anaconda的python要下载模块_Python数据分析基础模块：Anaconda的安装以及简单使用...

1、Anaconda下载路径

2、Anaconda Prompt打开方式(win8 64位系统环境下)

image.png

image.png

3、Anaconda 查看所有环境目录命令：conda env list

image.png

image.png

4、Anaconda 进入某一个环境目录命令：activate root(注意：root是环境名称，mac系统的是：source activate root)

image.png

5、Anaconda 查看某个环境下所安装的包：conda list

image.png

6、Anaconda 退出某个环境：deactivate

image.png

7、Anaconda 创建用户自己环境：conda create -n 名字(例如：conda create -n zlcpy3)

image.png

image.png

image.png

image.png

image.png

image.png

8、配置pycharm的工作环境

image.png

image.png

image.png

image.png

image.png

9、配置pycharm的文件模板

image.png

image.png

如何出现保存不了的情况，就把下面框中的文件删除掉

image.png

模板效果如下：

image.png

10、Anaconda 的基本使用

首先在命令行窗口进入自己创建的环境，然后按照numpy库

image.png

同样的安装方法，安装scipy、pandas等库

image.png

# -*- coding: utf-8 -*-

import numpy as np

from scipy import linalg

import pandas as pd

"""

-------------------------------------------------

File Name： test

Description :

Author : Lenovo

date： 2018/1/4

-------------------------------------------------

Change Activity:

2018/1/4:

-------------------------------------------------

"""

__author__ = 'Lenovo'

# numpy的简单应用

# 以前的写法

for i in range(10):

print(i)

# 0

# 1

# 2

# 3

# 4

# 5

# 6

# 7

# 8

# 9

# 现在的写法

print(np.arange(10))

# [0 1 2 3 4 5 6 7 8 9]

# 以前的写法

a = [1,2,3,4,5]

b = []

for i in a:

b.append(i**2)

print(b)

# [1, 4, 9, 16, 25]

# 现在的写法

a = np.arange(1,6)

print(a)

# [1 2 3 4 5]

print(a**2)

# [1, 4, 9, 16, 25]

# 行列式

a = np.array([[1,2],[3,4]])

print(a)

# [[1 2]

# [3 4]]

print(linalg.det(a))

# -2.0

# pandas的基本应用

s = pd.Series([2,3,5,np.nan,8,9])

print(s)

# 0 2.0

# 1 3.0

# 2 5.0

# 3 NaN

# 4 8.0

# 5 9.0

dates = pd.date_range("20171201",periods=7)

print(dates)

# dtype: float64

# DatetimeIndex(['2017-12-01', '2017-12-02', '2017-12-03', '2017-12-04',

# '2017-12-05', '2017-12-06', '2017-12-07'],

# dtype='datetime64[ns]', freq='D')

df = pd.DataFrame(np.random.randn(7,4),index=dates,columns=list('ABCD'))

print(df)

# A B C D

# 2017-12-01 -0.267794 -1.970909 -0.285059 0.583872

# 2017-12-02 0.509023 1.812721 -1.473795 1.039633

# 2017-12-03 0.162599 -0.294537 1.992656 -1.466471

# 2017-12-04 -1.220114 -0.798851 1.873921 1.024887

# 2017-12-05 -0.283632 -0.431764 -0.751009 -1.797970

# 2017-12-06 -0.894589 -0.158992 1.553444 -0.851872

# 2017-12-07 0.375514 2.119276 -1.144065 -0.228605

print(df.T)

# 2017-12-01 2017-12-02 2017-12-03 2017-12-04 2017-12-05 2017-12-06 2017-12-07

# A -0.267794 0.509023 0.162599 -1.220114 -0.283632 -0.894589 0.375514

# B -1.970909 1.812721 -0.294537 -0.798851 -0.431764 -0.158992 2.119276

# C -0.285059 -1.473795 1.992656 1.873921 -0.751009 1.553444 -1.144065

# D 0.583872 1.039633 -1.466471 1.024887 -1.797970 -0.851872 -0.228605

print(df.sort_values(by='B'))

# A B C D

# 2017-12-01 -0.267794 -1.970909 -0.285059 0.583872

# 2017-12-04 -1.220114 -0.798851 1.873921 1.024887

# 2017-12-05 -0.283632 -0.431764 -0.751009 -1.797970

# 2017-12-03 0.162599 -0.294537 1.992656 -1.466471

# 2017-12-06 -0.894589 -0.158992 1.553444 -0.851872

# 2017-12-02 0.509023 1.812721 -1.473795 1.039633

# 2017-12-07 0.375514 2.119276 -1.144065 -0.228605

11、numpy、scipy 、Pandas 的基本作用

numpy提供常用的数值数组、矩阵等函数

numpy的优点：1、基于向量化的运算 2、进行数值运算时numpy数组比list效率高

scipy 是一种基于numpy的扩展 用来做高等数学、信号处理、优化、统计的扩展包比如：线性代数 统计的 空间的数据结构

Pandas 是一种构建于Numpy的高级数据结构和精巧工具，快速简单的处理数据 数据结构：Series和DataFrame

12、常用的高级数据分析库 nltk igraph scikit-learn

nltk 是做文本分析的 文本处理

natural language toolkit 自然语言处理工具包

igraph 社交网络分析

scikit-learn 机器学习模型的训练 算法的使用