包头不包尾

写代码开发的工作，做为一场战争的话，

写出来的代码，相当于士兵与武器

故，数据结构与算法是一名程序开发人员的必备的基本功，不是一

算法，就是让计算机把问题解决出来，计算的方法

算法是计算机处理信息的本质，因为计算机程序本质是一个算法来告诉计算机确切的步骤来执行一个指定的任务。

一般地，当算法在处理信息时，会从输入设备或数据的存储地址读取数据，把结果写入输出设备或某个存储地址供以后再调用

算法是独立存在的一种解决问题的方法与思想

对于算法而言，实现的语言并不重要，重要的是思想。

算法可以有不同的语言描述实现版本（如C描述，C++描述，python描述等），我们现在是在python语言进行描述实现

算法的五大特性：

输入：算法具有0个或多个输入

输出：算法至少有1个或多个输出

有穷性：算法在有限的步骤之后会自动结束而不会无限循环，并且每一个步骤可以在接受的时间内完成

确定性：算法中的每一步都有确定的含义，不会出现二义性

可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成

_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