1、Anaconda安装与使用
（1）安装：https://www.anaconda.com/download/#windows，访问上述超链接，选择Anaconda for Windows Installer中的Python 3.7版本，根据系统配置选择64位或者32位的软件包进行下载。下载可执行文件Anaconda3-XXXX-Windows-x86_64.exe后，双击运行。安装过程还需注意以下几点：
1）为防止权限错误，请将安装文件拷贝到普通目录并启动安装程序，尽量避免在临时文件目录中进行安装；
2）如果在安装过程中遇到问题，请在安装期间临时禁用防病毒软件，然后在安装结束后重新启用。
（2）conda管理工具
conda 是一个可以在 Windows、MAC OS 和 Linux 上运行的开源包管理工具和环境管理工具。conda 可以快速实现Python软件包的安装、运行和更新包及其依赖项，也可以轻松地创建、保存、加载和切换不同的Python虚拟环境。
1）包管理
命令 说明 示例
conda search 搜索包 conda search numpy
conda install 安装包 conda install numpy
conda remove 移除包 conda remove numpy
conda uninstall 移除包，同conda remove conda uninstall numpy
conda list 显示已安装包列表 conda list
conda update 更新包 conda update numpy
conda upgrade 更新包，同conda update conda upgrade numpy
conda clean 移除不使用的包和缓存 conda clean
包管理命令如下：
2）环境管理
与虚拟环境相关的conda命令
命令 说明 示例
conda create 创建环境 conda create --name env1
conda env remove 删除环境 conda env remove --name env1
activate (Windows)
sourc eactive(Linux,MAC OS) 进入环境 activate env1
deactivate (Windows)
source deactive (Linux,MAC OS) 退出环境 deactivate
conda env list 显示环境列表 conda env list
2、Numpy库的使用
NumPy的全名为Numeric Python，是开源的Python科学计算库。NumPy主要用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构更加高效。Anaconda虚拟环境中继承了Numpy库，因此不需要安装此库。
import numpy as np
x=np.zeros((3,4))#创建元素全为0的多维数组
print("x=”,x)
y=np.ones((2,3,4),dtype=int16)#创建元素全为1的多维数组
print("y=”,y)
z =np.empty((3,2),dtype=int)#创建元素全未初始化的多维数组
print("z=”,z)
输出结果:
x= [[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
y= [[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]]
z= [[281479271743489 281479271743489]
[281479271743489 281479271743489]
[281479271743489 281479271743489]]
2）数组操作
数组对象的操作方法和Python的列表对象的操作方法相似，都可以对其中元素进行索引或切片等。
3、sklearn的使用
Scikit-learn (简记sklearn)是当今非常流行的机器学习工具，也是最有名的Python机器学习库。Scikit-learn主要功能包括分类、回归、聚类、数据降维、模型选择和数据预处理六大部分。
1) 数据集模块
如果要使用Scikit-learn库中提供的数据集，则需要通过下面的语句导入sklearn.datasets模块。
命令：from sklearn import dataset
sklearn.datasets模块中主要有三种数据形式：
（1）自带的小数据集（Packaged Dataset）：sklearn.datasets.load_
（2）远程下载的数据集（Downloaded Dataset）sklearn.datasets.fetch_
（3）可自行构造的数据集（Generated Dataset）sklearn.datasets.make_
2) 数据预处理模块
Scikit-learn的sklearn.preprocessing模块中提供了数据标准化、规范化、二值化、分类特征编码、推断缺失数据等数据预处理方法。
命令：from sklearn import preprocessing
规范化方法
preprocessing.MinMaxScaler() 将每个特征缩放到给定最大最小的范围内
preprocessing.Normalizer() 使每条数据各个特征值的和为1
preprocessing.StandardScaler() 使得各特征得均值为0，方差为1
编码方法
preprocessing.OneHotEncoder() 特征用一个二进制数字表示
preprocessing.LabelEncoder() 把字符串类型得数据转化为整型
preprocessing.OrdinalEncoderr() 将分类特征编码为整数数组
3) 特征提取与选择
使用下面的语句用来导入Scikit-learn中的特征提取和特征选择模块。
from sklearn import feature_extraction # 特征提取
from sklearn import feature_selection # 特征选择
feature_extraction.DictVectorizer() 将特征值映射列表转换为向量
feature_extraction.FeatureHasher() 特征哈希，一种降维技巧
feature_extraction.text 文本相关的特征提取
feature_extraction.image 图像相关的特征提取
feature_extraction.text.CountVectorizer 将文本转换为每个词出现的个数的向量
feature_extraction.text.TfidfVectorizer 将文本转换为tfidf值得向量
feature_selection.VarianceThreshold() 删除特征值得方差达不到标准得特征
feature_selection.SelectKBest() 返回k个最佳特征
feature_selection.SelectPerentile() 返回表现最佳得前r%个特征
4.matplotlib的使用
Matplotlib是一个基于Python语言实现的类Matlab的绘图工具库，其绘图功能非常完善。Anaconda自带有Matplotlib库，无需安装。
(1) 常用2D图形
import matplotlib.pyplot as plt
import numpy as np
x = np.random.rand(100) #随机生成100个坐标点
y = np.random.rand(100) #随机生成100个坐标点
plt.scatter(x,y) #绘制散点图
plt.show()
运行结果：
2)绘制线性图
import matplotlib.pyplot as plt
x = [0,1,2,3,4,5,6]
y = [0.3,0.4,2,5,3,4.5,4]
plt.plot(x,y)
plt.show()
运行结果：
3）绘制柱状图
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(10)
y = np.random.randint(0,30,10)
plt.bar(x,y)
plt.show()
运行结果：
4）绘制饼状图
import matplotlib.pyplot as plt
data = [15,20,25,30]
labels = ['A','B','C','D']
explodes=(0,0.1,0,0)
#调用更多参数绘制饼状图
plt.pie(data,labels = labels,radius = 1,
explode = explodes,autopct = '%1.1f%%',
pctdistance = 0.5,labeldistance=1.2)
plt.show()
运行结果：
（2）常用3D图形
1）绘制3D散点图
#绘制3D散点图
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
ax = Axes3D(fig)
x = np.random.randint(0,100,500)
y = np.random.randint(0,100,500)
z = np.random.randint(0,100,500)
ax.scatter(x,y,z)
plt.show()
运行结果：
2)绘制3D曲线图
#绘制3D曲线图
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-6*np.pi,6*np.pi,1000)
y = np.sin(x)
z = np.cos(x)
#创建一个新画=画布
fig = plt.figure()
ax = Axes3D(fig)
ax.plot(x,y,z)
plt.show()
运行结果：
3）绘制3D曲面图
#绘制3D曲面图
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
#定义一个曲面方法
def fun(x,y):
return np.power(x,2) + np.power(y,2)
fig = plt.figure()
ax = Axes3D(fig)
x = np.arange(-2,2,0.1)
y = np.arange(-2,2,0.1)
x,y = np.meshgrid(x,y)
z = fun(x,y)
ax.plot_surface(x,y,z)
plt.show()
运行结果：
4）绘制3D柱状图
#绘制3D柱状图
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
ax=Axes3D(fig)
x = [1, 2]
for i in x:
y = [1, 2]
z = abs(np.random.normal(1, 10, 2))
ax.bar(y, z, i, zdir='y')
plt.show()
运行结果：
