1.3　Python包简介

算法设计好后需要用编程语言来按照设计进行实现。本书中选择编程语言Python。之所以选择它，是因为Python是一种灵活且开源的编程语言。对于越来越重要的云计算基础设施，如亚马逊网络服务（AWS）、微软Azure和谷歌云平台（GCP），Python也是其首选语言。

Python官方主页是https://www.python.org/，其中包含了安装说明和对你可能有所帮助的初学者指南。

如果你以前没有使用过Python，最好浏览一下初学者指南，以进行自学。对Python的基本了解将有助于你更好地理解本书所介绍的概念。

在本书中，我希望你能够使用Python 3的最新版本。在编写本书时，最新的版本是3.7.3，我们将用它运行本书中的练习。

1.3.1　Python包

Python是一种通用语言。在设计时，它仅带有最低限度的功能。根据使用Python的具体目的，你还可以安装附加包。安装附加包最简单的方法是通过pip安装程序。pip命令可以用来安装附加包：

已经安装的包需要定期更新，以获得最新的功能，这可以通过使用upgrade标识来实现：

另一个用于科学计算的Python发行版是Anaconda，它可以从http://continuum.io/downloads下载。

除了使用pip命令安装新包，对于Anaconda发行版，我们还可以选择使用如下命令安装新包：

如果要更新现有的软件包，Anaconda发行版提供了另一个选项，可以使用以下命令：

有各种各样的Python包可供选择，在接下来的小节中将介绍一些与算法相关的比较重要的包。

SciPy生态系统

Scientific Python (SciPy)——发音为sigh pie——是一组为科学界创建的Python包。它包含许多函数，包括各种随机数生成器、线性代数程序和优化器。SciPy是一个全面的软件包，并且随着时间的推移，人们开发了许多扩展，以根据自己的需求定制和扩展该软件包。

以下是属于这个生态系统的主要的包：

• NumPy：对于算法来说，创建多维数据结构（如数组和矩阵）的能力非常重要。NumPy提供了一组数组和矩阵数据类型，这些数据类型对于统计和数据分析非常重要。关于NumPy的详细信息可以在http://www.numpy.org/找到。
• scikit-learn：这个机器学习扩展是SciPy最受欢迎的扩展之一。scikit-learn提供了一系列重要的机器学习算法，包括分类、回归、聚类和模型验证。可以在http://scikit-learn了解更多关于scikit-learn的细节。
• pandas：pandas是一个开源软件库。它包含了表格型的复杂数据结构，该数据结构在各种算法中广泛用于输入、输出和处理表格数据。pandas库中包含了许多有用的函数，它还提供了高度优化后的性能。想要找到更多关于pandas的细节，可以查看http://pandas.pydata.org/。
• Matplotlib：Matplotlib提供了强大的可视化工具。数据可以通过折线图、散点图、柱状图、直方图、饼图等形式呈现。要获得更多信息，请访问https://matplotlib.org/。
• Seaborn：Seaborn类似于在R语言中流行的ggplot2库。它基于Matplotlib，并且提供了优秀的界面用于绘制出色的统计图形。更多详情请访问https://seaborn.pydata.org/。
• iPython：iPython是一个增强的交互式控制台，旨在方便编写、测试和调试Python代码。
• Running Python programs：交互式的编程模式对代码的学习和实验很有用。Python程序可以保存在一个以.py为扩展名的文本文件中，并且可以从控制台运行该文件。

1.3.2　通过Jupyter Notebook执行Python

运行Python程序的另一种方式是通过Jupyter Notebook。Jupyter Notebook提供了一个基于浏览器的用户界面来开发代码。本书使用Jupyter Notebook来展示代码示例。能够使用文字和图形对代码进行注释和描述的能力，使其成为展示和解释算法的完美工具，以及学习的绝佳工具。

要启动notebook，需要启动Juypter-notebook程序，然后打开浏览器，导航到http://localhost:8888（如图1-4所示）。

请注意，一个Jupyter Notebook页面由被称为单元格的不同的块组成。