包头不包尾

_eq()_   比较对象值

python是非常适合做超大数的计算，而不会造成“整数溢出”，这也是pytthon特别适合科学运算的特点

1、整型

数字：加法，减法，乘法，浮点数除法，整数除法，模（取余），幂

2、浮点型

3、布尔型

4、字符串型

内置的数据类型

divmod(13,3)

python里面，是不支持常量的

堆与栈的本质，需要与java一起理解

python是动态类型语言

变量不需要显式声明类型，根据变量引用的对象，python解释器自动确定数据类型

每个对象，都是有类型的，只支持该类型支持的操作

1、ctrl +s 保存代码

2、“四个空格”表示一个缩进

目前，常用的编辑器一般设置成：tab制表符就是4个空格

写注释的习惯

python官方，有写代码的风格

开发环境，英文是IDE

Integrated Development Environment 集成开发环境

核心内容，都是python.exe的解释器

1、对于初学者，不要纠结是哪个开发环境，只要心理平静，都可以做到消化吸引

2、不同的IDE核心，都是Python.exe的解释器

IDIE

Pycharm

wingIDE

Eclipse

IPython

Python是一种解释型，面向对象的语言。

随着人工智能越来越热，python越来越热

python的特点：

1、可读性强：

2、简洁、简洁、简洁

     研究证明，程序号每天可编写的有效代码数是有限的。完成同样功能能只用一半的代码，其实就是提高了一倍的生产率。

     Python是由C语言开发，但是不再有C语言中指针等复杂数据类型，

Python的简洁性让开发难度和代码幅度降低，开发任务大大简化。程序号再也不需要关注复杂的语法，而是关注任务本身

程序员再也不需要关注复杂的语法，而是关注任务本身

1、java

编大多数的高级语音，是面向对象的

java与python都是跨平台的语言

python会被编译成与操作系统相关的二进制代码，然后再解释执行。这种方式和java类似，大大提高了执行速度，也实现了跨平台

java虚拟机，也是可以编译成与操作系统相关的二进制代码

6.丰富的库（丰富的标准库，多种多样的扩展库）

7.可扩展性。可嵌入到C到C++语言，

怎么理解为胶水式语言呢？？？？

python是怎么与C整合呢

什么时候不应该用Python

1、Python解释执行，性能较低

Python版本与兼容问题解决方案

Python3:

    2008年发布。Python3有个较大的提升，不兼容Python2.

所以学习从Python3开始，才是未来的主流。

使用C语言的解释器，效率最高。

goto(x,y)

circle( r ) 

penup()

pendown()

foward(distance)

left(angle)

开发环境：IDLE、pycharm……

官方：www.python.org

- 线性回归需要标准化

决策树的分类依据之一

信息增益

【分类模型的评估标准】

【准确率】

estimator.score()：一般最常见使用的是准确率，及预测结果正确的百分比

【混淆矩阵】

在分类任务下，预测结果和正确标记之间存在四种不同的组合，构成混淆矩阵（适用于多酚类）

【精确率】

预测结果为正例的样本中，真实为正例的比例（查得准）

【召回率】

真实为正例的样本中，预测结果为正例的比例（查的全，对正样本的区分能力）

【分类模型评估API】

sklearn.metrics.classification_report (y_true, y_predict,  target_names = None)

- y_true：真实目标值

- y_predict：估计器预测目标值

- target_names：目标类别名称

- return：每个类别精确率与召回率

朴素贝叶斯案例流程

1. 加载新闻数据，并进行分割

2. 生成文章特征词

3. 朴素贝叶斯流程进行预估

K近邻算法：相似的样本，特征之间的值应该都是相近的

k近邻算法：需要做标准化处理

【转换器】

fit_transform()：输入数据并直接转换

fit()：输入数据，但不做其他事

transform()：进行数据的转换

【估计器】是一类实现了算法的API

1. 用于分类的估计器：

-- sklearn.neighbors 

-- sklearn.naive_bayes

-- sklearn.linear_model.LogiscRegression

-- sklearn.tree

2. 用于回归的估计器

-- sklearn.linear_model.LinearRegression

-- sklearn.linear_model.Ridge 

估计器流程

1、调用训练集：fit(x_train, y_train)

2、输入待预测的测试集数据：

2.1、y_predict = predict( x_test)

2.2、验证预测的准确率：score( x_test, y_test)