PythonNumericalDemos：教育数据科学Python演示库（0.0.1）

精心编写的Python工作流，助您跨越数据科学中的知识障碍！

为了支持我在*数据分析与地质统计学、空间数据分析和机器学习课程中的学生，以及所有正在学习数据分析和机器学习的人，我开发了一套内容详尽的Python工作流。每当学生在某个概念上遇到困难时，我就会制作并分享一个新的详细教程，让他们能够动手实践并重复我的课堂示例，从而迅速掌握如何应用这些模型或理论概念！*

迈克尔·皮尔茨，教授，德克萨斯大学奥斯汀分校，数据分析、地质统计学和机器学习

Twitter | GitHub | 网站 | Google学术 | 书籍 | YouTube | LinkedIn

---

引用方式：

Pyrcz, Michael J. (2021). PythonNumericalDemos：教育数据科学Python演示库（0.0.1）。Zenodo。https://doi.org/10.5281/zenodo.5564966

---

环境配置

最低环境要求包括：

• Python 3.7.10 —— 因为GeostatsPy依赖Numba包来加速代码运行
• MatPlotLib —— 绘图
• NumPy —— 格网数据与数组运算
• Pandas —— 表格数据处理
• SciPy —— 统计模块
• ipywidgets —— 用于交互式绘图
• GeostatsPy —— 地质统计算法与函数（Pyrcz等，2021）

所需的数据集可在GeoDataSets仓库中找到，并在各个工作流中提供链接。

仓库简介

我使用这些演示来：

1. 课堂讲解示范
2. 结合配套讲义中的具体任务进行实践性学习
3. 为我的学生提供示例工作流参考

其他您可能感兴趣的资源包括：

• R工作流仓库
• Excel工作流仓库
• GeostatsPy软件包

尽管我在FORTRAN、C++和VBA方面拥有超过20年的编程经验，但我只是几年前才开始接触Python。我非常喜欢它——用更少的代码完成更多的工作！我强烈推荐工程师和科学家们学习Python。以下是学习编程的一些理由：

1. 透明性——没有编译器会“睁一只眼闭一只眼”！编程迫使你的逻辑清晰可见，便于其他科学家或工程师审查。

2. 可重复性——运行一次得到答案，再运行一次仍能得到相同结果。这是科学方法的核心原则之一。

3. 量化——程序需要数字输入。通过向程序输入数据，你可以发现观察世界的新视角。

4. 开源——利用全球智慧。浏览各种软件包和代码片段，惊叹于那些杰出头脑所免费分享的知识。

5. 打破壁垒——不要把问题丢给开发者，而是坐下来与他们一起探讨，贡献你的专业知识，共同打造更好的产品。

6. 部署——与他人共享你的成果，扩大影响力。无论是绩效指标还是利他主义，你的努力都会惠及更多人。

7. 效率——减少枯燥的工作环节。构建一套自动化脚本，将常见任务交给计算机完成，从而有更多时间专注于科学与工程研究！

8. 总有重做一次的理由！——你有多少次只做过一次就放弃了？编写脚本并实现流程自动化通常需要花费两到四倍的时间，但往往非常值得。

9. 像我们一样吧——这会改变你。普通用户会觉得受限，而程序员则能真正驾驭应用程序和硬件的强大功能。

好了，我的“牢骚”已经够多了，尤其是我还没自我介绍呢！

仓库作者：

迈克尔·皮尔茨，教授，德克萨斯大学奥斯汀分校

新型地下资源数据分析、地质统计学和机器学习解决方案

迈克尔在地下资源咨询、研发领域拥有超过17年的经验，如今重返学术界，致力于教学，并热衷于提升工程师和地球科学家在地下资源开发中的影响力。

欲了解更多关于迈克尔的信息，请访问以下链接：

Twitter | GitHub | 网站 | Google学术 | 书籍 | YouTube | LinkedIn

想合作吗？

我希望这些内容对希望深入了解地下建模、数据分析和机器学习的人有所帮助。欢迎学生和在职专业人士参与。

• 您是否希望邀请我到贵公司进行培训、指导、项目评审、工作流设计或咨询？我很乐意前往并与您合作！

• 您是否有兴趣与我合作，支持我的研究生科研，或者加入我的地下数据分析与机器学习联盟（联合PI包括福斯特、托雷斯-韦尔丁和范奥特教授）？我的研究将数据分析、随机建模和机器学习理论与实践相结合，开发创新的方法和工作流，以创造更大的价值。我们正在解决极具挑战性的地下资源问题！

• 您可以通过mpyrcz@austin.utexas.edu与我联系。

期待与您进一步交流，

迈克尔

迈克尔·皮尔茨，博士，注册工程师，教授，德克萨斯大学奥斯汀分校科克雷尔工程学院及杰克逊地球科学学院

更多资源请访问：Twitter | GitHub | 网站 | Google学术 | 书籍 | YouTube | LinkedIn

PythonNumericalDemos 快速上手指南

PythonNumericalDemos 是一个教育性的数据科学演示仓库，由德克萨斯大学奥斯汀分校 Michael Pyrcz 教授维护。它提供了一系列文档详尽的 Python 工作流，旨在帮助学习者跨越数据科学、地质统计学和机器学习的理论障碍，通过可复现的代码示例直观理解核心概念。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Python 版本：推荐 Python 3.7.10（由于 GeostatsPy 依赖 Numba 包进行代码加速，该版本兼容性最佳）
• 核心依赖库：
  • MatPlotLib (绘图)
  • NumPy (网格数据与数组运算)
  • Pandas (表格数据处理)
  • SciPy (统计模块)
  • ipywidgets (交互式绘图)
  • GeostatsPy (地质统计学算法与函数)
• 数据集：运行示例所需的数据集托管在 GeoDataSets 仓库中，工作流代码中已包含链接。

国内开发者提示：建议使用国内镜像源（如清华源、阿里源）加速 Python 包的安装。

安装步骤

1. 克隆仓库

首先，将项目代码克隆到本地：

git clone https://github.com/GeostatsGuy/PythonNumericalDemos.git
cd PythonNumericalDemos

2. 安装依赖

使用 pip 安装所需库。为了获得更快的下载速度，推荐使用清华大学镜像源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib numpy pandas scipy ipywidgets geostatspy

注意：如果您的环境中 Numba 对 Python 3.7.10 以外的版本支持不佳，建议创建虚拟环境并指定 Python 版本：

# 示例：使用 conda 创建指定版本的环境
conda create -n geo_demo python=3.7.10
conda activate geo_demo
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib numpy pandas scipy ipywidgets geostatspy

3. 获取数据集

部分演示需要外部数据。您可以手动克隆数据集仓库到项目同级目录，或直接在代码运行时根据提示下载：

cd ..
git clone https://github.com/GeostatsGuy/GeoDataSets.git

基本使用

本仓库主要由一系列 Jupyter Notebook (.ipynb) 文件组成，每个文件对应一个特定的教学主题（如数据加载、变异函数分析、克里金插值等）。

启动交互式环境

推荐使用 Jupyter Lab 或 Jupyter Notebook 运行演示：

# 安装 jupyter (如果尚未安装)
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple jupyterlab

# 启动 Jupyter Lab
jupyter lab

运行示例

1. 在浏览器打开的 Jupyter 界面中，进入 PythonNumericalDemos 文件夹。
2. 选择一个感兴趣的 Notebook 文件（例如 Load_Data.ipynb 或 Variogram_Modeling.ipynb）。
3. 点击单元格依次运行（Shift + Enter），即可复现讲座中的图表和分析过程。

最简单的代码示例逻辑（以加载数据为例，具体请参照对应 Notebook）：

import pandas as pd
import matplotlib.pyplot as plt
from geostatspy.GSLIB import affinv

# 1. 加载数据 (假设数据文件已在当前路径或 GeoDataSets 中)
# df = pd.read_csv('path_to_data.csv') 

# 2. 数据预处理与转换
# data_transformed = affinv(df['column_name'])

# 3. 可视化
# plt.hist(data_transformed)
# plt.show()

通过按顺序执行这些预编写好的工作流，您可以立即应用模型并验证理论概念，非常适合自学或作为课程辅助材料。