【Python算法】分类与预测——支持向量机1.支持向量机定义　　在机器学习领域，支持向量机 SVM（Support Vector Machine）是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。给出一个简单的线性分类问题，要用一条直线，将下图 13.13 中圆形的点和三角形的点分开，这样的直线有无数条，例如图中画出的两条线都能进行分类。这些将类别分离的曲线称为超平面。已有的训练数据中，每个元素距离分离超平面都有一个距离。在添加超平面的时候，尽可能的使最靠近分离超平面的那个元素与超平面的距离变大。这样，加入新的数据的时候，分的准的概率会最大化，这便是 SVM 的主要思想。如下图所示。       最大化间隔的流程主要如下：首先进行归一化，归一化的目的是除掉取值尺度的影响；其次，对所有元素求到超平面的欧氏距离，给定一个超平面 P，计算所有样本与超平面 P 的欧式距离，这其中最小的距离记为DP，SVM 的作用就是找到DP最大的超平面。下图中的虚线画出了最大间隔，那么在这两条虚线上的样本点就称为支持向量。       上面介绍的是线性可分的情形，而在实际中，编程者经常会遇到线性不可分的样例，如下图中的一维数轴上的叉形和菱形点，无法简单地找到一个超平面将其分类。       此时常用的做法是样本特征映射到高维空间去。如果将原始的一维特征空间映射到二维特征空间，那么就可以找到分离超平面，小于0时，就可以判别类别为1。当大于0时，就可以判别类别为0，如下图所示。        线性不可分映射到高维空间，可能会导致维度非常高，计算复杂。核函数的价值在于它虽然也是讲特征进行从低维到高维的转换，但核函数事先在低维上进行计算，而将实质上的分类效果表现在高维上，也避免了直接在高维空间中的复杂计算。2.支持向量机优缺点　　支持向量机算法的优点主要如下：　　(1) 在高维空间有效；　　(2) 在特征维数高于样本数的时候仍然有效；　　(3) 增、删非支持向量样本对模型没有影响；　　(4) 有些成功的应用中，SVM 方法对核的选取不敏感。当然，支持向量机算法也存在一些缺陷，例如对于每个高维空间在此空间的映射 F，如何确定 F 映射，现在还没有合适的方法，所以对于一般的问题，SVM 只是把高维空间的复杂性的困难转为了求核函数的困难。而且即使确定核函数以后，在求解问题分类时，也要求解函数的二次规划，这就需要大量的存储空间。这也是 SVM 的一个问题。3.操作系统　　操作机：Linux_Ubuntu　　操作机默认用户：root4.实验工具       Python是一种计算机程序设计语言。是一种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。Python已经成为最受欢迎的程序设计语言之一。自从2004年以后，python的使用率呈线性增长。2011年1月，它被TIOBE编程语言排行榜评为2010年度语言。　　由于Python语言的简洁性、易读性以及可扩展性，在国外用Python做科学计算的研究机构日益增多，一些知名大学已经采用Python来教授程序设计课程。例如卡耐基梅隆大学的编程基础、麻省理工学院的计算机科学及编程导论就使用Python语言讲授。       众多开源的科学计算软件包都提供了Python的调用接口，例如著名的计算机视觉库OpenCV、三维可视化库VTK、医学图像处理库ITK。而Python专用的科学计算扩展库就更多了，例如如下3个十分经典的科学计算扩展库：NumPy、SciPy和matplotlib，它们分别为Python提供了快速数组处理、数值运算以及绘图功能。因此Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表，甚至开发科学计算应用程序。5.Numpy      NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。　　NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。6.scikit-learn      scikit-learn，Python 中的机器学习，简单高效的数据挖掘和数据分析工具，可供大家使用，可在各种环境中重复使用，建立在 NumPy，SciPy 和 matplotlib 上开放源码，可商业使用 - BSD license。7.Matplotlib       Matplotlib 是一个 Python 的 2D绘**，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。8.pandas        Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。9.导入所需要的库:numpy,matplotlib.pyplot,pandas代码如下:# Importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd10.加载数据集代码如下：# Importing the dataset dataset = pd.read_csv('/mnt/dataset_29/Social_Network_Ads_82e4aa0627105a2d22b70d7ad0bfeda0.csv')   注意：数据集以实际位置为准 X = dataset.iloc[:, [2, 3]].values y = dataset.iloc[:, 4].values注意：实验中以数据集的具体为准。如下给出数据，可将数据创建响相应的数据集用于字日常训练，也可在实验平台中数据集模块下的的“社交网络数据集”中进行查看。数据集如下：（见附件）11.将数据集分割为训练集和测试集代码如下：# Splitting the dataset into the Training set and Test set from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)12.特征缩放代码如下：# Feature Scaling from sklearn.preprocessing import StandardScaler sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test)13.使用Kernel SVM对数据进行处理代码如下：# Fitting Kernel SVM to the Training set from sklearn.svm import SVC classifier = SVC(kernel = 'rbf', random_state = 0) classifier.fit(X_train, y_train)14.对测试集进行分类代码如下：# Predicting the Test set results y_pred = classifier.predict(X_test)15.制作混淆矩阵来评估模型性能代码如下：# Making the Confusion Matrix from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_test, y_pred)16.绘制训练数据分类结果# Visualising the Training set results from matplotlib.colors import ListedColormap X_set, y_set = X_train, y_train X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                      np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),              alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)):     plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                 c = ListedColormap(('orange', 'blue'))(i), label = j) plt.title('Classifier (Training set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show()训练数据分类结果如下：17.绘制测试数据分类结果代码如下：# Visualising the Test set results from matplotlib.colors import ListedColormap X_set, y_set = X_test, y_test X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                      np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),              alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)):     plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                 c = ListedColormap(('orange', 'blue'))(i), label = j) plt.title('Classifier (Test set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show()测试数据分类结果如下：

【Python算法】分类与预测——K近邻分类算法1.K-近邻算法（KNN）概述　　最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全匹配时，便可以对其进行分类。但是不可能所有测试对象都会找到一摸一样的训练对象。也出现过将某一个训练对象分类为很多类别的情况。正是因为这些问题的产生，KNN诞生了。　　KNN通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。　　KNN的每个样本所选择的邻居都是已经正确分类的对象。该方法在定类决策上只根据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。如下图，如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。     由此也说明了KNN算法的结果很大程度取决于K的选择。　　在KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离一般使用欧氏距离或曼哈顿距离：　　同时，KNN通过依据k个对象中占优的类别进行决策，而不是单一的对象类别决策。这两点就是KNN算法的优势。2.KNN算法的描述    1）计算测试数据与各个训练数据之间的距离；    2）按照距离的递增关系进行排序；    3）选取距离最小的K个点；    4）确定前K个点所在类别的出现频率；    5）返回前K个点中出现频率最高的类别作为测试数据的预测分类。3.操作系统　　操作机：Linux_Ubuntu　　操作机默认用户：root4.实验工具       Python是一种计算机程序设计语言。是一种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。Python已经成为最受欢迎的程序设计语言之一。自从2004年以后，python的使用率呈线性增长。2011年1月，它被TIOBE编程语言排行榜评为2010年度语言。　　由于Python语言的简洁性、易读性以及可扩展性，在国外用Python做科学计算的研究机构日益增多，一些知名大学已经采用Python来教授程序设计课程。例如卡耐基梅隆大学的编程基础、麻省理工学院的计算机科学及编程导论就使用Python语言讲授。       众多开源的科学计算软件包都提供了Python的调用接口，例如著名的计算机视觉库OpenCV、三维可视化库VTK、医学图像处理库ITK。而Python专用的科学计算扩展库就更多了，例如如下3个十分经典的科学计算扩展库：NumPy、SciPy和matplotlib，它们分别为Python提供了快速数组处理、数值运算以及绘图功能。因此Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表，甚至开发科学计算应用程序。5.Numpy      NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。　　NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。6.scikit-learn      scikit-learn，Python 中的机器学习，简单高效的数据挖掘和数据分析工具，可供大家使用，可在各种环境中重复使用，建立在 NumPy，SciPy 和 matplotlib 上开放源码，可商业使用 - BSD license。7.Matplotlib       Matplotlib 是一个 Python 的 2D绘**，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。8.pandas        Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。9.导入所需要的库:numpy,matplotlib.pyplot,pandas代码如下:# Importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd10.加载数据集代码如下：# Importing the dataset dataset = pd.read_csv('/mnt/dataset_29/Social_Network_Ads_82e4aa0627105a2d22b70d7ad0bfeda0.csv')   注意：数据集以实际位置为准 X = dataset.iloc[:, [2, 3]].values y = dataset.iloc[:, 4].values注意：实验中以数据集的具体为准。如下给出数据，可将数据创建响相应的数据集用于字日常训练，也可在实验平台中数据集模块下的的“社交网络数据集”中进行查看。数据集如下：（见附件）11.将数据集分割为训练集和测试集代码如下：# Splitting the dataset into the Training set and Test set from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)12.特征缩放代码如下：# Feature Scaling from sklearn.preprocessing import StandardScaler sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test)13.使用K-NN对数据进行处理代码如下：# Fitting the Decision Tree to the Training set from sklearn.neighbors import KNeighborsClassifier classifier = KNeighborsClassifier(n_neighbors = 5, metric = 'minkowski', p = 2) classifier.fit(X_train,y_train)14.对测试集进行分类代码如下：# Predicting the Test set results y_pred = classifier.predict(X_test)15.制造混淆矩阵来评估分类器性能代码如下：# Making the Confusion Matrix from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_test, y_pred)16.绘制训练数据分类结果代码如下：# Visualising the Training set results from matplotlib.colors import ListedColormap X_set, y_set = X_train, y_train X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                      np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),              alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)):     plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                 c = ListedColormap(('orange', 'blue'))(i), label = j) plt.title('Classifier (Training set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show()训练数据分类结果如下：17.绘制测试数据分类结果：代码如下：# Visualising the Test set results from matplotlib.colors import ListedColormap X_set, y_set = X_test, y_test X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                      np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),              alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)):     plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                 c = ListedColormap(('orange', 'blue'))(i), label = j) plt.title('Classifier (Test set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show()测试数据分类结果如下：

【Python算法分类与预测】——决策树1.决策树定义　　决策树方法在分类、预测、规则提取等领域有着广泛的应用。20 世纪 70 年代后期和 80 年代初期，机器学习研究者 J.Ross Quinlan 提出了 ID3 算法以后，决策树就在机器学习与数据挖掘领域取得了巨大的发展。Quinlan 后来又提出了 C4.5，这成为了新的监督学习算法。1984年，几位统计学专家提出了 CART 分类算法。ID3 和 CART 算法几乎同时被提出，但都是采用的类似的方法从训练样本中学习决策树。决策树是一种树状结构，它的每个叶节点对应一个分类，非叶节点对应着在某个属性上的划分，根据样本在该属性上的不同值将其划分成若干个子集，而对于非纯的叶节点，多数类的标号给出到达这个节点的样本所属的类。构造决策树的核心的问题是在每一步中如何选择适当的属性对样本进行拆分。对一个分类问题，从已知类标记的训练样本中学习并构造出决策树其实是一个自上而下，分而治之的过程。2.常用决策树算法　　常用的决策树算法有三种，分别是 ID3 算法、C4.5 算法、CART 算法三种。　　(1) ID3 算法：此算法的核心在于决策树的各级节点上，使用信息增益方法作为属性的选择标准，来帮助确定生成每个节点时所应采取的合适属性；　　(2) C4.5 算法：此决策树生成算法相对于 ID3 算法的重要改进是使用信息增益率来选择节点属性，此算法可以克服ID3算法的不足。ID3算法只使用于离散的描述属性，而 C4.5 算法既能够处理离散的描述属性，又能够处理连续的描述属性；　　(3) CART 算法：CART 决策树是一种十分有效的非参数分类和回归方法，它通过构建树、修剪树、评估树来构建一个二叉树，当终结点是连续变量时，该树为回归树；当终结点是分类变量时，该树为分类树。3.决策树基本思想及内容　　决策树的基本思想是，迭代式的根据字段的不同值将数据分成不同的组，再评估分组后组内的同性值，如果需要则继续分成不同的组。此方法的优点特别明显，它有较好的可解释性，并且在非线性环境下性能较好。但它也有缺点，如果缺少修剪或者交叉验证很容易过拟合。4.决策树的使用基本流程　　(1) 将所有数据放在同一个组中；　　(2) 找出最佳的字段分割（split）；　　(3) 将数据在这个分割（称为节点）上分成两组（称为叶子）；　　(4) 继续上两步直到组包含的样本过少或者组内差异已经足够小。4.决策树计算公式及语法　　决策树有几个衡量分组内差异性的常用指标，包括基尼系数（Gini index）、差异（deviance） 或信息增量（information gain）。基尼系数的计算公式如下，在使用此计算公式时，若结果为 0 则表示发分组绝对同质，若为 0.5 则表示该分组绝对异质：差异或信息增益的计算公式如下，在使用此计算公式时，若结果为 0 则表示该分组绝对同质，若为 1 则表示该分组绝对异质：决策树的方法即可用于分类也可用于回归，本实验主要介绍的是决策树分类。5.实验操作    5.1.操作系统　　操作机：Linux_Ubuntu　　操作机默认用户：root    5.2.实验工具        5.2.1.python　　Python是一种计算机程序设计语言。是一种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。Python已经成为最受欢迎的程序设计语言之一。自从2004年以后，python的使用率呈线性增长。2011年1月，它被TIOBE编程语言排行榜评为2010年度语言。      由于Python语言的简洁性、易读性以及可扩展性，在国外用Python做科学计算的研究机构日益增多，一些知名大学已经采用Python来教授程序设计课程。例如卡耐基梅隆大学的编程基础、麻省理工学院的计算机科学及编程导论就使用Python语言讲授。      众多开源的科学计算软件包都提供了Python的调用接口，例如著名的计算机视觉库OpenCV、三维可视化库VTK、医学图像处理库ITK。而Python专用的科学计算扩展库就更多了，例如如下3个十分经典的科学计算扩展库：NumPy、SciPy和matplotlib，它们分别为Python提供了快速数组处理、数值运算以及绘图功能。因此Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表，甚至开发科学计算应用程序。        5.2.2.Numpy　　NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。　　NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。        5.2.3.scikit-learn      scikit-learn，Python 中的机器学习，简单高效的数据挖掘和数据分析工具，可供大家使用，可在各种环境中重复使用，建立在 NumPy，SciPy 和 matplotlib 上开放源码，可商业使用 - BSD license。        5.2.4.Matplotlib       Matplotlib 是一个 Python 的 2D绘**，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。        5.2.5.pandas        Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。    5.3导入所需要的库:numpy,matplotlib.pyplot,pandas代码如下:# Importing the libraries import numpy as np import matplotlib.pyplot as plt import pandas as pd    5.4.加载数据集代码如下：# Importing the dataset dataset = pd.read_csv('数据集路径') X = dataset.iloc[:, [2, 3]].values y = dataset.iloc[:, 4].values注意：实验中以数据集的实际地址为准。      实验中已经带有相应数据集，点击左下“数据”标识，对数据集的地址进行查看复制。我们直接将地址复制并放入上述代码中进行加载就可以了。注意：如果在自己的实际生产中，要以自己的数据地址为准。       如下给出数据，可将数据创建响相应的数据集用于字日常训练，也可在实验平台中数据集模块下的的“社交网络测试数据集”中进行查看。其具体数据内容如下：见附件！！！    5.5.将数据集分割为训练集和测试集代码如下：# Splitting the dataset into the Training set and Test set from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)    5.6.特征缩放代码如下：# Feature Scaling from sklearn.preprocessing import StandardScaler sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test)    5.7.使用决策树对数据进行处理代码如下：# Fitting the Decision Tree to the Training set from sklearn.tree import DecisionTreeClassifier classifier = DecisionTreeClassifier(criterion = 'entropy', random_state = 0) classifier.fit(X_train, y_train)    5.8.对测试集进行分类：代码如下：# Predicting the Test set results y_pred = classifier.predict(X_test)    5.9.制造混淆矩阵来评估分类器性能：代码如下：# Making the Confusion Matrix from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_test, y_pred)    5.10.绘制训练数据分类结果：# Visualising the Training set results from matplotlib.colors import ListedColormap X_set, y_set = X_train, y_train X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                      np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),              alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)):     plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                 c = ListedColormap(('orange', 'blue'))(i), label = j) plt.title('Classifier (Training set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show()训练数据分类结果如下：    5.11.绘制测试数据分类结果：# Visualising the Test set results from matplotlib.colors import ListedColormap X_set, y_set = X_test, y_test X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01),                      np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),              alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)):     plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],                 c = ListedColormap(('orange', 'blue'))(i), label = j) plt.title('Classifier (Test set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show()测试数据分类结果如下：

完成tuning kut安装后提示如下文档中验证部分是检查python3的路径和权限，为什么我的环境并没有自动安装python3？是因为安装不成功吗

    源码下载地址：python 3.7https://www.python.org/downloads/执行编译增加编译选项匹配 Kunpeng 处理器架构，提升性能: -march=armv8-achar变量在不同CPU架构下默认符号不一致，在x86架构下为signed char，在ARM64平台为unsigned char，移植时需要指定char变量为signed char ./configure CFLAGS='-fsigned-char -march=armv8-a' --enable-optimizationsmake -j32make install如果提示：ModuleNotFoundError: No module named '_ctypes'yum install libffi-devel -y [root@kunpeng Python-3.7.4]# python3.7 -VPython 3.7.4 PIP编译安装wget https://files.pythonhosted.org/packages/aa/1a/62fb0b95b1572c76dbc3cc31124a8b6866cbe9139eb7659ac7349457cf7c/pip-19.2.2.tar.gz pip setup.py install  wheel安装和使用（如果安装了wheel组件，pip源码安装可自动生成whl文件））[root@kunpeng numpy-1.17.0]# pip install wheelCollecting wheel  Downloading https://files.pythonhosted.org/packages/bb/10/44230dd6bf3563b8f227dbf344c908d412ad2ff48066476672f3a72e174e/wheel-0.33.4-py2.py3-none-any.whlInstalling collected packages: wheelSuccessfully installed wheel-0.33.4安装完wheel后，pip install 源码就可以自动打包生成whl文件已发布的whl安装包下载地址https://pypi.org/  Cython编译安装pip install Cython源码编译安装wget https://github.com/cython/cython/archive/0.29.13.zip解压缩，修改Makefile的CFLAGSCFLAGS="-O3 -fsigned-char -march=armv8-a -g0 -mtune=generic -pipe -fPIC"python3.7 setup.py installnumpy编译安装要求如下：For Python 3, Python__ 3.5.x or newer. 如果是python3，需要3.5以上需要支持C99：gcc低于5.0版本的话需要加上   export CFLAGS='-std=c99'Cython需要 0.29.2以上：On OS X and Linux, all common compilers will work.  Note that C99 support isrequired.  For compilers that don't support the C99 language standard bydefault (such as ``gcc`` versions < 5.0), it should be enabled.  For ``gcc``::    export CFLAGS='-std=c99'Cython >= 0.29.2 (for development versions of numpy, not for released                     versions)编译numpywget https://github.com/numpy/numpy/archive/v1.17.0.zipwget https://files.pythonhosted.org/packages/da/32/1b8f2bb5fb50e4db68543eb85ce37b9fa6660cd05b58bddfafafa7ed62da/numpy-1.17.0.zip解压缩cd numpy-1.17.0export CFLAGS="-O0"python3.7 setup.py install或者python install . scipy 1.3.0编译安装   依赖提前安装：直接编译报很多错误，需要安装依赖：yum install -y atlas atlas-devel lapack lapack-devel gcc-gfortran 安装scipy 1.3.0https://files.pythonhosted.org/packages/cb/97/361c8c6ceb3eb765371a702ea873ff2fe112fa40073e7d2b8199db8eb56e/scipy-1.3.0.tar.gz没有现成的whl，需要pip 安装生成pip install scipy==1.3.0可以编译安装成功 scikit_learn 0.21.3安装pip install scikit_learn==0.21.3可以编译安装成功 pandas 0.24.2编译安装下载地址https://pypi.org/project/pandas/0.24.2/#filespip 在线安装pip install pandas==0.24.2编译完成后会自动生成whl文件后续可以用pandas-0.24.2-cp37-cp37m-linux_aarch64.whl 安装。默认路径：/root/.cache/pip/wheels/47/0a/bf/fd3647f5bc74698ed95dbdbb3d8d120cfe0280969c212cdb6c/pandas-0.24.2-cp37-cp37m-linux_aarch64.whl或者用打包命令：python setup.py bdist_wheel  

redfish是当前主流的服务器监控协议，通过redfish协议可以通过带外管理通道获取服务器状态和详细硬件信息。本文主要介绍如何通过python环境下的redfish库实现泰山服务器和鲲鹏处理器的硬件信息获取。

编译环境 python：3.7.4 OS：centos7.6 组件：numpy scikit_learn mlflow 编译安装 numpy-1.17.0wget https://github.com/numpy/numpy/archive/v1.17.0.zipwget https://files.pythonhosted.org/packages/da/32/1b8f2bb5fb50e4db68543eb85ce37b9fa6660cd05b58bddfafafa7ed62da/numpy-1.17.0.zip 解压缩cd numpy-1.17.0export CFLAGS="-O0"   python3.7 setup.py install或者python install . 在线安装pip install numpy==1.17.0pip3 install numpy==1.17.0如果失败请加上如下编译选项export CFLAGS="-O0"  生成的wheel文件保存在： /root/.cache/pip/wheels/cc/99/ab/d71e4d18bd33901983b7caf3e1ab75ad0c9a6d6f55b2b7939c/numpy-1.17.0-cp37-cp37m-linux_aarch64.whl 离线安装目前没有 arm的whl包设置python本地源，把wget https://files.pythonhosted.org/packages/da/32/1b8f2bb5fb50e4db68543eb85ce37b9fa6660cd05b58bddfafafa7ed62da/numpy-1.17.0.zip得包放置到本地源，pip install 安装 编译安装 pandas 0.24.2下载地址https://pypi.org/project/pandas/0.24.2/#filespip 在线安装pip install pandas==0.24.2生成了whl文件:后面可以用pandas-0.24.2-cp37-cp37m-linux_aarch64.whl 安装/root/.cache/pip/wheels/47/0a/bf/fd3647f5bc74698ed95dbdbb3d8d120cfe0280969c212cdb6c/pandas-0.24.2-cp37-cp37m-linux_aarch64.whl或者用打包命令：python setup.py bdist_wheelpip离线安装已安装numpy再安装如下组件：wget https://files.pythonhosted.org/packages/41/17/c62faccbfbd163c7f57f3844689e3a78bae1f403648a6afb1d0866d87fbb/python_dateutil-2.8.0-py2.py3-none-any.whlwget https://files.pythonhosted.org/packages/87/76/46d697698a143e05f77bec5a526bf4e56a0be61d63425b68f4ba553b51f2/pytz-2019.2-py2.py3-none-any.whlwget https://files.pythonhosted.org/packages/73/fb/00a976f728d0d1fecfe898238ce23f502a721c0ac0ecfedb80e0d88c64e9/six-1.12.0-py2.py3-none-any.whl然后安装 pandaswget https://files.pythonhosted.org/packages/b2/4c/b6f966ac91c5670ba4ef0b0b5613b5379e3c7abdfad4e7b89a87d73bae13/pandas-0.24.2.tar.gz或者使用在线安装后生成的pandas-0.24.2-cp37-cp37m-linux_aarch64.whl文件解压缩，进入 pandas源码文件夹pip install whl文件或者进入源码文件夹 pip install .   

  编译环境 python：3.7.4 OS：centos7.6 组件：numpy scipy、scikit_learn、mlflow 编译安装 numpy-1.17.0wget https://github.com/numpy/numpy/archive/v1.17.0.zipwget https://files.pythonhosted.org/packages/da/32/1b8f2bb5fb50e4db68543eb85ce37b9fa6660cd05b58bddfafafa7ed62da/numpy-1.17.0.zip 解压缩cd numpy-1.17.0export CFLAGS="-O0"   python3.7 setup.py install或者python install . 在线安装pip install numpy==1.17.0pip3 install numpy==1.17.0如果失败请加上如下编译选项export CFLAGS="-O0"  生成的wheel文件保存在： /root/.cache/pip/wheels/cc/99/ab/d71e4d18bd33901983b7caf3e1ab75ad0c9a6d6f55b2b7939c/numpy-1.17.0-cp37-cp37m-linux_aarch64.whl 离线安装目前没有 arm的whl包设置python本地源，把wget https://files.pythonhosted.org/packages/da/32/1b8f2bb5fb50e4db68543eb85ce37b9fa6660cd05b58bddfafafa7ed62da/numpy-1.17.0.zip得包放置到本地源，pip install 安装 编译安装 pandas 0.24.2下载地址https://pypi.org/project/pandas/0.24.2/#filespip 在线安装pip install pandas==0.24.2生成了whl文件:后面可以用pandas-0.24.2-cp37-cp37m-linux_aarch64.whl 安装/root/.cache/pip/wheels/47/0a/bf/fd3647f5bc74698ed95dbdbb3d8d120cfe0280969c212cdb6c/pandas-0.24.2-cp37-cp37m-linux_aarch64.whl或者用打包命令：python setup.py bdist_wheelpip离线安装已安装numpy再安装如下组件：wget https://files.pythonhosted.org/packages/41/17/c62faccbfbd163c7f57f3844689e3a78bae1f403648a6afb1d0866d87fbb/python_dateutil-2.8.0-py2.py3-none-any.whlwget https://files.pythonhosted.org/packages/87/76/46d697698a143e05f77bec5a526bf4e56a0be61d63425b68f4ba553b51f2/pytz-2019.2-py2.py3-none-any.whlwget https://files.pythonhosted.org/packages/73/fb/00a976f728d0d1fecfe898238ce23f502a721c0ac0ecfedb80e0d88c64e9/six-1.12.0-py2.py3-none-any.whl然后安装 pandaswget https://files.pythonhosted.org/packages/b2/4c/b6f966ac91c5670ba4ef0b0b5613b5379e3c7abdfad4e7b89a87d73bae13/pandas-0.24.2.tar.gz或者使用在线安装后生成的pandas-0.24.2-cp37-cp37m-linux_aarch64.whl文件解压缩，进入 pandas源码文件夹pip install whl文件或者进入源码文件夹 pip install .  编译安装 mlflow 1.0.0安装过程：pip install mlflow==1.0.0 （在线安装）pip自动安装很多依赖 编译安装 scipy 1.3.0依赖提前安装：直接编译报很多错误，需要安装依赖：yum install -y atlas atlas-devel lapack lapack-devel gcc-gfortran安装scipy 1.3.0https://files.pythonhosted.org/packages/cb/97/361c8c6ceb3eb765371a702ea873ff2fe112fa40073e7d2b8199db8eb56e/scipy-1.3.0.tar.gz没有现成的whl，需要pip 安装生成pip install scipy==1.3.0直接运行即可  编译安装 scikit_learn 0.21.3安装pip install scikit_learn==0.21.3 直接安装即可 

环境类别子项版本OSCentOS7.6Kernel4.14.0-115.el7a.0.1.aarch64 软件GCC7.3.0OpenJdkJdk8u191-b12Maven3.5.4Protobuf2.5.0python3.7.41       python 3.7.4 编译安装1.1       源码下载地址https://www.python.org/downloads/1.2       执行编译增加编译选项匹配 Kunpeng 处理器架构，提升性能: -march=armv8-achar变量在不同CPU架构下默认符号不一致，在x86架构下为signed char，在ARM64平台为unsigned char，移植时需要指定char变量为signed char ./configure CFLAGS='-fsigned-char -march=armv8-a' --enable-optimizationsmake -j32make install如果提示：ModuleNotFoundError: No module named '_ctypes'yum install libffi-devel -y [root@kunpeng Python-3.7.4]# python3.7 -VPython 3.7.4 2       编译安装PIPwget https://files.pythonhosted.org/packages/aa/1a/62fb0b95b1572c76dbc3cc31124a8b6866cbe9139eb7659ac7349457cf7c/pip-19.2.2.tar.gz pip setup.py install 配置文件放置位置，没有的话手动创建一下Linux下:放在~/.pip/pip.confwindows下:用户文件夹下\pip\pip.ini1、使用配置文件配置文件[global]trusted-host=mirrors.aliyun.comindex-url=http://mirrors.aliyun.com/pypi/simple/2、使用命令行临时改变pip源pip install -i <mirror> --trusted-host <mirrorhost> package例如pip install -i http://pypi.douban.com/simple/  --trusted-host pypi.douban.com  pandas国内源:    http://pypi.v2ex.com/simple/    http://pypi.douban.com/simple/    http://mirrors.aliyun.com/pypi/simple/ 2.1       wheel安装和使用（如果安装了wheel组件，pip源码安装可自动生成whl文件））[root@kunpeng numpy-1.17.0]# pip install wheelCollecting wheel  Downloading https://files.pythonhosted.org/packages/bb/10/44230dd6bf3563b8f227dbf344c908d412ad2ff48066476672f3a72e174e/wheel-0.33.4-py2.py3-none-any.whlInstalling collected packages: wheelSuccessfully installed wheel-0.33.4安装完wheel后，pip install 源码就可以自动打包生成whl文件2.1.1      已发布的whl安装包下载地址https://pypi.org/

1、简介Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。Python由Guido van Rossum于19**底发明，第一个公开发行版发行于1991年。像Perl语言一样, Python 源代码同样遵循 GPL(GNU General Public License)协议。 官网：https://www.python.org/ 2、基础环境类别子项版本获取地址(方法)华为云虚拟机KC1（920）--OSCentOS7.7Kernel4.18软件包Python3.8.0https://www.python.org/downloads/source/3、依赖安装 yum install -y wget gcc gcc-c++4、组件编译安装下载源代码，解压编译wget https://www.python.org/ftp/python/3.8.0/Python-3.8.0.tar.xztar xvf Python-3.8.0.tar.xzcd Python-3.8.0./configuremake -j $(nproc)make install其他选项./configure --help可以查看configure 所支持的编译选项./configure --enable-optimizations 可以优化编译速度Doc/Setup文件中可以配置将那些模块作为静态库或动态库编译，Doc/Setup有详细的说明。多版本安装：同时安装多个版本时，主版本使用make install 安装，其他版本使用make altinstall 安装。5、系统配置 无6、测试python3 --version 7、参考信息  无8、FAQ   无

1 PYTHON简介Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。2 环境信息2.1 环境信息类别子项版本获取地址OSCentOS7.5 Aarch64https://www.centos.org/download/服务器配置16U16GB50GB软件PYTHON2.7.16https://www.python.org/ftp/python/2.7.16/Python-2.7.16.tgz 3 软件移植3.1 环境准备：OS安装类型：CentOS-7.5-aarch64-1804。 注：操作系统安装使用最小简化版安装(如上图)，其余步骤安装一般安装操作系统步骤即可。3.1.1 相关软件下载上传：1、 上传Python-2.7.16.tgz源码包至服务器目录下下载地址：https://www.python.org/ftp/python/2.7.16/Python-2.7.16.tgz2、 上传CentOS 7.5系统ISO镜像文件至服务器3.2 软件安装脚本执行指导    特别提醒：在CentOS 7.5 Aarch64环境下，系统自带python2.7.6作为默认配置，如无特殊    需求，不需要安装python。下载附件脚本至服务器。赋予脚本执行权：限chmod +x python_install.sh执行Python安装脚本：sh python_install.sh 4 软件运行4.1 验证执行执行命令:python当回显信息出现正确版本号时，安装成功。 

开发手册里面提到的路径里面  没有找到https://github.com/huaweicloud/huaweicloud-mrs-example/tree/mrs-2.0

Python程序设计精品课程介绍课程链接地址课程概述：本课程适合作为高等学校计算机专业及相关专业Python语言程序设计课程的教材，也可作为计算机等级考试参考书，还可供从事计算机软件、人工智能、大数据等领域开发人员参考使用。本课程主要介绍Python语言的语法及常用模块的使用，重点介绍面向对象设计，字符串操作，正则表达式等知识，同时通过游戏设计，展示Python语言的简易和强大。当前Python作为一门优秀的综合语言，在人工智能、云计算、金融分析、大数据开发、WEB开发、自动化运维、测试等方向有应用广泛，因此学好Python语言编程是非常有必要的。 本课程还结合相关的python习题，提升同学们的编程动手能力，加深对Python语言的理解，学习过程中对知识的理解程度进行及时检验。最后，通过企业实践，总结出一套行之有效的Python编程技巧，可以帮助同学们在今后的工作中少走弯路。材料数作业数习题数五星推荐搭配15617130《python-习题库》含401道习题 作者介绍华为云教育，本课程由华为云教育内容开发团队开发完成，团队主要负责教育解决方案内容开发和建设。包括但不限于课件、视频、习题、代码、案例项目、实训课等。  课程定位：本课程根据人才培养目标，制定涵盖低级，中级，高级等多级分类的知识点、原理、定理等课程体系，满足人才培养需求，包括知识要求、能力要求、素质要求。本课程作为当前热门技术如：人工智能、大数据分析等行业的基础编程课程及入门课程，特别适合于想快速掌握并应用编程语言实现某些功能或开发某些项目的学生和开发者。学完这门课程后，同学们可以更快更容易的学习和了解python语言的相关框架，如Flask、Django web开发、爬虫Spider，人工智能tensorflow、自动化测试RobertFramewok等等。为学生今后从事其他相关领域方面的工作做好坚实的基础。 岗位及从业方向：岗位：Python软件开发工程师，运维自动化工程师，全栈工程师，爬虫工程师、大数据开发工程师、分析工程师、AI人工智能应用开发工程师、图像处理工程师、游戏开发工程师等岗位。从业方向：移动互联、游戏、人工智能、大数据、Web应用、全栈开发、机器学习、系统运维、云计算、智能制造、图片视频处理、游戏开发等。 前/后导课程：Python语言程序设计自从20世纪90年代初诞生至今，它逐渐被广泛应用于处理系统管理任务和Web编程，Python语法简洁而清晰，具有丰富和强大的类库，是一门实践性很强的课程，要学好Python语言，需要首先对计算机基础有一定的了解，对编程思想有一定的掌握，如果涉及到特定的领域，如图像分析，需要对图像学提前了解。学好Python语言后，通过学习Python语言相关框架，可以进一步的学习更多的Python特定领域开发课程本课程的主要任务是：1．通过学习本课程，学生可以掌握Python程序设计的语法、开发过程和开发技巧。熟练运用Python运算符、内置函数以及列表、元组、字典、集合等基本数据类型和相关列表推导式、切片等特性来解决实际问题，熟练掌握Python分支结构、循环结构、函数设计以及类的设计与使用，熟练使用字符串方法，适当了解正则表达式，熟练使用Python读写文本文件等。2．具备熟练应用华为云classroom云上开发集成环境进行Python语言的在线编写，执行。具备Python语言本地开发环境的安装和配置3. 能熟悉掌握并应用python本地集成开发环境如PyCharm等工具，掌握python编译打包发布等相关命令。4．具备应用python相关框架进行程序开发和设计的能力。会通过Pygame、PyOpenGL等第三方库，并结合相关参考资料，开发并优化简单的游戏，如：太空射击、2048，五子棋等。具备通过Python语言程序进行项目开发的能力。5. 考核达标后，基本达到入职企业所需具备的软件开发职业素质。6．培养学生严肃，认真一丝不苟的工作作风。培养学生积极思考，勇于钻研和学习开源框架的能力，通过算法编程题，锻炼思维能力，培养创新能力。 本课程知识教学目标：1．了解Python语言的基本知识。2．了解Python的语法基础，基本特点、关键字，类型，常量变量，运算符等。3．掌握Python控制语句，顺序结构、选择结构、循环结构的Python语言构成及编程技巧；。4．掌握Python函数与模块。5．掌握Python文件的使用，文件读写操作。6．掌握Python面向对象程序设计的定义和使用，掌握继承、多态、封装等特性。7．掌握Python字符串相关的操作，字符串格式化、转义、常用字符串操作函数等。8．掌握Python中的正则表达式应用。9．了解通过Python之PyGame游戏设计。10．掌握企业实践之Python编程技巧。 教学大纲：第1章Python语言介绍1)     Python语言简介2)     安装与配置Python开发环境3)     Python开发环境IDEL介绍4)     Python基本输入输出5)     模块引入介绍6)     Python代码编写规范。教学重点：缩进，空格与空行，不同数据类型的选择对程序运行效率的影响7)     学会使用Python的帮助文档通过本章节的学习，学生可以：1)     了解 Python语言的背景2)     掌握 Python语言程序的结构3)     理解 Python语言程序设计的风格4)     学会并利用Python帮助文档解决开发中遇到的问题5)     规范代码编写，提升代码可读性，可维护性，可扩展性等。 第2章Python语言语法基础1)     Python语言基本类型介绍。 a)     列表。教学重点：列表对象的创建与删除，其他类型到列表的转换，内置range()，使用+运算符、append()方法、extend()方法、insert()方法为列表增加元素，使用del命令、pop()方法、remove()方法删除列表元素，使用下标访问列表元素，使用index()方法获取列表元素下标，使用count()方法获取列表元素出现次数，有序序列的双向索引，使用成员资格判断运算符in判断列表中是否存在指定元素，使用切片访问、修改、删除、增加列表元素，列表排序方法sort()与内置排序函数sorted()以及列表逆序方法reverse()与内置逆序函数reversed()，len()、max()、min()、sum()、zip()、enumerate()等内置函数对列表对象的操作，使用列表推导式快速生成列表。教学难点：自动内存管理，切片操作，列表推导式，排序方法的key参数b)   元组。教学重点：元组对象的创建与删除，其他类型到元组的转换，元组与列表的区别，生成器推导式。教学难点：元组与列表的区别，元组的不可变特点，生成器表达式与列表推导式的效率比较c)     字典。教学重点：字典对象的创建与删除，字典元素、键、值的访问方法，字典元素的添加与修改，使用字典对象的get()方法获取指定键对应的值，有序字典对象的使用，使用字典来计数，有序字典。教学难点：字典对象的get()方法，访问字典对象时可以使用键作为下标，字典对象的键必须为不可变对象。d)     集合。教学重点：集合对象的创建与删除，其他类型数据到集合的转换，使用add()方法为集合增加元素，使用pop()和remove()方法删除元素，使用clear()方法清空集合，集合的并、交、差以及对称差等运算，使用集合来提取序列中的唯一元素。教学难点：Python运算符的多重含义，集合运算2)     常量和变量在Python语言中的定义和使用3)     Python中运算符介绍。教学重点：同一个运算有不同含义，关系运算符和逻辑运算符的惰性求值特点4)     Python语言表达式介绍。5)     Python语言中关键字介绍6)     Python语言中类型转换与类型判断7)     相关内置函数功能介绍。教学重点：很多函数有基本用法和高级用法，注意这些函数的可选参数；理解函数式编程的模式。教学难点：函数式编程。通过本章节的学习，学生可以：1)     了解 Python 语言程序设计的基本语法2)     掌握编写Python语言程序的基本步骤和执行步骤3)     掌握Python中类型定义，运算符优先级应用，表达式如Lamda表达式的使用等4)     掌握Python中类型转换、类型判断以及相关的内置函数 第3章Python控制语句1)     选择结构语句。教学重点：单分支选择结构、双分支选择结构、多分支选择结构、选择结构的嵌套，条件表达式后必须有冒号且换行缩进后开始写代码块，elif关键字表达else if的意思。教学难点：缩进体现代码的业务逻辑。2)     循环结构语句。 教学重点：for循环、while循环，range对象在循环中的使用，成员测试符in与序列解包在循环语句中的使用，带有else子句的循环结构，循环代码的优化，break与continue语句的作用。教学难点：带有else子句的循环结构，循环代码的优化。3)     常用算法和应用实例通过本章节的学习，学生可以：1)     掌握python中选择结构if…else…的应用2)     掌握循环结构while,for等语法和应用3)     掌握Python中十大经典的排序算法第4章Python函数与模块1)     函数的定义和使用。教学重点：Python函数的定义形式，def关键字，不需要声明函数的参数类型和返回值类型，括号不可以省略，冒号必须有。函数嵌套定义。函数递归调用。2)     函数参数。 教学重点：形参与实参的概念，在函数内部直接修改形参不会影响实参。位置参数、默认值参数、关键参数和长度可变参数的用法。传递参数时的序列解包3)     变量作用域。教学重点：在函数内如果只引用某个变量的值而没有为其赋新值，该变量为（隐式的）全局变量；如果在函数内任意位置有为变量赋新值的操作，该变量即被认为是（隐式的）局部变量，除非在函数内显式地用关键字global进行声明。教学难点：局部作用域与全局作用域的区别，在函数内部定义全局变量的方法4)     生成器函数设计。教学重点：yield语句和return语句的区别，生成器对象的惰性求值特点。教学难点：生成器对象的惰性求值5)     lambda表达式。教学重点：使用lambda表达式声明匿名函数和命名函数，在lambda表达式中调用函数，把lambda表达式作为函数参数。教学难点：lambda表达式作为其他函数的参数6)    模块的定义。教学重点：使用import引入模块，常用的内置模块如：os，datetime等的使用，常用的第三方模块如：requests,Tkiner等的使用，以及自定义模块通过本章节的学习，学生可以：1)     掌握Python语言中函数的定义和使用2)     掌握Python语言中常用的模块以及自定义模块的使用3)     掌握Python中函数参数传递，定义和使用，掌握Lambda表达式的应用。4)     掌握Python中生成函数的定义和使用 第5章Python文件的使用1)     文件的访问、打开和读写。教学重点：文本文件与二进制文件的概念与访问方法的区别，文件对象，open()方法以及flush()、close()、read()、readline()、readlines()、tell()、write()、writelines()等常用方法，上下文管理语句with的优点与用法。教学难点：文件操作三步骤：打开文件、操作文件、关闭文件2)     目录、文件夹的操作。教学重点：通过os模块进行目录操作的相关函数，getcwd获取当前工作路径，listdir返回指定目录下的文件和目录信息，mkdir创建目录，rmdir删除目录，chdir改变目录等等。通过本部分的学习，使学生：1)     熟练掌握Python中操作文件，对文件进行打开、读写等的步骤。能实际应用到文件操作的实际场景中去。2)     掌握目录和文件夹的操作，会进行切换目录，创建、删除目录等操作。 第6章面向对象程序设计1)     Python中类的定义和使用。教学重点：Python类的定义，class关键字，创建对象的方法，通过对象访问成员的方法2)     类的数据成员和成员方法。教学重点：私有成员与公有成员，数据成员与成员方法，类方法与静态方法，属性的定义与使用，混入机制3)     类的继承、多态和封装。教学重点：继承的作用与Python实现，多态的概念4)     特殊方法和运算符重载。教学重点：构造函数__init__()，析构函数__del__()，__add__()、__mul__()、__pow__()及其他Python类特殊方法与运算符的对应关系。教学难点：特殊方法与运算符及内置函数的对应关系通过本部分的学习，使学生：1)     熟练掌握Python中类的定义和使用，会自己定义类，进行类的函数引用和调用。2)     能熟练应用类的特性，如继承、多态和封装，对对象进行更合理的设计。提升程序的可维护性。3)     通过特殊方法和运算符重载的使用，实现构造对象的时候，自动通过特殊方法或运算符重载函数实现相关的初始化或析构收尾等功能。 第7章Python中字符串1)     字符串及其编码格式；教学重点：ASCII、UTF8、GBK的区别2)     转义字符与原始字符；教学重点：转义字符的用法，字符串前面加字母r的含义。3)     字符串格式化；教学重点：format()方法，格式化的字符串常量。4)     字符串常用操作；教学重点：使用find()、index()、count()等方法以及关键字in确定字符串中是否包含另一个字符串，使用split()、partition()方法对字符串进行切分，使用join()方法连接字符串，使用replace()、translate()对字符串进行“修改”，使用strip()方法删除字符串开始、结束或两侧的指定字符，使用lower()、upper()、capitalize()、title()、swapcase()等方法进行大小写转换，使用startswith()、endswith()方法测试字符串是否以另一个字符串开始或结束，使用center()、ljust()、rjust()等方法对字符串进行排版。通过本部分的学习，使学生：1)     了解字符串在Python中的常用编码格式，及编码转换2)     掌握常见的转义字符和原始字符区别和应用3)     掌握字符串的常用格式化方法的使用4)     掌握字符串的常用操作，查找、连接、切分、替换、大小写转换、判断排版等。 第8章正则表达式1)     正则表达式定义及语法。教学重点：正则表达式基本语法与扩展语法，常用正则表达式的写法。2)     使用模块re进行字符串的处理。教学重点：compile()、match()、search()、findall()、split()、sub()、escape()等re模块常用方法。3)     使用正则表达式对象处理字符串。教学重点：正则表达式对象方法的用法。4)     Match对象的使用。教学重点：match对象方法的用法。通过本部分的学习，使学生：1)     掌握正则表达式的语法，定义，会写正则表达式，会通过正则表达式进行判断，如：判断身份证合法性，手机号码合法性等等。2)     掌握正则表达式模块re的常用方法和使用。3)     掌握正则表达式对象处理字符串的常用方法4)     学习并掌握match对象的使用，通过match对象，将匹配的部分取出来进行进一步分析操作等等。 第9章游戏设计1)     Pygame游戏模块从入门到实践2)     基于PyGame的游戏设计3)     小游戏设计思路及参考案例（1、连连看  2、推箱子  3、两人麻将  4、单机版五子棋  5、网络五子棋  6、扫雷游戏  7、中国象棋  8、21点扑克游戏  9、华容道游戏）通过本部分的学习，使学生：1)     了解和掌握使用Python语句进行游戏开发的一般步骤，开发依赖模块的使用等。2)     掌握Pygame模块的使用，可以通过Pygame模块，进行简单小游戏的开发。3)     学习和了解小游戏的设计思路，参考相关的小游戏案例，可以自己组建团队，分工合作，开发和设计一款类似的小游戏。4)     熟悉团队开发的重要性，分工合作的必要性，团队配合和协调的重要性。 第10章企业实践之Python编程技巧1)     Python常用的编程技巧2)     Python应该避免的编程方式3)     Python编码中的性能技巧4)     18个Python高效编程技巧通过本部分的学习，使学生：1)     了解企业中应用Python进行编程时的常用技巧，陷阱等。2)     了解Python高性能编码的技巧，避免编写低性能的代码。3)     进一步提升同学们对Python语言的深度学习。课时建议：序号课 程 内 容学  时  数合计理论教学实践教学实训教学教学实习1Python语言介绍222Python语言语法基础5413Python控制语句——顺序结构、选择结构4314Python控制语句——循环结构5325函数及模块10826文件及目录4317面向对象程序设计10828字符串8629正则表达式64210游戏设计（可选）73411企业实践高效编程技巧321总计644618 教学过程与方法目标：建议在进行该课程的教学过程中，充分利用classroom平台的在线判题和授课能力，在讲完每个章节之后，通过在Python语言习题库中，根据该章节的知识点选择客观题（选择、判断、填空）等，进行选题出题，进行上课期间的随堂作业，在3~5分钟内，学生需要完成作业并提交，老师通过平台反馈的数据，及时了解学生对该章节知识点的掌握情况，对大部分学生都答错了的习题所对应的知识点，需要重点再讲解。 另外，可以通过Python语言习题库，根据知识点选择适量的在线编程题，作为作业下发给学生进行课后编程练习，通过学生提交的代码以及完成功能的正确率，对相关知识点进行重点讲解，通过课后编程题练习，也可以有效的提升学生的动手编程能力，这样就达到了不仅仅能掌握理论知识，还能动手将理论和实际相结合，提升学生的动手能力。在教学到第5章左右，可以结合classroom平台，给学生布置一些相对复杂的Python多模块项目型习题，扩展习题（如：使用Python进行爬虫操作、进行文件读写分析统计操作等等），培养学生项目开发的能力，以及团队合作精神。 考核要求：(1)考核包括，期末考核70%，平时30%(2)理论考核采用闭卷形式，时间100分钟(3)题型为填空、选择、程序设计(4)考试内容分配：基础60%，综合40%(5)试卷难度分配：基本内容60%，适中内容30%，难度内容10%(6)技能考核方式是上机操作，主要考核程序改错和编程，通过classroom平台完成作业的提交，在线编程等。 参考文献：《Python程序设计（第2版）》  董付国   清华大学出版社《Python程序设计开发宝典》  董付国  清华大学出版社

支持同一租户内老师之间分享自己创建的习题库和课程教学平台-课堂-创建作业添加习题时支持拖拽、批量拖拽功能习题描述支持富文本编辑器，可在习题描述中添加图片、上下角标、代码块等内容元素教学平台-课堂-代码预览，支持python3.7代码格式的运行教学平台-课堂-发布作业-发送给指定成员：支持按照姓名、学号、班级进行首字母正序和逆序排序

#化鲲为鹏，我有话说#尝试在华为云虚拟主机上安装python并学习，有小伙伴知道详细步骤吗？