一、Anaconda环境搭建

1、关于Anaconda

        Anaconda 是一个非常 popular 的 Python 发行版，它不仅包含了 Python 语言本身，还预装了众多常用的科学计算库，如 NumPy、Pandas、Matplotlib 等，能够极大地方便用户的开发和数据分析工作。Anaconda 提供了一个统一的环境管理工具，用户可以轻松创建和管理多个独立的 Python 环境，避免了不同项目之间的依赖冲突。此外，Anaconda 还提供了 Anaconda Navigator 这样的图形化界面，让用户更直观地管理包和环境。这对于刚开始学习 Python 或者需要处理复杂项目的用户来说，Anaconda 都是一个非常友好且强大的工具。

       很多人在使用Python时，直接就下载了特定版本的Python解释器，然后项目中途会使用到的哪些库，直接安装就行了，这样会带来一些问题：

       不同项目使用的库对Python的版本也许会有限制。比如有些库只能在Python2的版本下使用，有的只能在Python3的版本下使用；很多库在一次或者几次的项目中使用后，就很难再用到了，长期下来会积累很多这种已经没用的库，从而使包变得冗余，占用内存空间。
        针对直接安装Python会带来的这些问题，所以很多人都会使用anaconda，anaconda有以下好处：自带常用的库，能够满足一些基础简单的需要；可以创建多个环境，每个环境可以安装不同的Python版本，从而解决了版本冲突的问题。并且每个环境都可独立安装各自需要的库，应用于不同的项目，由此便于管理不同项目需要的特定的库。

2、Anaconda下载

        （1）下载Anaconda安装包

         进入 Anaconda 官网，注册或登录，在 Hub 中点击 Install Distribution，填写信息后下载即可。

         如果你的网络无法访问 Anaconda 官网或者下载速度较慢，可以从 清华大学开源软件镜像站 下载。或者直接使用我在群内提供的压缩包下载。

       （2）安装Anaconda

在 Anaconda 安装的过程中，比较容易出错的环节是环境变量的配置，所以大家在配置环境变量的时候，要细心一些。

        双击下载好的安装包，点击 Next，点击 I Agree，选择 Just Me，选择安装路经（安装在 C 盘也有好处，不过与 C 盘爆炸来说不值一提，建议按在其他盘）然后 Next，来到如下界面：

        请选择 Register Anaconda as my default Python 3.x，不要选 Add Anaconda to my PATH environment variable，我们需要后期手动添加环境变量。

        点击 Install，安装需要等待一会儿。

        最后一直 Next，直到安装完成。

        对于两个“learn”，都取消打勾，不用打开去看了，耽误时间。

      （3）配置环境变量

        此电脑（右键）→ 属性 → 高级系统设置 →（点击）环境变量

        在下面系统变量里，找到并点击 Path

在编辑环境变量里，点击新建

        输入下面的五个环境变量。（这里不是完全一样的！你需要将以下五条环境变量中涉及的到的"D:\_Producers\Anaconda3"都修改为你的 Anaconda 的安装路径！）

E:\environment\anaconda3
E:\environment\Anaconda3\Scripts
E:\environment\Anaconda3\Library\bin
E:\environment\Anaconda3\Library\mingw-w64\bin
E:\environment\Anaconda3\Library\usr\bin

简要说明五条路径的用途：这五个环境变量中，1 是 Python 需要，2 是 conda 自带脚本，3 是 jupyter notebook 动态库, 4 是使用 C with python 的时候

        新建完成后点击确定。

        （4）验证

           打开 cmd，在弹出的命令行查看 anaconda 版本，依次输入 ：

conda --version
python --version

        若各自出现版本号，即代表配置成功。

        在开始菜单或桌面找到 Anaconda Navifator 将其打开（若桌面没有可以发一份到桌面，方便后续使用），出现 GUI 界面即为安装成功。

        Anaconda 自带了一些常用的机器学习库，如 numpy、pandas、matplotlib、seaborn、scikit-learn 等。

        如果需要安装其他库，可以直接在 Anaconda Navigator 里搜索安装。

        （5）更改conda源

        如果你没有魔法上网工具，建议更改 conda 源，这样可以加快下载包的速度。清华大学提供了 Anaconda 的镜像仓库，我们把源改为清华大学镜像源。

        找到 Anaconda prompt，打开 shell 面板。

        在命令行输入以下命令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --set show_channel_urls yes

        查看是否修改好通道：

conda config --show channels

二、PyCharm使用

1、新建项目

2、配置conda环境

        （1）我们在PyCharm中依此选择File–>Settings–>Project–>Python Inerpreter，如下图所示：

        （2）在弹出的设置窗口中，点击左侧的“Python Inerpreter”，然后点击右侧的“Add Local Interpreter”，点击它进到环境配置窗口：

        （3）点击conda environment选项卡，点击右侧文件夹图标，找到自己anaconda下载的目录，选择anaconda根目录下的Scripts下的conda.exe。

        （4）然后点击“Load Environment”加载环境，加载完成后发现所有虚拟环境均导入，默认为base环境。

        （5）我们可以看到base环境的包，含有scikit-learn库，说明此时编译器可以进行sickit-learn库提供的相关操作。

        （6）验证是否配置成功，新建一个py文件，将下面的代码放进文件运行，若控制台正常运行出结果证明配置成功。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier# 1.获取数据
iris = load_iris()# 2.数据基本处理
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)# 3.特征工程 - 特征预处理
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)# 4.机器学习-KNN
# 4.1 实例化一个估计器
estimator = KNeighborsClassifier()
# 4.2 模型调优 -- 交叉验证,网格搜索
param_grid = {"n_neighbors": [1, 3, 5, 7]}
estimator = GridSearchCV(estimator, param_grid=param_grid, cv=5)
# 4.3 模型训练
estimator.fit(x_train, y_train)# 5.模型评估
# 5.1 预测值结果输出
y_pre = estimator.predict(x_test)
print("预测值是:\n", y_pre)
print("预测值和真实值的对比是:\n", y_pre == y_test)
# 5.2 准确率计算
score = estimator.score(x_test, y_test)
print("准确率为:\n", score)
# 5.3 查看交叉验证,网格搜索的一些属性
print("在交叉验证中,得到的最好结果是:\n", estimator.best_score_)
print("在交叉验证中,得到的最好的模型是:\n", estimator.best_estimator_)
print("在交叉验证中,得到的模型结果是:\n", estimator.cv_results_)print("Hello, sklearn!")

三、常用Anaconda指令

在没有 GUI 的情况下，以下命令比较常用：

1.查看当前环境下安装的库：

conda list

2.查看所有环境：

conda info --envs

3.创建新的环境：

conda create -n 环境名称 python=版本号

4.激活环境：

conda activate 环境名称

5.退出环境：

conda deactivate

6.删除环境：

conda remove -n 环境名称 --all

7.导出环境：

conda env export > environment.yaml

8.导入环境：

conda env create -f environment.yaml

9.列出所有可用的包：

conda search 包名

10.安装包：

conda install 包名

11.更新包：

conda update 包名

12.卸载包：

conda uninstall 包名