# 用于机器学习开发人员的 Python 崩溃课程 > 原文： [https://machinelearningmastery.com/crash-course-python-machine-learning-developers/](https://machinelearningmastery.com/crash-course-python-machine-learning-developers/) 您不需要成为 Python 开发人员就可以开始使用 Python 生态系统进行机器学习。 作为一名已经知道如何使用一种或多种编程语言编程的开发人员，您可以非常快速地选择像 Python 这样的新语言。您只需要了解该语言的一些属性即可将您已知的语言转换为新语言。 在这篇文章中，您将获得 Python 的速成课程以及机器学习所需的核心库。即：NumPy，MatPlotLib 和 Pandas。 这将是足够的信息，可以帮助您阅读和理解机器学习的代码 Python 代码示例，并开始开发自己的脚本。如果你已经知道一点 Python，这篇文章将是一个友好的提醒。 让我们开始吧。 * **2017 年 3 月更新**：更新了所有可用于 Python 2 和 Python 3 的打印语句。  用于机器学习开发人员的 Python 崩溃课程 摄影： [John Clouston](https://www.flickr.com/photos/58017169@N06/5353030024/) ，保留一些权利。 ## Python 速成课程 在 Python 入门时，您需要了解有关语言语法的一些关键细节，以便能够阅读和理解 Python 代码。这包括： * 分配 * 流量控制 * 数据结构 * 功能 我们将依次使用您可以键入和运行的小型独立示例来介绍这些主题。 请记住，whitespace 在 Python 中具有意义。 ### 分配 作为一名程序员，作业和类型不应该让您感到惊讶。 #### 字符串 ``` # Strings data = 'hello world' print(data[0]) print(len(data)) print(data) ``` 运行示例打印： ``` h 11 hello world ``` #### 数字 ``` # Numbers value = 123.1 print(value) value = 10 print(value) ``` Running the example prints: ``` 123.1 10 ``` #### 布尔 ``` # Boolean a = True b = False print(a, b) ``` Running the example prints: ``` (True, False) ``` #### 多次分配 ``` # Multiple Assignment a, b, c = 1, 2, 3 print(a, b, c) ``` Running the example prints: ``` (1, 2, 3) ``` #### 没有价值 ``` # No value a = None print(a) ``` Running the example prints: ``` None ``` ### 流量控制 您需要学习三种主要类型的流控制：If-Then-Else 条件，For-Loops 和 While-Loops。 #### If-Then-Else 条件示例 ``` value = 99 if value >= 99: print('That is fast') elif value > 200: print('That is too fast') else: print('That that is safe') ``` 运行此示例打印： ``` That is fast ``` #### For-Loop 示例 ``` # For-Loop for i in range(10): print(i) ``` Running this example prints: ``` 0 1 2 3 4 5 6 7 8 9 ``` #### While-Loop 示例 ``` # While-Loop i = 0 while i < 10: print(i) i += 1 ``` Running this example prints: ``` 0 1 2 3 4 5 6 7 8 9 ``` ### 数据结构 Python 中有三种数据结构，您会发现它们使用最多且最有用。它们是元组，列表和词典。 #### 元组示例 元组是项目的只读集合。 ``` a = (1, 2, 3) print(a) ``` Running the example prints: ``` (1, 2, 3) ``` #### 列表示例 列表使用方括号表示法，可以使用数组表示法进行索引。 ``` mylist = [1, 2, 3] print("Zeroth Value: %d" % mylist[0]) mylist.append(4) print("List Length: %d" % len(mylist)) for value in mylist: print(value) ``` Running the example prints: ``` Zeroth Value: 1 List Length: 4 1 2 3 4 ``` #### 字典示例 字典是名称与值的映射，如地图。请注意使用花括号表示法。 ``` mydict = {'a': 1, 'b': 2, 'c': 3} print("A value: %d" % mydict['a']) mydict['a'] = 11 print("A value: %d" % mydict['a']) print("Keys: %s" % mydict.keys()) print("Values: %s" % mydict.values()) for key in mydict.keys(): print(mydict[key]) ``` Running the example prints: ``` A value: 1 A value: 11 Keys: ['a', 'c', 'b'] Values: [11, 3, 2] 11 3 2 ``` ### 功能 Python 的最大问题是空白。确保缩进代码后有一个空的新行。 下面的示例定义了一个新函数来计算两个值的总和，并使用两个参数调用该函数。 ``` # Sum function def mysum(x, y): return x + y # Test sum function print(mysum(1, 3)) ``` Running the example prints: ``` 4 ``` ## NumPy 速成课程 NumPy 为 SciPy 提供基础数据结构和操作。这些是有效定义和操作的数组（ndarrays）。 ### 创建阵列 ``` # define an array import numpy mylist = [1, 2, 3] myarray = numpy.array(mylist) print(myarray) print(myarray.shape) ``` Running the example prints: ``` [1 2 3] (3,) ``` ### 访问数据 数组表示法和范围可用于有效地访问 NumPy 数组中的数据。 ``` # access values import numpy mylist = [[1, 2, 3], [3, 4, 5]] myarray = numpy.array(mylist) print(myarray) print(myarray.shape) print("First row: %s" % myarray[0]) print("Last row: %s" % myarray[-1]) print("Specific row and col: %s" % myarray[0, 2]) print("Whole col: %s" % myarray[:, 2]) ``` Running the example prints: ``` [[1 2 3] [3 4 5]] (2, 3) First row: [1 2 3] Last row: [3 4 5] Specific row and col: 3 Whole col: [3 5] ``` ### 算术 NumPy 数组可以直接用于算术运算。 ``` # arithmetic import numpy myarray1 = numpy.array([2, 2, 2]) myarray2 = numpy.array([3, 3, 3]) print("Addition: %s" % (myarray1 + myarray2)) print("Multiplication: %s" % (myarray1 * myarray2)) ``` Running the example prints: ``` Addition: [5 5 5] Multiplication: [6 6 6] ``` NumPy 数组还有很多，但这些例子可以让您了解它们在处理大量数值数据时所提供的效率。 ## Matplotlib 速成课程 Matplotlib 可用于创建图表和图表。 该库通常使用如下： 1. 使用一些数据调用绘图函数（例如 plot（））。 2. 调用许多函数来设置绘图的属性（例如标签和颜色）。 3. 使图可见（例如 show（））。 ### 线图 下面的示例从一维数据创建一个简单的线图。 ``` # basic line plot import matplotlib.pyplot as plt import numpy myarray = numpy.array([1, 2, 3]) plt.plot(myarray) plt.xlabel('some x axis') plt.ylabel('some y axis') plt.show() ``` 运行该示例会产生：  Matplotlib 中的简单线图 ### 散点图 下面是从二维数据创建散点图的简单示例。 ``` # basic scatter plot import matplotlib.pyplot as plt import numpy x = numpy.array([1, 2, 3]) y = numpy.array([2, 4, 6]) plt.scatter(x,y) plt.xlabel('some x axis') plt.ylabel('some y axis') plt.show() ``` Running the example produces:  Matplotlib 中的简单散点图 还有更多的绘图类型和更多可以在绘图上设置的属性来配置它。 ## 熊猫速成课程 Pandas 提供数据结构和功能，以快速操作和分析数据。理解 Pandas 机器学习的关键是理解 Series 和 DataFrame 数据结构。 ### 系列 系列是一维数组，其中可以标记行和列。 ``` # series import numpy import pandas myarray = numpy.array([1, 2, 3]) rownames = ['a', 'b', 'c'] myseries = pandas.Series(myarray, index=rownames) print(myseries) ``` Running the example prints: ``` a 1 b 2 c 3 ``` 您可以像 NumPy 数组一样访问数据，例如字典，例如： ``` print(myseries[0]) print(myseries['a']) ``` Running the example prints: ``` 1 1 ``` ### 数据帧 数据帧是多维数组，其中可以标记行和列。 ``` # dataframe import numpy import pandas myarray = numpy.array([[1, 2, 3], [4, 5, 6]]) rownames = ['a', 'b'] colnames = ['one', 'two', 'three'] mydataframe = pandas.DataFrame(myarray, index=rownames, columns=colnames) print(mydataframe) ``` Running the example prints: ``` one two three a 1 2 3 b 4 5 6 ``` 数据可以使用列名称进行索引。 ``` print("one column: %s" % mydataframe['one']) print("one column: %s" % mydataframe.one) ``` Running the example prints: ``` one column: a 1 b 4 one column: a 1 b 4 ``` ## 摘要 你已经在这篇文章中介绍了很多内容。您发现了 Python 的基本语法和用法以及用于机器学习的四个关键 Python 库： * NumPy 的 * Matplotlib * 熊猫 您现在已经掌握了足够的语法和用法信息，可以阅读和理解用于机器学习的 Python 代码并开始创建自己的脚本。 您对本文中的示例有任何疑问吗？在评论中提出您的问题，我会尽力回答。