本书是人工智能常用编程语言Python的基础教程，是一本专门为医学专业学生进行医学数据分析、医学影像处理、医学数据挖掘等而设计和编写的，以医学案例驱动为特点的教材。全书共分10章，第1章～第3章介绍了Python的语言基础，第4章～第8章介绍了医学统计分析和回归分析、医学数据库操作、医学影像基本图像处理技术等Python的语言实现，第9章～第10章介绍了分类、聚类及深度学习等人工智能相关算法在医学上的实现。本书结构合理、思路清晰、层次分明，围绕医学案例由浅入深，注重入门运用与举一反三，强化医学案例驱动的扩展学习，重视医学专业学生学习能力的培养，强调医学实践联系计算机理论的医工融合。
本书适合作为高等医药类院校教材，前5章适用于所有医学专业的学生，第8章适用于医学影像、口腔、智能医学工程、医学信息工程、生物医学工程、生物信息学等专业的学生，第6～7章、第9～10章适用于医学院校中信息管理与信息系统、智能医学工程、医学信息工程、生物医学工程、生物信息学等专业的学生。

近年来，用于大数据和人工智能的Python开发语言发展迅速，在医学领域中具有广泛的应用，如检验检查的数据分析与统计、海量电子病历的自然语言识别、医学影像及病理切片的自动识别等采用Python语言开发实现的案例较多。目前，医院信息化程度较其他行业高，积累了大量的数据，而用于人工智能算力的硬件设施价格逐渐下降并普及化，以深度学习算法为代表的人工智能技术在近年也获得了突破，开辟了人工智能在健康领域应用的热潮。在“医疗大数据+算力+人工智能算法+人=智慧医学”公式中，要达到智慧医学广泛开展和应用的目标，前三者均有一定的门槛，但相对于“人”的因素，还算容易达到。所以培养具有医学基础而又掌握Python语言等人工智能开发工具的人才是实现智慧医学的关键。本教材的目的是针对医学专业的学生——未来的医务工作人员的信息素养和研发能力的培养，提升其Python语言开发能力。
本教材的特点是强调医学案例的应用，对编程语言本身和计算机科学理论的学习穿插在案例中，以够用为原则。扩展的计算机理论学习强调图书资源和网络资源的利用，引导读者自学，以培养学习能力。全书共分10章，第1章~第3章介绍了Python的语言基础，第4章~第8章介绍了医学统计分析和回归分析、医学数据库操作、医学影像基本图像处理技术等Python的语言实现，第9章~第10章介绍了分类、聚类及深度学习等人工智能相关算法在医学上的实现。教材中的案例大多数源于医学领域，部分数据来源于医院信息系统，经过脱敏处理。
本教材由贺向前任主编，曾红武、陈鹏任副主编。参与教材编写的人员还有赖清、袁冬莉、金晶、周宏、马云峰、熊欣、江正、韩宝如、贾媛媛、王浩林等。编者们均来自于重庆医科大学医学信息学院。本教材的编写获得了重庆市教委新型二级学院建设项目的经费资助，也获得了重庆医科大学教务处和医学信息学院的支持和帮助。正是这些支持和帮助激发了编者的编写热情，在此表示感谢！此外，本教材撰写和出版过程中得到了很多领导、专家、同仁、学生以及家属热情而无私的帮助，在此一并致谢！
由于时间仓促，而信息技术的发展又面临日新月异的变化，本书难免存在许多不足，希望读者多提宝贵意见。编者的电子邮件是hexiangqian@cqmu.edu.cn。

编 者

第1章 Python编程基础 1
1.1 搭建Python的编程环境 1
1.1.1 Python安装 1
1.1.2 PyCharm集成开发环境 3
1.1.3 Python函数包的安装 4
1.2 运行Python语言程序 4
1.3 Python代码编写规范 5
1.3.1 标识符 5
1.3.2 Python保留字 6
1.3.3 注释 6
1.3.4 缩进 6
1.3.5 多行语句 7
1.4 简单的Python代码语句 7
1.4.1 赋值语句 7
1.4.2 显示输出语句 8
1.4.3 读取键盘输入 8
1.5 数据类型 8
1.5.1 数字 9
1.5.2 字符串 9
1.5.3 列表 10
1.5.4 元组 11
1.5.5 集合 11
1.5.6 字典 12
1.6 运算符与优先级 12
1.6.1 算术运算符 12
1.6.2 比较运算符 13
1.6.3 逻辑运算符 14
1.6.4 运算符优先级 15
1.7 标准库 16
1.7.1 库函数的使用 16
1.7.2 糖尿病患者一周血糖数据分析案例 17
第2章 程序流程控制及函数 20
2.1 程序执行的流程控制 20
2.2 选择语句 20
2.2.1 单分支选择结构if语句 20
2.2.2 双分支选择结构if语句 21
2.2.3 多分支选择结构if语句 22
2.2.4 选择结构的嵌套 23
2.3 循环语句 24
2.3.1 while循环语句 24
2.3.2 for循环语句 26
2.3.3 循环语句中的break和continue语句 26
2.3.4 for循环语句中的range()函数 27
2.4 函数 28
2.4.1 自定义函数 28
2.4.2 自定义函数的参数传递 29
2.4.3 lambda函数 31
2.4.4 常用函数列表 31
2.4.5 模块 33
2.5 异常处理 34
第3章 Python常用包及医学数据统计分析 37
3.1 NumPy包 37
3.1.1 NumPy的安装及介绍 37
3.1.2 NumPy数组 38
3.2 pandas包 39
3.2.1 pandas的安装及介绍 39
3.2.2 pandas的Series数据结构 40
3.2.3 pandas的DataFrame数据结构 40
3.3 Matplotlib包 45
3.3.1 Matplotlib的安装及介绍 45
3.3.2 Matplotlib中figure画布及其坐标系统 46
3.3.3 Matplotlib库中pyplot模块里的主要作图函数 47
3.4 医学数据分析常用指标 55
3.4.1 集中趋势度分析 55
3.4.2 离中趋势分析指标 57
3.5 相关性分析 58
第4章 医学数据的获取和可视化 60
4.1 二维表格式文件的读取与写入 60
4.1.1 pandas读取CSV文件和Excel文件 60
4.1.2 xlrd库、xlwt库和xlutils库 63
4.1.3 openpyxl 67
4.2 PDF的读取 69
4.2.1 PDFMiner 69
4.2.2 PyPDF2 71
4.2.3 PDFPlumber 73
4.3 数据的可视化 74
4.4 使用PyEcharts库进行数据可视化 76
第5章 线性回归分析及Logistic回归 79
5.1 一元线性回归 79
5.1.1 数据导入与清洗 80
5.1.2 作散点图并选择线性回归模型 81
5.1.3 线性回归模型及参数估计 82
5.1.4 线性回归分析相关函数 84
5.2 Logistic回归 84
5.2.1 过程介绍 87
5.2.2 数据的基本统计信息 87
5.2.3 搭建模型 89
5.2.4 Logistic回归介绍 91
5.2.5 Python相关库的介绍 92
第6章 Python数据库的医学应用 93
6.1 MySQL数据库系统的安装及配置 93
6.2 创建数据库 96
6.3 川崎病数据表的创建 97
6.4 川崎病数据库表操作 98
6.5 川崎病数据库表查询综合运用 104
第7章 川崎病数据档案查询系统的Django框架开发 110
7.1 Python的Web开发能力 111
7.2 Web开发环境的搭建和Django的介绍 112
7.3 搭建“川崎病数据档案查询系统”项目的开发环境 113
7.3.1 创建项目工程kawasaki（川崎病英文名） 113
7.3.2 工程开发界面及编译环境对话框的介绍 114
7.3.3 本地服务器设置 116
7.4 设计查询系统的数据模型 118
7.4.1 ORM介绍和PyMySQL安装及驱动的加载 118
7.4.2 创建应用程序App 120
7.4.3 模型设计及创建迁移记录和数据表 121
7.4.4 Django后台管理程序admin 125
7.5 搭建项目基本框架 128
7.5.1 URL路由设置 128
7.5.2 制作初步视图 129
7.5.3 制作简单的HTML文件 130
7.6 模板与前端页面制作 132
7.6.1 HTML5格式的静态页面 132
7.6.2 前端框架bootstrap 133
7.6.3 静态文件设置 133
7.6.4 制作base.html文件 133
7.6.5 制作登录页面 135
7.6.6 完善视图函数login() 136
7.7 查询应用operate的开发简介 138
7.7.1 路由设计 138
7.7.2 数据模型制作 139
7.7.3 前端模板设计 140
7.7.4 编写视图函数 144
7.7.5 展示部分登录之后的运行截图 146
第8章 Python医学图像处理 148
8.1 Python图像处理工具包 148
8.2 医学图像的基本操作 148
8.3 医学图像的基本概念 151
8.4 骨龄片的滤波处理 153
8.5 图像卷积 155
8.6 几何变换 158
8.7 图像的算术运算 163
8.8 医学图像的图像增强 165
8.9 医学图像分割 172
8.10 医学图像形态学处理 173
第9章 机器学习常见分类与聚类分析 176
9.1 scikit-learn简介及安装 176
9.2 决策树分类算法 177
9.3 KNN分类算法 180
9.4 随机森林分类算法 181
9.5 支持向量机SVC分类算法 182
9.6 神经网络分类算法 183
9.7 Mean-shift聚类算法 184
9.8 K-means聚类算法 187
第10章 深度学习：卷积神经网络在医学图像处理中的应用 189
10.1 深度学习：卷积神经网络 189
10.2 TensorFlow简介 190
10.3 基于卷积神经网络的骨龄检测实例 192
参考文献 199

贺向前，重庆医科大学副教授，医学信息学院副院长，硕士学位。本科就读西南大学，硕士就读重庆大学，分别在华中科技大学和新加坡南洋理工大学进修学习。从教20余年，先后从事的教学课程有计算机程序设计语言、大学计算机基础、网站开发、软件工程、医学图像处理、计算机维护等，教学效果良好，学生教评100%优良率；2014年开始从事教学管理工作，对专业培养、课程体系设置、课程目标、课程教学大纲等全面熟悉，积极探索和组织教学改革。科研方面，主持了省部级、厅局级课题4项，主研了国家级、省部级等课题10项，获得国家发明专利3项、实用新型专利1项，获得省部级奖励1项，发表科研教学论文30余篇，参编教材5部。