数学建模竞赛准备之python环境篇_tensorflow数学建模

前言

最近正在准备国赛，之前试过在电脑上安装 tensorflow，但一直都不成功。然后看了一眼 pip 管理工具下一堆包，乱得一批，所以干脆直接打算捡一些比较重点的包装上，比较鸡肋的就不要了。

因为我这里用的是 Mac 系统的，和 windows 的语句可能不一定相同，但如果是用 Linux 应该没问题（因为 Mac 系统终端里的命令大多数和 Linux 一样）

升级 pip 包管理工具

在命令行中输入下命令（如果是最新版本这一步可略）：

python -m pip install --upgrade pip

卸载 pip 下管理的所有包

首先在命令行输入下命令，目的是将 pip 下管理所有的包信息写到一个文本文件中：

pip freeze > requirements.txt

再按照 所生成文本文件的信息将所有信息卸载：

pip uninstall -r requirements.txt

批量下载自己所需的包

首先先要定义 requirements.txt 文件，里面的格式是一个包的名字一行，依次往下排。分享一下我的：

numpy
pandas
pyecharts
matplotlib
seaborn
keras
tensorflow
sklearn
statsmodels
scipy
biopython

再安装所有：

pip uninstall -r requirements.txt

python 包推荐及介绍

• numpy

数据分析类，相当于 免费版的Matlab 矩阵功能以及其它一些少量的小算法。

• pandas

数据分析类，非常完美的表格操作，非常适合洗数据。

• pyecharts

数据可视化类，百度良心开源项目的echarts 的python 接口，功能非常强大，但缺点就是通常代码量会比较大，比较建议用来做地图（比 geopandas 安装方便一万倍）。

• matplotlib

数据可视化类，非常经典的数据可视化工具，功能很全面，代码量比 pyecharts 少，但图效果通常相对简单。

• seaborn

数据可视化类，基于 matplotlib 开发的可视化工具，它的特点是所有的零碎东西几乎都是设置成你想要的样子，而且做复杂图代码量相较 matplotlib 而言极少，且里面还包含了一些常用的算法最终一块可视化，亮点是甚至还能深度兼容 pandas 表格，强烈推荐！

• tensorflow

神经网络类，Google 的开源神经网络构建工具，在计算机界应该是相当出名，构建自由度极强，但缺点就是代码量比较大（自由度高的代价）。

• keras

神经网络类，基于 tensorflow 开发的神经网络构建工具，比 tensorflow 的代码量要少很多，对新手比较友好，竞赛期间比较推荐用这个包，省时间，代码量小。

• sklearn

机器学习类，功能十分强大，代码量短小精悍。基本上除神经网络外其他所有机器学习算法（包括回归、聚类、降维）总之基本上 Matlab 直接支持的那些机器学习算法，甚至还有部分 Matlab 不直接支持的算法（例如 t-SNE、MDS 等）都能以 5 行以内的代码量实现。

• scipy

数据科学、算法类，功能也是非常强大。包含特殊函数、统计学、微积分求解、拟合（基本所有拟合都能做）、线性规划、整数规划、数据结构算法等，甚至还可以做图片处理。