Link Search Menu Expand Document
GXL-Groups
Table of contents
  1. Python环境的配置
    1. 1.下载python
    2. 2.安装python
    3. 3.检验是否安装成功
  2. Pycharm的安装
    1. 1.下载
    2. 2.安装
    3. 3.基础使用—Helloworld
    4. 4.几个库的基本使用
      1. （1）NumPy
      2. （2）Matplotlib
    5. 5.kmeans实例

Python环境的配置

1.下载python

https://www.python.org/getit/

image-20220630154150622.png

2.安装python

image-20220630154330657.png

image-20220630154447506.png

image-20220630154705252.png

3.检验是否安装成功

image-20220630154751054.png

Pycharm的安装

1.下载

https://www.jetbrains.com/pycharm/download/#section=windows

image-20220630154957781.png

2.安装

在这里选择安装目录，此为默认

image-20220630155051677.png

image-20220630155124097.png

3.基础使用—Helloworld

image-20220630155717309.png

image-20220630155849304.png

输入如下代码之后，使用快捷键 Ctrl+shift+F10运行代码，或者使用右上角的小三角图标

image.png

运行效果如下图所示

image-20220630160310129.png

4.几个库的基本使用

（1）NumPy

NumPy提供了可以进行数组和矩阵计算的基本方法

导入NumPy

1

import numpy as np

生成NumPy数组

1
2

x = np.array([1.0, 2.0, 3.0])
print(x)

NumPy的算术运算

1
2
3

x = np.array([1.0, 2.0, 3.0])
y = np.array([2.0, 4.0, 6.0])
print(x + y)

image.png

（2）Matplotlib

用于图形的绘制和数据的可视化

导入Matplotlib包

1

import matplotlib.pyplot as plt

注意：当没有这个包的时候，要安装，如下图所示

image.png

安装成功后，右下角会报相应提示，并且红色线去掉了

image.png

绘制sin函数图像

1
2
3
4

x = np.arange(0, 6, 0.1) # 生成以0.1为单位，0~6的数据
y = np.sin(x)
plt.plot(x, y)
plt.show()

image.png

5.kmeans实例

K-means是一个聚类算法，是随机选k个初值向量，然后遍历全部数据集，计算它们与初值向量的距离，然后划分到对应的类里面，遍历一遍之后再计算初值向量，最后重复这些操作，直到最后计算的初值向量没什么大改变即停止训练。

一般遇到陌生的代码，不知道它是什么原理的时候可以先打断点，一步一步的看代码是如何运行的。

image.png

点击按钮进行调试

image.png

可见该图中间有几个按钮，在调试中经常会用到这里 image.png

image.png

①Step Over（F8）：把子函数整个做成一步，不会进入该函数；

②Step Into（F7）：进入该函数进行执行；

③Step Into My Code（Alt+Shift+F7）：进入自己写的代码执行；

④Step Out（Shift + F8）：退出当前这个函数。

这里点击下一步之后，会跳到函数进行执行

初始化函数

image.png

进入聚类算法

image.png

在下面的图表中我们可以观测到当前变量的情况

例如这里先选取的2个初值向量是：

image.png

这里在图像上画出初值向量：

image.png

这里对向量进行遍历计算他们与初值向量的距离，之后加入到对应的簇中：

image.png

综上，是pycharm的基础使用，还有更多的使用细节会在陆续的使用中再多加补充。