用Python来编写机器学习方面的代码是相当简单的，因为Python下有很多关于机器学习的库。其中下面三个库numpy，scipy,matplotlib,scikit-learn是常用组合，分别是科学计算包，科学工具集，画图工具包,机器学习工具集。

numpy :主要用来做一些科学运算，主要是矩阵的运算。NumPy为Python带来了真正的多维数组功能，并且提供了丰富的函数库处理这些数组。它将常用的数学函数都进行数组化，使得这些数学函数能够直接对数组进行操作，将本来需要在Python级别进行的循环，放到C语言的运算中，明显地提高了程序的运算速度。

scipy：主要是一些科学工具集，信号处理工具集（如线性代数使用LAPACK库，快速傅立叶变换使用FFTPACK库）及数值计算的一些工具（常微分方程求解使用ODEPACK库，非线性方程组求解以及最小值求解等）。

scikit-learn：里面有很多机器学习相关的算法（如聚类算法，SVM等）。

Python安装完Numpy，SciPy和MatplotLib后，可以成为非常犀利的科研利器。网上关于这三个库的安装都写得非常不错，但是大部分人遇到的问题并不是如何安装，而是安装好后因为配置不当，在使用时总会出现import xxx error之类的错误。我也是自己摸索了很久才发现如何去正确配置的。下面就详细说下安装和配置的过程。

1.安装Python，这里选择2.7还是3.4都行，不过推荐使用2.7，毕竟现在的教程大部分还是基于2.7的，3.4跟2.7的语法还是略有不同，为了避免语法错误的麻烦，还是推荐大家使用2.7。下载地址为：https://www.python.org/downloads/

2.下载Numpy,SciPy,MatplotLib这三个库的exe，注意，这里用的是exe，因为MatplotLib的使用需要以Numpy的支持，所以最好先装NumPy再装MatplotLib。下载地址：

NumPy: http://sourceforge.net/projects/numpy/files/NumPy/1.9.2/
SciPy: http://sourceforge.net/projects/scipy/files/scipy/0.15.1/
MatPlotLib: http://matplotlib.org/downloads.html

其中NumPy和SciPy没有32和64位的区别，MatPlotLib需要根据自己的系统选择32位和64位的。再次提醒，这三个库一定都要下载对应版本的exe。下载完成后一次安装就是了，他们会自动找到你之前安装好的Python所在的路径的，一路Next到底就行了。

3.在第2步安装完成后，可以在MatPlotLib的Examples页面（http://matplotlib.org/examples/index.html）Copy代码运行，发现一定会出错。这里出的错，大体有三个：

1. ImportError: matplotlib requires dateutil
2. ImportError: matplotlib requires pyparsing
3. No module name six

4.解决No module name six问题，解决办法很简单。把你的安装路径:Python27/Lib/site-packages/scipy/lib中的six.py，six.pyc，six.pyo三个文件拷贝到 你的安装路径:Python27/Lib/site-packages，这个问题就解决了。如何还不行，请记住这个地址(非常重要)：http://www.lfd.uci.edu/~gohlke/pythonlibs/

然后下载这个文件：six"text-align: center">

5.解决ImportError: matplotlib requires dateutil问题，方法和第4步一样，下载python_dateutil"text-align: center">

6.解决ImportError: matplotlib requires pyparsing问题，还如同之前一样，下载pyparsing"text-align: center">

到此，所有的配置就完成了，可以愉快地使用MatPlotLib进行科学画图和计算了。另外提醒一句，Python2.7和Python3.4不要共存，共存的时候安装这几个库会出现莫名其妙地错误，怎么也对不了，推荐只是用Python2.7,。最后，附带一个来自MatPlotLib的画图代码：

from mpl_toolkits.mplot3d import axes3d
import matplotlib.pyplot as plt
from matplotlib import cm

fig = plt.figure()
ax = fig.gca(projection='3d')
X, Y, Z = axes3d.get_test_data(0.05)
ax.plot_surface(X, Y, Z, rstride=8, cstride=8, alpha=0.3)
cset = ax.contour(X, Y, Z, zdir='z', offset=-100, cmap=cm.coolwarm)
cset = ax.contour(X, Y, Z, zdir='x', offset=-40, cmap=cm.coolwarm)
cset = ax.contour(X, Y, Z, zdir='y', offset=40, cmap=cm.coolwarm)

ax.set_xlabel('X')
ax.set_xlim(-40, 40)
ax.set_ylabel('Y')
ax.set_ylim(-40, 40)
ax.set_zlabel('Z')
ax.set_zlim(-100, 100)

plt.show()

效果为：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。