Python简介与开发环境搭建

1.1 Python是什么？为什么选择Python？

Python是什么？

Python是一种高级编程语言，由Guido van Rossum于1991年首次发布。它的设计哲学强调代码的可读性和简洁性，使得开发者可以用更少的代码实现复杂的功能。Python支持多种编程范式，包括面向对象编程、函数式编程和过程式编程，因此具有极高的灵活性。

Python的语法简单直观，接近自然语言，这使得它成为初学者学习编程的理想选择。同时，Python拥有丰富的标准库和第三方库，能够快速实现各种功能，从简单的脚本到复杂的机器学习模型。

为什么选择Python？

在众多编程语言中，Python因其独特的优势，成为了机器学习（Machine Learning）和深度学习（Deep Learning）领域的首选语言。以下是选择Python的主要原因：

简单易学，开发效率高

强大的生态系统

跨平台与可扩展性

 广泛的应用领域以及社区支持与持续发展

在机器学习和深度学习中的优势

1.2 安装Python与配置开发环境（使用Conda）

在开始学习Python之前，我们需要完成开发环境的搭建。这包括安装Python解释器、配置虚拟环境以及选择合适的集成开发环境（IDE）。本节将重点介绍如何使用 Anaconda 和 Conda 来安装Python并配置开发环境。

什么是Conda？

Conda 是一个开源的包管理工具和环境管理工具，广泛用于数据科学、机器学习和深度学习领域。它不仅可以轻松安装和管理Python及其相关库，还可以创建独立的虚拟环境，避免不同项目之间的依赖冲突。

Anaconda 是一个基于 Conda 的发行版，包含了 Python、Conda 以及许多常用的科学计算和数据分析库（如 NumPy、Pandas、Matplotlib 等）。因此，Anaconda 是初学者和数据科学家的理想选择。

步骤 1：下载并安装 Anaconda

访问 Anaconda 官网

https://www.anaconda.com/?spm=5aebb161.2ef5001f.0.0.4881c921ccmLSL

下载安装程序

Windows 用户：下载 .exe 文件。

macOS 用户：下载 .pkg 文件。

Linux 用户：下载 .sh 脚本文件。

运行安装程序

Windows ：双击下载的 .exe 文件，按照提示完成安装。

macOS ：双击 .pkg 文件，按照安装向导完成安装。

Linux ：在终端中运行以下命令

bash Anaconda3-<version>-Linux-x86_64.sh

验证安装

安装完成后，打开终端（或命令提示符），输入以下命令检查 Conda 是否安装成功：

conda --version

步骤 2：创建虚拟环境

虚拟环境是一种隔离的 Python 环境，可以为每个项目单独管理依赖，避免版本冲突。以下是使用 Conda 创建虚拟环境的步骤：

创建新环境

在终端中运行以下命令，创建一个名为 ml_env 的虚拟环境，并指定 Python 版本（例如 3.9）：

conda create --name ml_env python=3.9

激活虚拟环境

创建完成后，使用以下命令激活虚拟环境：

conda activate ml_env

激活后，终端的提示符前会显示环境名称，例如 (ml_env)。

安装必要的库

在虚拟环境中，你可以根据需要安装所需的库。例如，安装 NumPy 和 Pandas：

conda install numpy pandas

退出虚拟环境

如果需要退出当前环境，可以运行以下命令：

conda deactivate

步骤 3：选择并配置 IDE

为了更高效地编写和调试代码，建议选择一个合适的集成开发环境（IDE）。以下是几种常用的 Python IDE 及其配置方法：

1. Jupyter Notebook

Jupyter Notebook 是一个交互式的开发工具，特别适合数据分析和机器学习任务。它允许你以单元格的形式运行代码，并实时查看结果。

启动 Jupyter Notebook

在终端中运行以下命令：

jupyter notebook

这会在浏览器中打开 Jupyter Notebook 界面。

优点

支持 Markdown 文档和代码混合编写。

实时可视化数据和图表。

非常适合教学和实验性项目。

2. Visual Studio Code (VS Code)

VS Code 是一款轻量级但功能强大的代码编辑器，支持多种编程语言和插件。

安装 VS Code

从 VS Code官网 下载并安装。

安装 Python 插件

打开 VS Code，点击左侧扩展图标，搜索并安装“Python”插件。

配置虚拟环境

在 VS Code 中打开项目文件夹，按下 Ctrl+Shift+P（或 Cmd+Shift+P），输入 Python: Select Interpreter，选择刚刚创建的虚拟环境路径（如 ml_env）。

3. PyCharm

PyCharm 是一款专为 Python 开发设计的 IDE，提供了强大的调试和项目管理功能。

安装 PyCharm

从 PyCharm官网 下载并安装社区版（免费）或专业版（付费）。

配置虚拟环境

打开 PyCharm，创建新项目时选择“Existing Interpreter”，并指向 Conda 创建的虚拟环境路径。

图片

步骤 4：验证开发环境

完成上述步骤后，可以通过以下方式验证开发环境是否正常工作：

运行简单的 Python 脚本

在终端中运行以下命令，检查 Python 是否正常工作：

python --version

测试安装的库

在 Python 解释器中导入已安装的库，例如

import numpyprint(numpy.__version__)

运行 Jupyter Notebook 示例

在 Jupyter Notebook 中创建一个新的 Notebook 文件，运行以下代码

import matplotlib.pyplot as pltplt.plot([1, 2, 3], [4, 5, 6])plt.show()

1.3 编写第一个Python程序

下面以鸢尾花分类为例，利用神经网络搭建第一个python程序

# 导入必要的库import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.neural_network import MLPClassifierfrom sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay, accuracy_score

# 1. 加载鸢尾花数据集iris = load_iris()X = iris.data  # 特征 (150, 4)y = iris.target  # 标签 (150,)

# 2. 数据预处理# 标准化特征scaler = StandardScaler()X = scaler.fit_transform(X)

# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 构建神经网络模型mlp = MLPClassifier(    hidden_layer_sizes=(10, 10),  # 两个隐藏层，每层 10 个神经元    activation='relu',            # 激活函数为 ReLU    solver='adam',                # 使用 Adam 优化器    max_iter=1,                   # 设置为 1，因为我们使用 partial_fit 手动控制训练    warm_start=True,              # 允许增量训练    random_state=42               # 随机种子)

# 4. 训练模型并记录损失与准确率epochs = 1000train_loss_list, test_loss_list = [], []train_acc_list, test_acc_list = [], []

for epoch in range(epochs):    mlp.partial_fit(X_train, y_train, classes=np.unique(y))  # 增量训练

    # 记录训练集的损失和准确率    train_loss = mlp.loss_    train_pred = mlp.predict(X_train)    train_accuracy = accuracy_score(y_train, train_pred)    train_loss_list.append(train_loss)    train_acc_list.append(train_accuracy)

    # 测试集评估    y_pred_proba = mlp.predict_proba(X_test)  # 获取预测概率    test_loss = -np.mean(np.log(y_pred_proba[np.arange(len(y_test)), y_test]))  # 手动计算交叉熵损失    y_pred = mlp.predict(X_test)    test_accuracy = accuracy_score(y_test, y_pred)    test_loss_list.append(test_loss)    test_acc_list.append(test_accuracy)

    if (epoch + 1) % 20 == 0:        print(f"Epoch [{epoch+1}/{epochs}], Train Loss: {train_loss:.4f}, Train Acc: {train_accuracy:.4f}, "              f"Test Loss: {test_loss:.4f}, Test Acc: {test_accuracy:.4f}")

# 5. 绘制训练集和测试集的损失与准确率曲线plt.figure(figsize=(12, 9))

# 绘制损失曲线plt.subplot(2, 2, 1)plt.plot(train_loss_list, label='Train Loss')plt.plot(test_loss_list, label='Test Loss')plt.title('Loss Curve')plt.xlabel('Epochs')plt.ylabel('Loss')plt.legend()

# 绘制准确率曲线plt.subplot(2, 2, 2)plt.plot(train_acc_list, label='Train Accuracy')plt.plot(test_acc_list, label='Test Accuracy')plt.title('Accuracy Curve')plt.xlabel('Epochs')plt.ylabel('Accuracy')plt.legend()

plt.show()

# 绘制混淆矩阵cm = confusion_matrix(y_test, y_pred)disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=iris.target_names)disp.plot(cmap=plt.cm.Blues)plt.title("Confusion Matrix")

plt.show()