206
封面简介 206