数学建模竞赛准备之python环境篇

一、前言

最近正在准备数维杯，之前试过在电脑上安装 tensorflow，但一直都不成功。然后看了一眼 pip 管理工具下一堆包，乱得一批，所以干脆直接打算捡一些比较重点的包装上，比较鸡肋的就不要了。

二、环境准备

pip安装与使用

pip 是 Python 包管理工具，该工具提供了对Python 包的查找、下载、安装、卸载的功能。

目前如果你在 python.org 下载最新版本的安装包，则是已经自带了该工具。

注意：Python 2.7.9 + 或 Python 3.4+ 以上版本都自带 pip 工具。

pip 官网：https://pypi.org/project/pip/

你可以通过以下命令来判断是否已安装：

pip --version     # Python2.x 版本命令
pip3 --version    # Python3.x 版本命令

pip使用国内镜像源

默认情况下 pip 使用的是国外的镜像，在下载的时候速度非常慢，本文我们介绍使用国内清华大学的源，地址为：

https://pypi.tuna.tsinghua.edu.cn/simple

我们可以直接在 pip 命令中使用 -i 参数来指定镜像地址，例如：

pip3 install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

以上命令使用清华镜像源安装 numpy 包。

这种只对当前安装对命令有用，如果需要全局修改，则需要修改配置文件。

Linux/Mac os 环境中，配置文件位置在 ~/.pip/pip.conf（如果不存在创建该目录和文件）：

mkdir ~/.pip

打开配置文件 ~/.pip/pip.conf，修改如下：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = https://pypi.tuna.tsinghua.edu.cn

查看 镜像地址：

$ pip3 config list   
global.index-url='https://pypi.tuna.tsinghua.edu.cn/simple'
install.trusted-host='https://pypi.tuna.tsinghua.edu.cn'

可以看到已经成功修改了镜像。

Windows下，你需要在当前对用户目录下（C:\Users\xx\pip，xx 表示当前使用对用户，比如张三）创建一个 pip.ini在pip.ini文件中输入以下内容：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = pypi.tuna.tsinghua.edu.cn

升级pip包管理工具

在命令行中输入下命令（如果是最新版本这一步可略）：

python -m pip install --upgrade pip

卸载pip下管理的所有包

首先在命令行输入下命令，目的是将 pip 下管理所有的包信息写到一个文本文件中：

pip freeze > requirements.txt

再按照 所生成文本文件的信息将所有信息卸载：

pip uninstall -r requirements.txt

批量下载自己所需的包

首先先要定义 requirements.txt 文件，里面的格式是一个包的名字一行，依次往下排。分享一下我的：

numpy
pandas
pyecharts
matplotlib
seaborn
keras
tensorflow
sklearn
statsmodels
scipy
biopython

再安装所有：

pip install -r requirements.txt

三、python包推荐及介绍

• numpy 数据分析类，相当于 免费版的Matlab 矩阵功能以及其它一些少量的小算法。
• pandas 数据分析类，非常完美的表格操作，非常适合洗数据。
• pyecharts 数据可视化类，百度良心开源项目的echarts 的python 接口，功能非常强大，但缺点就是通常代码量会比较大，比较建议用来做地图（比 geopandas 安装方便一万倍）。
• matplotlib 数据可视化类，非常经典的数据可视化工具，功能很全面，代码量比 pyecharts 少，但图效果通常相对简单。
• seaborn 数据可视化类，基于 matplotlib 开发的可视化工具，它的特点是所有的零碎东西几乎都是设置成你想要的样子，而且做复杂图代码量相较 matplotlib 而言极少，且里面还包含了一些常用的算法最终一块可视化，亮点是甚至还能深度兼容 pandas 表格，强烈推荐！
• tensorflow 神经网络类，Google 的开源神经网络构建工具，在计算机界应该是相当出名，构建自由度极强，但缺点就是代码量比较大（自由度高的代价）。
• keras 神经网络类，基于 tensorflow 开发的神经网络构建工具，比 tensorflow 的代码量要少很多，对新手比较友好，竞赛期间比较推荐用这个包，省时间，代码量小。
• sklearn 机器学习类，功能十分强大，代码量短小精悍。基本上除神经网络外其他所有机器学习算法（包括回归、聚类、降维）总之基本上 Matlab 直接支持的那些机器学习算法，甚至还有部分 Matlab 不直接支持的算法（例如 t-SNE、MDS 等）都能以 5 行以内的代码量实现。
• scipy 数据科学、算法类，功能也是非常强大。包含特殊函数、统计学、微积分求解、拟合（基本所有拟合都能做）、线性规划、整数规划、数据结构算法等，甚至还可以做图片处理。