博士，首都师范大学教育学院教授。参与教育部高中信息技术课程标准制订工作，组织编写过多种中小学信息学科相关教材和培训用书，发表研究论文70余篇，编写大学及研究生教材4种，翻译专著1部。

章 Python基础知识
1.1 Python算术运算
1.1.1 数值的算术运算
1.1.2 变量
1.2 数值型数据类型
1.2.1 整数类型
1.2.2 浮点类型
1.2.3 布尔数据类型
1.3 Python标准库：基本数学函数
1.3.1 从标准库中导入函数
1.3.2 三角函数
1.3.3 指数函数与对数函数
1.4 Python标准库：统计函数
1.5 非数值型数据类型
1.5.1 字符串
1.5.2 列表
1.6 标准输入输出函数：print和input
1.6.1 print
1.6.2 input
第二章 Python编程进阶
2.1 分支结构
2.1.1 条件语句
2.1.2 try—except语句
2.2 循环结构
2.2.1 for循环
2.2.2 while循环
2.2.3 continue并口break
2.2.4 数值算法
2.3 数据类型：字典和元组
2.3.1 字典
2.3.2 元组
2.3.3 数据类型小结
2.4 函数与模块
2.4.1 定义Python函数
2.4.2 将函数写入模块
2.4.3 函数定义中的d。cstrings
2.4.4 Python中的匿名函数
2.4.5 函数与模块小结
第三章 Python数据分析基础
3.1 NumPy
3.1.1 创建NumPy数组
3.1.2 NumPy数组的索引、切片、重塑与计算
3.1.3 模拟随机实验实例
3.2 Pandas
3.2.1 Series
3.2.2 DataFrame
3.2.3 访问DataFrame数据
3.2.4 DataFrame中的数据排序
3.2.5 在DataFrame中增加／删除行和列
3.2.6 生成交叉表
3.2.7 读取／写入数据文件
第四章 Python绘图与数据可视化
4.1 Matplotlib简介
4.1.1 显示图像
4.1.2 绘制函数图像
4.1.3 绘制线条图
4.2 使用Matplotlib绘制统计图形
4.2.1 绘制条形图(直方图)
4.2.2 绘制饼图
4.2.3 绘制散点图
4.3 Mat：plol：lib面向对象绘图
4.3.1 图形和轴
4.3.2 子绘图
4.3.3 数据可视化应用案例
4.3.4 三维绘图
4.4 使用Seaborn绘图
4.5 使用Pandas绘图
第五章 从数据分析到深度学习
5.1 探索性数据分析
5.1.1 EDA过程
5.1.2 描述统计
5.1.3 探索变量之间关系
5.2 深度学习入门
5.2.1 .PyTorch简介
5.2.2 PyrTorch数据集及装载器
5.2.3 神经网络
5.2.4 卷积神经网络
第六章 使用Python辅助数学学习
6.1 SymPy简介
6.1.1 数值计算与符号计算
6.1.2 多项式及有理分式
6.1.3 初等函数
6.2 使用SymPy解方程
6.3 使用SymPy绘图
6.3.1 函数绘图
6.3.2 2D函数绘图
6.3.3 3D函数绘图
6.4 微积分
6.4.1 数列与级数
6.4.2 函数极限
6.4.3 导数与微分
6.4.4 曲线的切线
6.4.5 优化问题
6.4.6 积分
6.4.7 函数项级数
6.5 线性代数
6.5.1 线性方程组
6.5.2 矩阵
6.5.3 矩阵操作与运算
6.5.4 矩阵的LU分解
6.5.5 矩阵确定的基本子空间
6.5.6 特征向量与特征值

本书在内容选取上特别关注了高中新课程、新教材(特别是信息技术课程)的教学要求，比较全面地介绍了Python编程及其在数据分析、可视化及人工智能等方面的应用。
全书采用简洁、直接的叙述方式，在保证内容完整、连贯的前提下，对书中涉及的计算机、数学、程序设计、数据处理及人工智能等领域的概念和思想作了概要式的描述，对较复杂、有多种含义、处于演化中的以及可能有歧义的概念，采用了直观(也许不严格)和实用的解释。
本书中的程序代码以直接、易懂和通用为原则，尽量避免技巧性的语言构造或用法。
本书以Python符号计算库symPy为例，详细地回顾了部分高中基础数学、微积分(包括优化思想)、线性代数等方面的知识，希望为读者学习和理解人工智能算法、数据安全，以及开展数学学科的融合教学提供帮助。
为方便读者更有效地使用本书，在每一章的开始都设置了“本章导读”栏目，列举本章的一些内容要点、重点和注意事项等。另外，在正文中还随时穿插一些“注意”或“提示”栏目，前者对当前章节中可能产生困惑的地方作了简单解释，后者补充了一些简要的背景知识。