《深入浅出Python机器学习》读书笔记 第二章 基于Python语言的环境配置

《深入浅出Python机器学习》读书笔记，第二章 基于Python语言的环境配置

一、Python的下载与安装

这里有两种方式，一种是直接安装Python，另一种是安装Anaconda。这里推荐安装Anaconda

Python官方网站： https://www.python.org/
Python安装教程：https://www.runoob.com/python3/python3-install.html

Anaconda官网： https://www.anaconda.com/products/individual#Downloads
Anaconda安装教程：https://www.jianshu.com/p/d3a5ec1d9a08

二、Jupyter Notebook的安装与使用

1 安装

安装好python后，打开cmd或者powershell
输入如下命令

pip install jupyter 

2 使用

打开cmd或者powershell，输入如下命令，即可启动Jupyter Notebook

jupyter notebook

启动后，默认浏览器会打开Jupyter Notebook界面

点击New，点击Python3，输入代码，点击运行

# 输出helloworld
print("helloworld")

三、一些必须库的安装和简介

要安装的库包括Numpy 、Scipy 、matplotlib 、
pandas 、IPython ，以及非常核心的scikit-learn

安装命令如下

pip3 install numpy scipy matplotlib ipython pandas scikit-learn

1 numpy

Nump y 是一个Python 中非常基础的用于进行科学计算的库，它的功能包括高维数组（ array ） 计算、线性代数计算、傅里叶变换以及生产伪随机数等。

案例：

import numpy as np
# 创建一个N 维数组对象
i = np.array([[520,13,14],[25,9,178]])
# 输出数组
print("i : \n {}".format(i))

在Jupyter Notebook输入案例代码，点击运行，输出如下

numpy中文教程：
https://www.runoob.com/numpy/numpy-tutorial.html

2 scipy

Scipy 是一个Python 中用于进行科学计算的工具集，它有很多功能，如计算统计学分布、信号处理、计算线性代数方程等。

案例：

import numpy as np
from scipy import sparse
# 创建一个对角矩阵
matrix = np.eye(6)
# 把对角矩阵转换为稀疏矩阵
sparse_matrix = sparse.csr_matrix(matrix)
# 输出对角矩阵
print("对角矩阵：\n{}".format(matrix))
# 输出稀疏矩阵
print("sparse存储的矩阵：\n{}".format(sparse_matrix))

输入案例代码，点击运行，输出如下

scipy中文教程：
http://codingdict.com/article/8252

3 pandas

pandas 是一个Python 中用于进行数据分析的库，它可以生成类似Excel 表格式的数据表，而且可以对数据表进行修改操作。

案例：

import pandas
from IPython import display
data = {"name":["zhangsan","lisi","wangwu"],"city":["beijing","shanghai","guangzhou"],"age":["18","19","20"],"height":["162","163","164"]}
# 根据json创建一个DataFrame
data_frame = pandas.DataFrame(data)
# 打印数据
display.display(data_frame)

输入案例代码，点击运行，输出如下

pandas中文教程：
https://www.w3cschool.cn/hyspo/

4 matplotlib

matplotlib 是一个Python 的绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形，它能够输出的图形包括折线图、散点图、直方图等。

案例：

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
# 生成一个从-20到20元素数为10的等差数列
x = np.linspace(-20,20,10)
# 定义一个函数
y = x**3 + 2*x**2 + 6*x + 5
# 打印函数曲线
plt.plot(x,y,marker='o')

输入案例代码，点击运行，输出如下

matplotlib中文教程：
https://www.runoob.com/w3cnote/matplotlib-tutorial.html

上一篇：概述

下一篇：K近邻算法