为Python设置机器学习环境可能是一项棘手的任务。如果你之前从未设置过类似的东西，那么可能需要花费数小时来处理不同的命令。

 

在本教程中，你将学习如何设置稳定的Python机器学习开发环境。你将能够直接进入ML并且不用再担心安装问题。

 

设置Python 3和Pip

第一步是安装pip，一个Python包管理器：

sudo apt-get install python3-pip

 

使用PIP，我们将能够使用一个简单的pip install your_package安装Python Package Index中的任何索引。你很快就会看到如何使用它来设置我们的虚拟环境。

 

接下来，从命令行运行pip或python命令时，将Python 3设置为默认值 。这使得使用Python 3更容易，更方便。如果我们不这样做，那么如果我们想使用python3，我们就必须记住每次都要输入pip3和python3。

 

为了强制Python 3成为默认值，我们将修改 ~/.bashrc 文件。从命令行，执行以下命令以查看该文件：

nano~ / .bashrc

 

向下滚动到 ＃some more ls aliases 部分并添加以下行：

alias python='python3'

 

保存文件并重新加载更改：

source ~/.bashrc

 

现在，Python 3是你的默认Python！你可以在命令行上使用简单的python your_program运行它 。

创建虚拟环境

现在我们将建立一个虚拟环境。我们将安装机器学习所需的所有python包。

我们使用虚拟环境来分离我们的编码设置。想象一下，如果在某些时候你想在你的计算机上做两个不同的项目，这需要不同版本的库。将它们全部放在相同的工作环境中可能会很麻烦，可能会遇到冲突问题。项目1的ML代码需要numpy 1.0版本，但项目2需要1.15版本。

虚拟环境允许我们隔离我们的工作区域以避免这些冲突。

首先，安装相关的包：

sudo pip install virtualenv virtualenvwrapper

 

一旦我们安装了virtualenv和virtualenvwrapper，我们将再次需要编辑我们的 ~/.bashrc 文件。将这3行放在底部并保存。

export WORKON_HOME=$HOME/.virtualenvs

export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3

source /usr/local/bin/virtualenvwrapper.sh

 

保存文件并重新加载更改：

source~ / .bashrc

 

现在我们可以最终创建我们的虚拟环境：

mkvirtualenv ml

 

我们刚刚创建了一个名为的虚拟环境ml 。要输入它，请执行以下操作：

workon ml

 

在ml virtualenv中执行的任何库安装都将在那里被隔离，并且永远不会与任何其他环境冲突！因此，每当你希望运行依赖于ml环境中安装的库的代码时， 请先使用该workon命令输入 ，然后正常运行代码。

如果您需要退出virtualenv，请运行以下命令：

deactivate

 

安装机器学习库

现在我们可以安装ML库了！我们将使用最常用的：

• numpy： 用于任何矩阵的工作，特别是数学运算


• scipy： 科学和技术计算


• pandas： 数据处理，操作和分析


• matplotlib： 数据可视化


• scikit learn： 机器学习

下面是一个简单的技巧，可以快速安装所有这些库！创建一个 requirements.txt 文件并列出要安装的所有软件包，如下所示：

numpy

scipy

pandas

matplotlib

scikit-learn

 

完成后，只需执行以下命令：

pip install -r requirements.txt

 

这样，Pip将一次性安装文件中列出的所有包。

现在，你的环境已经建立完毕，可以开始进行机器学习啦！