1. Numpy、Pandas、SciPy、Scikit-Learn、Matplotlib的关系

2. 安装方法

2.1 下载anaconda

官方网站在国外，所以我们下载安装文件速度很慢。
推荐到清华镜像下载anaconda，网速很快。
清华大学开源软件镜像站：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

具体安装操作可以参考下面这个博客：
Google机器学习（一） 安装Anaconda以及Scikit-learn等必备库
https://blog.csdn.net/tz_zs/article/details/73459800)

对于没有安装过 NumPy、 SciPy等各种库的新手来说，最简单的方法是使用Anaconda软件（强烈推荐）
Anaconda软件中包含了Numpy、Scipy、pandas、Scikit-learn等常用的数据分析包。

2.2 配置anaconda仓库的镜像

清华大学开源软件镜像站提供了 Anaconda 仓库的镜像，貌似还就只有这一家

地址：http://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

打开Anaconda Prompt，输入以下命令即可添加

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

3. 学习资料

3.1. Python的学习资料

a.廖雪峰python学习笔记
https://blog.csdn.net/datawhale/article/category/7779959

b.python入门笔记
作者李金，这个是jupyter notebook文件，把python的主要语法演示了一次，值得推荐。下载链接:
https://pan.baidu.com/s/1IPZI5rygbIh5R5OuTHajzA 提取码: 2bzh

c.代码规范：
https://zhuanlan.zhihu.com/p/59763076

3.2. Numpy的学习资料

a. NumPy 教程 | 菜鸟教程
https://www.runoob.com/numpy/numpy-tutorial.html

b. numpy练习题：
https://zhuanlan.zhihu.com/p/57872490

c. 实战经验：from-python-to-numpy
http://www.labri.fr/perso/nrougier/from-python-to-numpy/

d. Numpy中文文档
https://www.numpy.org.cn/index.html

3.3. Pandas的学习资料

a. Pandas教程
https://www.yiibai.com/pandas

b. Pandas练习题：
https://zhuanlan.zhihu.com/p/56644669

c. Pandas官网：
http://pandas.pydata.org/

3.4. scikit-learn 的学习资料

a.sklearn库的学习:
https://blog.csdn.net/u014248127/article/details/78885180
推荐理由：用一篇文章讲清楚了整个sklearn库的概貌，主要包括：
（1）sklearn官方文档的类容和结构；
（2）从机器学习重要步骤出发讲清楚sklearn的使用方法。

b. scikit-learn (sklearn) 官方文档中文版
http://sklearn.apachecn.org/#/

c. 官方网站：
https://scikit-learn.org/stable/

3.5. Matplotlib的学习资料

a. 简单入门
有这5小段代码在手，轻松实现数据可视化（Python+Matplotlib）
http://baijiahao.baidu.com/s?id=1598516679213415904&wfr=spider&for=pc
这张地图能指引你根据不同情况选择正确的可视化方法：

b. 对Numpy格式的数据进行可视化
https://www.runoob.com/numpy/numpy-matplotlib.html

c. Matplotlib的详细实例
中文版本：https://liam.page/2014/09/11/matplotlib-tutorial-zh-cn/
英文版本：https://github.com/rougier/matplotlib-tutorial

d. Ten Simple Rules for Better Figures
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1003833

4.学习路径

4.1 确定学习目的–>搜索相关资源–>制定学习计划

4.2 制定学习路径的原则：

（1）自顶向下，以实现某个机器学习算法为目的。
（2）从简单的算法入手，从模仿前辈的代码入手。
（3）动手，动手，动手写代码。

4.3 我的学习计划

学习目的：Scikit-Learn 实现快速实现某个简单的机器学习算法。
例如：使用Scikit-Learn 实现《机器学习实战》中第二章的K近邻算法，并用Matplotlib进行数据可视化。
关于《机器学习实战》，可以参考如下博客：
https://blog.csdn.net/u014410989/article/details/89182869

步骤1. 搭建环境
下载软件、
安装软件、
配置环境、
下载文档、
下载示例代码

步骤2. 理解《机器学习实战》中给出的算法原理和Python程序

步骤3. 选择Scikit教程中一个类似的示例
阅读3.4.a.sklearn库的学习
找到K近邻算法的示例。

步骤4. 模仿Scikit示例和《机器学习实战》，使用Scikit-Learn 编写程序

步骤5. 使用Matplotlib进行数据可视化

步骤6. 尝试使用Scikit实现《机器学习实战》中的其它算法，例如决策树算法。

步骤7. 尝试3.5.a中的5种Matplotlib绘图方法

步骤8. 详细阅读 3.5.d Ten Simple Rules for Better Figures

步骤9. 快速浏览 3.2.a NumPy 教程 | 菜鸟教程，认真完成 3.2.b numpy练习题

步骤10. 参考3.1.b，在jupyter notebook中通过修改代码，掌握Python的主要语法