机器学习—2.编程环境和Python3库

2.编程环境和Python3库

2.1环境搭建

Anaconda官网https://www.anaconda.com/下载windows版本的安装包，直接安装即可。需要注意的是安装用户最好选择“Just me”；安装路径只能在C盘的用户下；在“Advanced Installation Options”中不要勾选“Add Anaconda to my PATH environment variable.”，因为其可能会影响其他程序的使用。

安装结束后，打开软件，在Jupyter Notebook下点击Launch，就可以在浏览器中打开Jupyter Notebook。点击new-Python3，就可以创建一个Notebook，其扩展名为ipynb。

使用Jupyter Notebook进行底层代码的编写，这不是一个很好的选择；因此我们使用vs code进行底层库的编写。为了能调用Machine Learing中常用的第三方库，需要使用pip下载。

在vs code的终端，进入Python\Scripts文件夹，使用命令./pip install --index https://pypi.mirrors.ustc.edu.cn/simple/ pandas来下载pandas库。除了pandas外，还需要下载numpy、requests、matplotlib、sklearn等第三方库。在下载时，可能由于国内线路不通的缘故，需要使用国内镜像，在--index后就是国内镜像的地址。

2.2使用Jupyter Notebook

2.2.1快捷键

Shift-Enter: 运行代码块, 选择下面的代码块

Ctrl-Enter: 运行选中的代码块

Alt-Enter: 运行代码块并且插入下面

A: 在上面插入代码块

B: 在下面插入代码块

DD: 删除选中单元格

L: 切换行号

M: 把代码块变成标签(标签用于书写文档，若在文档前加#表示文档标题，加n个#表示n级标题，在#后必须空一格来书写标题，书写结束后需要重新运行)

Y: 把代码块变成代码

上图中，In[9]是因为前面使用8个代码块，但是被删除了；为了阅读的良好体验，点击Kernel->Restart & Run All就可以重新表位In[1]。

2.2.2魔法命令

(1)%run：加载脚本文件，可以用相对地址或绝对地址。

目录：

Machine Learing

|---project1

|---Script

hello.py

Untitled.ipynb

#程序2-1

#hello.py

def hello():

    print('Machine Learing')

#Untitled.ipynb

In[]: %run Script/hello.py

In[]: hello()

Out[]:Machine Learing

(2)timeit：测试代码性能

用法：%timeit 一条语句；%%timeit 代码块。

In[]: %%timeit

l = []

for a in range(10000):

     l.append(a)

Out[]:737 µs ± 28.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In[]: %timeit l = [x for x in range(10000)]

Out[]:355 µs ± 19.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

使用列表推导式明显比for循环效率高。