導讀：工欲善其事，必先利其器，機器學習也不例外。算法原理理解得再清楚，最終也需要通過編寫代碼來真正實現功能和解決問題。

本文將介紹當前機器學習主流的編程語言環境，當前機器學習使用最多的編程語言是Python，在業界口碑一直不錯的Python語言借著機器學習的東風一下躋身編程語言熱門榜的首位。

本文還將介紹Python語言下機器學習相關的支持庫，包括科學計算支持庫Numpy、機器學習庫Scikit-Learn和數據處理庫 Pandas。想要在實際工作中使用機器學習解決具體問題時，使用這些支持庫將大大提升效率。

作者：莫凡

來源：大數據DT（ID：hzdashuju）

01 常用環境

一般來說，算法理論的實踐方式有兩種，一種是自己動手將算法用代碼都實現一遍，另一種則是充分利用工具的便利性，快速了解掌握現有資源后，隨即開始著手解決現實問題。

對于要不要重復造輪子的爭論，我想是很難有決斷的，兩種方法各有利弊，這里我們選用第二種，這也貫徹了本文的宗旨：不是為了學習知識而制造知識，而是為了解決問題去學習知識。

機器學習經過這幾年的高速發展，已經積累了非常豐富的開放資源，通過充分利用這些資源，哪怕此前你對這個領域不了解，也能快速掌握并著手解決實際問題。

首先是編程語言，我們選擇Python。在前些年，Python和R語言在機器學習領域保持著雙雄并立的局面，大致可以認為工業界偏愛Python而學術界偏愛R，但隨著技術發展，特別是這幾年深度學習所需的支持庫毫無例外地都選擇了用Python實現之后，Python語言已經成為機器學習領域毫無疑問的“老大”。

由于機器學習的火熱，Python甚至擁有了與傳統編程語言C和Java一較高下的底氣，在多種編程語言排行榜上都大有后來居上的趨勢。那么Python，決定就是你了！

接下來是支持庫Numpy。機器學習涉及矩陣運算等大量數學運算，好在Python有兩大特點，一是靈活，二是庫多，Numpy就是Python中專門設計用于科學計算的專業支持庫，在業界有口皆碑。不只是機器學習，其他科學領域譬如天體物理涉及的數學運算，要么直接使用Numpy，要么基于Numpy構建更高層的功能庫。

最后是算法庫Scikit-Learn。基于Python的機器學習算法庫實際上有很多，每過一段時間就會冒出個“前五”“前十”這樣的排行，但穩坐榜首的一直是Scikit-Learn。

它不但種類齊備，市面上見得到的機器學習算法基本上都能在此找到對應的API，簡直是一家“機器學習算法超市”，而且封裝良好、結構清晰，你可以通過簡單幾行代碼就能完成一個復雜算法的調用，是機器學習領域入門的福音，更是進階的法寶。

另外再加上一個Pandas數據處理庫。它內置許多排序、統計之類的實用功能，屬于“沒它也不是不行，但有它會方便很多”的角色。業界實現機器學習，基本上都會用到Numpy、Scikit-Learn和Pandas這三件套。

02 Python簡介

Python是一種動態的高級編程語言，與C和Java需要編譯執行不同，Python代碼是通過解釋器解釋執行，一個明顯的區別是，Python的數據類型不用事先聲明，語法更為靈活多變，代碼看起來也更加簡潔，用C和Java需要十行代碼才能寫明白的意思，可能用Python寫一行就可以了。

高效快速是Python引以為傲的特點，Python社區甚至流傳一句口號：“Life is short, I use Python.”

Python仍在不斷迭代，而且并不向前兼容，這也導致當前Python分裂成兩大版本分支，即Python 2.X和Python 3.X，雖然從語法上看還不至于成為兩款語言，但二者代碼是無法混用的，對于版本的選擇也是開始學習使用Python時所要確定的第一件事。

之前一般認為，Python 2.X的發展時間更長，各方面的支持庫更多且更成熟，不少人推薦從這個版本入手。但隨著Python團隊宣布將于2020年停止對Python 2.X的維護，各大社區都早已開始了從2.X向3.X遷移的工作，所以現在開始學Python的話更建議選擇3.X。Python官網見圖2-1。

▲圖2-1 Python官網首頁

1. Python的安裝

Python具有很強的泛用性，支持Windows、Linux/UNIX、Mac OS X等主流操作系統平臺，安裝也很簡單，可以通過

https://www.python.org/downloads

選擇你使用的操作系統平臺所對應的在線或離線安裝包并進行安裝。在安裝包下載頁面同時提供了多個版本的Python安裝包，如果初次接觸可能讓你覺得難以選擇。不過請放心，你也可以直接下載最新版本的Python安裝包。

▲圖2-2 Python下載頁面

Python是一款開源編程語言，你也可以選擇通過源代碼進行編譯安裝。

2. Python的基本用法?

Python是一款通用編程語言，語法滿足圖靈完備性，這里無法完全展開說明。

不過，如果你熟悉C或者Java語言，那么可以認為Python的語法就是它們的高度精簡版，除了上面提到的不用進行類型聲明外，Python還少了用來表示作用域的大括號以及語句結尾的分號，但同時，在Python中縮進不僅僅是代碼規范，而是語法層面的強制要求。

如果你有語言基礎，記住這些區別，應該就能很快熟練地使用Python。

這里僅對兩項常用的Python工具進行說明，即Python庫安裝工具Pip和Conda。豐富的第三方支持庫是Python功能強大的原因之一。在使用Python實現功能時，往往需要依賴第三方支持庫，這些第三方庫需要先安裝再使用。安裝方法是通過Pip或Conda工具，在命令行輸入命令：

pip?install?庫名

或

conda?庫名

進行聯網下載并自動安裝。

一般當你成功安裝Python后，就能在命令行中直接使用Pip命令了，而Conda則可能需要額外進行安裝才能夠使用。Conda的功能更為強大，但如果你并不了解Python及相關背景知識，推薦通過Pip工具來下載安裝第三方庫。

在庫的使用方面，Python也與其他編程語言一樣，需要先導入再使用，語法是：

import?庫名

import之后就能正常使用庫的資源了。如果庫名較長，還可以使用：

import?庫名?as?別名

設定別名之后，通過別名也能夠使用庫的資源。

要使用庫里的某個類，可以通過“庫名.類名”的方法調用。如果認為這樣寫麻煩，或者導致單行語句太長，可以在導入時使用：

from?庫名?import?類名

這樣就可以在代碼中直接使用類名了。

03 Numpy簡介

Numpy是Python語言的科學計算支持庫，提供了線性代數、傅里葉變換等非常有用的數學工具。Numpy是Python圈子里非常知名的基礎庫，即使你并不直接進行科學計算，但如圖像處理等相關功能庫，其底層實現仍需要數學工具進行支持，則需要首先安裝Numpy庫。Numpy官網見圖2-3。

▲圖2-3 Numpy官網首頁

1. Numpy的安裝

Numpy的安裝很簡單，使用Pip直接安裝即可。命令如下：

pip?install?-U?numpy

2. Numpy的基本用法

Numpy擁有強大的科學計算功能，也許剛一接觸容易眼花繚亂，不知從何入手。不過不必擔心，Array數據類型是Numpy的核心數據結構，與Python的List類型相似，但功能要強大得多。Numpy相關功能都是圍繞著Array類型建設的，可以作為你了解Numpy的一條中心線索。

使用Numpy包很簡單，只要用import導入即可。業界習慣在導入時使用“np”作為它的別名：

import?numpy?as?np

導入后就可以使用了，常用功能如下。

• array

  數據創建

  創建Array類型數據

• zeros

  數據創建

  創建值為0的Array類型數據

• ones

  數據創建

  創建值為1的Array類型數據

• eye

  數據創建

  創建單位矩陣

• arange

  數據創建

  類似內置函數range，生成等差數值

• linspace

  數據創建

  生成可指定是否包含終值的等差數值

• random.rand

  數據創建

  隨機生成數值

• T

  數據操作

  轉置操作

• reshape

  數據操作

  不改變原數據的維度變換

• resize

  數據操作

  修改原數據的維度變換

• mean

  統計操作

  取均值

• sum

  統計操作

  求和

• max

  統計操作

  取最大值

• min

  統計操作

  取最小值

• var

  統計操作

  求方差

• std

  統計操作

  求標準差

• corrcoef

  統計操作

  計算相關系數

• append

  數據操作

  新增

• insert

  數據操作

  插入

• delete

  數據操作

  刪除

• concatenate

  數據操作

  按行（列）連接數據表

• add

  數學運算

  標（向）量加法

• subtract

  數學運算

  標（向）量減法

• multiply

  數學運算

  標（向）量乘法

• divide

  數學運算

  標（向）量除法

• exp

  數學運算

  以e為底的指數運算

• log

  數學運算

  以e為底的對數運算

• dot

  數學運算

  點乘

04 Scikit-Learn簡介

正如機器學習中推薦使用Python語言，用Python語言使用機器學習算法時，推薦使用Scikit-Learn工具。

或者應該反過來，現在機器學習推薦使用Python，正是因為Python擁有Scikit-Learn這樣功能強大的支持包，它已經把底層的臟活、累活都默默完成了，讓使用者能夠將寶貴的注意力和精力集中在解決問題上，極大地提高了產出效率。Scikit-Learn官網見圖2-4。

▲圖2-4 Scikit-Learn官網首頁

1. Scikit-Learn的安裝

安裝Scikit-Learn可以有兩種方法。通過Pip安裝，命令如下：

pip?install?-U?scikit-learn

或通過 Conda安裝，命令如下：

conda?install?scikit-learn

2. Scikit-Learn的基本用法

Scikit-Learn庫包含了常見的機器學習算法，而且還在不斷更新，常見機器學習算法都可以在Scikit-Learn庫中找到，不妨將它當作機器學習算法的百科全書來使用。這里簡要介紹它的用法。

使用Scikit-Learn包很簡單，使用import導入即可，但須注意Scikit-Learn包的包名為sklearn：

import?sklearn

調用機器學習算法也非常簡單，Scikit-Learn庫已經將算法按模型分類，查找起來非常方便。如線性回歸算法可以從線性模型中找到，用法如下：

from?sklearn?import?linear_model model?=?linear_model.LinearRegression()

Logistic回歸算法也是依據線性模型，同樣也在其下：

from?sklearn.linear_model?import?LogisticRegression model?=linear_model.LogisticRegression()

類似的還有基于近鄰模型的KNN算法：

from?sklearn.neighbors?import?NearestNeighbors model?=NearestNeighbors()

生成模型后，一般使用fit方法給模型“喂”數據及進行訓練。完成訓練的模型可以使用predict方法進行預測。

Scikit-Learn庫對機器學習算法進行了高度封裝，使用過程非常簡單，只要根據格式填入數據即可，不涉及額外的數學運算操作，甚至可以說只要知道機器學習算法的名字和優劣，就能直接使用，非常便利。

05 Pandas簡介

Pandas是Python語言中知名的數據處理庫。數據是模型算法的燃料，也決定了算法能夠達到的上限。一般在學習中接觸的數據都十分規整，可以直接供模型使用。

但實際上，從生產環境中采集得到的“野生”數據則需要首先進行數據清洗工作，最常見的如填充丟失字段值。數據清洗工作一般使用Pandas來完成，特征工程也可通過Pandas完成。Pandas官網見圖2-5。

▲圖2-5 Pandas官網首頁

1. Pandas的安裝

安裝Pandas可以有兩種方法。通過Pip安裝，命令如下：

pip?install?-U?pandas

或通過 Conda安裝，命令如下：

conda?install?pandas

2. Pandas的基本用法

Pandas針對數據處理的常用功能而設計，具有從不同格式的文件中讀寫數據的功能，使用Pandas進行一些統計操作特別便利。與Numpy類似，Pandas也有兩個核心的數據類型，即Series和DataFrame。

• Series：一維數據，可以認為是一個統計功能增強版的List類型。

• DataFrame：多維數據，由多個Series組成，不妨認為是電子表格里的Sheet。

使用Pandas 包很簡單，只要import導入即可。業界習慣在導入時使用“pd”作為它的別名：

import?pandas?as?pd

導入后就可以使用了，其常用功能如下。

• read_csv

  讀取數據

  從CSV格式文件中讀取數據

• read_excel

  讀取數據

  從電子表格中讀取數據

• read_json

  讀取數據

  從json格式的文件中讀取數據

• read_clipboard

  讀取數據

  從剪切板讀取數據

• to_csv

  寫入數據

  將數據寫入CSV格式文件

• to_excel

  寫入數據

  將數據寫入電子表格

• to_json

  寫入數據

  將數據寫入json格式文件

• to_clipboard

  寫入數據

  將數據寫入剪切板

• Series

  寫入數據

  創建Series類型數據

• DataFrame

  寫入數據

  創建DataFrame類型數據

• head

  信息查看

  從頭開始查看N位數據

• tail

  信息查看

  從末尾開始查看N位數據

• shape

  信息查看

  行列數信息

• dropna

  數據操作

  刪除空值

• fillna

  數據操作

  填充空值

• sort_values

  數據操作

  正（逆）序排序

• append

  數據操作

  橫向（按行）連接兩個數據表

• concat

  數據操作

  縱向（按列）連接兩個數據表

• value_counts

  統計操作

  值計數

• describe

  統計操作

  總體概況信息

• info

  統計操作

  數值類型統計

• mean

  統計操作

  取均值

• corr

  統計操作

  計算相關系數

• count

  統計操作

  非空值計數

• max

  統計操作

  取最大值

• min

  統計操作

  取最小值

• median

  統計操作

  計算中位數

• std

  統計操作

  計算標準差

關于作者：莫凡，新技術深度愛好者，曾經從事信息安全前沿技術跟蹤研究和數據分析工作，在各類信息安全類技術期刊發表文章五十余篇，現轉為投身高端知識“白菜化”項目，希望能讓將更多聽起來高大上的名詞沾一沾“人間煙火”，成為日常生活中真正用得上的知識。

本文摘編自《機器學習算法的數學解析與Python實現》，經出版方授權發布。

延伸閱讀

《機器學習算法的數學解析與Python實現》

點擊上圖了解及購買

轉載請聯系微信：DoctorData

推薦語：從生活案例中理解算法，發現算法的樂趣，再把算法應用到機器學習中。零基礎掌握算法精髓，快速進入人工智能開發領域。

有話要說????

Q:?入門機器學習，你準備好了嗎？

歡迎留言與大家分享

猜你想看????

• 新手學Python， 如何從"入門到入土"變為"從入門到快速上車"？
  

• 機器學習入門必讀：6種簡單實用算法及學習曲線、思維導圖
  

• 2020大風口！什么是圖神經網絡？有什么用？終于有人講明白了
  

• 學AI哪家強？2019全球排行清華第1，北大第2
  

據統計，99%的大咖都完成了這個神操作

????

原來你也在看

總結

以上是生活随笔為你收集整理的小白入门机器学习必备：编程语言环境介绍及搭建的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。