为机器学习设置Python环境可能是一项棘手的任务。如果您以前从未设置过类似的东西，那么您可能需要花费数小时来处理不同的命令，才能让它正常工作。但我们只是想要直接得到ML！

在本教程中，您将学习如何设置稳定的Python机器学习开发环境，您将能够直接进入ML，并且也不用再担心安装包的事情。

（1）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，我们将能够通过简单的pip install your_package安装Python包索引中索引的任何Python包。您很快就会看到我们如何使用它来设置我们的虚拟环境。

接下来，我们将从命令行运行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Python 3，我们必须记住每次都输入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：

别名python ='python3'

保存文件并重新加载更改：

source~ / .bashrc

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

（2）创建虚拟环境

现在我们将建立一个虚拟环境。在那里，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，您可能会遇到库版本冲突的问题。项目1的ML代码需要numpy的1.0版本，但是项目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〜/ .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虚拟环境：

mkvirtualenv ml

我们刚刚创建了一个名为ml的虚拟环境。要输入它，请执行以下操作：

workon ml

太好了！您在ml virtualenv中执行的任何库安装都将在那里被隔离，并且不会与任何其他环境冲突！因此，每当您希望运行依赖于mlenvironment中安装的库的代码时，请先使用workon命令进入，然后正常运行代码。

如果您需要退出virtualenv，请运行以下命令：

deactivate

（3）安装机器学习库

现在我们可以安装自己的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

这是一个简单的技巧，可以快速安装所有这些库！创建一个requirements.txt文件并列出您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

瞧！ Pip将继续并一次性安装文件中列出的所有软件包。

恭喜，您的环境已经建立，您已经可以进行机器学习了！

编译出品