不管你是待業(yè)還是失業(yè)，在這個(gè)被互聯(lián)網(wǎng)圍繞的時(shí)代里，選擇如何做python，就多了一項技能，還怕找不到工作？，還怕不好找工作？小編就來(lái)告訴你這個(gè)專(zhuān)業(yè)的優(yōu)勢到底體現在哪里：cmd下載python不好使怎么辦，如何做python 線(xiàn)性回歸案例分析，如何用iPad運行Python代碼？，成功轉行Python工程師，年薪30W+，經(jīng)驗總結都在這！??。

1.cmd下載python不好使怎么辦

貌似你的python安裝有問(wèn)題或路徑設置有問(wèn)題你的python.exe 怎么可能是在D根目錄？另外，可能你的python沒(méi)有完整安裝正常安裝 ，pip不會(huì )有問(wèn)題的建議：重新安裝python重新設置路徑若是win10,建議不要安裝exe應用，而是從應用商店安裝 ，我安裝了3.8

2.如何做python 線(xiàn)性回歸案例分析

用Python實(shí)現線(xiàn)性回歸的小例子數據來(lái)源于網(wǎng)絡(luò )爬蟲(chóng)，武漢市商品房?jì)r(jià)格為因變量和幾個(gè)相關(guān)關(guān)鍵詞的百度指數的搜索量為自變量。由于本文的自變量有98個(gè)，首先進(jìn)行自變量的選擇，先是通過(guò)相關(guān)系數矩陣篩選掉不相關(guān)的變量，根據Pearson相關(guān)系數矩陣進(jìn)行變量的選取，一般選取相關(guān)系數的值大于0.3的變量進(jìn)行回歸分析，由于本文的變量較多，先進(jìn)行手動(dòng)篩選然后利用相關(guān)系數進(jìn)行選取，本文選取相關(guān)系數大于0.55的變量進(jìn)行回歸分析。經(jīng)過(guò)相關(guān)系數的分析選取8個(gè)變量進(jìn)行下一步的分析，分析的Python代碼如下：# -*- coding: utf-8 -*-#### Required sysreload(sys)sys.('utf-8')import .pyplot as pltimport numpy as npimport pandas as pdimport .api as smdata = pd.read_csv('Hdata.csv')print = np.array(data)######相關(guān)性分析X = dataset[:,1:98]y = dataset[:,0]cor = np.corrcoef(dataset,rowvar=0)[:,0]######輸出相關(guān)矩陣的*列print cor#######篩選后的數據讀取data1 = pd.read_csv('H1data.csv')dataset1 = np.array(data)######篩選后的變量######X1 = dataset1[:,1:8]Y1 = dataset1[:,0]est = sm.OLS(Y1,X1).fit()print est.summary()貼出線(xiàn)性回歸的結果如下：OLS               =============================================================Dep. Variable:           y  R-squared:            0.978Model:              OLS  Adj. R-squared:         0.974Method:         Least Squares F-statistic:          287.5Date:        Sat, 08 Apr 2021  Prob (F-statistic):      9.35e-36Time:            15:15:14  Log-:        -442.82No. :         53  AIC:               899.6Df Residuals:           46  BIC:               913.4Df Model:              7                   Type:      nonrobust                    =============================================================        coef  std err     t   P>|t|   [95.0% Conf. Int.]-----------------------------------------------------------------------x1      -0.3691   0.494  -0.747   0.0459    -1.364   0.626x2       0.3249   0.353   0.920   0.0362    -0.386   1.036x3       1.0987   0.837   1.312   0.0196    -0.587   2.784x4       0.7613   0.790   0.964   0.0340    -0.829   2.351x5      -1.5766   1.099  -1.435   0.0158    -3.789   0.636x6      -0.1572   1.077  -0.146   0.0885    -2.325   2.011x7       3.2003   1.603   1.997   0.052    -0.026   6.427=============================================================Omnibus:            0.413  Durbin-Watson:          1.748Prob(Omnibus):         0.814  Jarque-Bera (JB):        0.100Skew:              0.097  Prob(JB):            0.:            3.089  Cond. No.             95.5=============================================================從回歸分析的結果可以看出來(lái)，模型的擬合優(yōu)度R-squared=0.978，說(shuō)明模型的擬合效果很好，據其大小對擬合效果的優(yōu)劣性進(jìn)行判定。對模型整體的顯著(zhù)性可以通過(guò)F統計量來(lái)看，結果顯示的F統計量對應的P值顯著(zhù)小于0.05（0.05是顯著(zhù)性水平,也可以選取0.01），說(shuō)明模型整體是顯著(zhù)的，它的顯著(zhù)性說(shuō)明被解釋變量能不能由這些解釋變量進(jìn)行解釋?zhuān)現檢驗是對整體的檢驗，F檢驗的通過(guò)不代表每一個(gè)解釋變量是顯著(zhù)的。對每一個(gè)變量的顯著(zhù)性要看t檢驗統計量的值，t檢驗統計量對應的P值小于0.05（0.01或者0.1也行，具體看情況分析，一般選取0.05）視為是顯著(zhù)的，從結果可以看出，X6和X7的變量的p是大于0.05的，也就是這兩個(gè)變量對被解釋變量的影響是不顯著(zhù)的要剔除。但是如果你只是關(guān)心預測的問(wèn)題那么可以不剔除。但是如果有研究解釋變量對被解釋變量的影響的程度的，要做進(jìn)一步的研究。接下來(lái)看DW的值，DW的值為1.748，說(shuō)明模型不存在自相關(guān)性?？碕B檢驗統計量的值，JB檢驗統計量是對正態(tài)性的假設進(jìn)行檢驗的，JB的值對應的p值為0.951顯著(zhù)大于0.05，可以認為模型滿(mǎn)足正態(tài)性的假設的。

3.如何用iPad運行Python代碼？

其實(shí)，不只是iPad，手機也可以。痛點(diǎn)我組織過(guò)幾次線(xiàn)下編程工作坊，帶著(zhù)同學(xué)們用Python處理數據科學(xué)問(wèn)題。其中最讓人頭疼的，就是運行環(huán)境的安裝。實(shí)事求是地講，參加工作坊之前，我已經(jīng)做了認真準備。例如集成環(huán)境，選用了對用戶(hù)很友好的Anaconda。代碼在我的Macbook電腦上跑，沒(méi)有問(wèn)題。還拿到學(xué)生的Windows 7上跑，也沒(méi)有問(wèn)題。這才上傳到了Github。在發(fā)布的教程文章里，我也已經(jīng)把安裝軟件包的說(shuō)明寫(xiě)得非常詳細。還針對 Anaconda 這一 Python 運行環(huán)境的安裝和運行，專(zhuān)門(mén)錄制了視頻。但是，工作坊現場(chǎng)遇見(jiàn)的問(wèn)題，依然五花八門(mén)。有的是操作系統。例如你可能用Windows 10。實(shí)話(huà)實(shí)說(shuō)，我確實(shí)沒(méi)用過(guò)。拿著(zhù)Surface端詳，連安裝后的Anaconda文件夾都找不到在哪兒。有的是編碼。不同操作系統，有的默認中文編碼是UTF-8，有的是GBK。同樣一段中文文本，我這里顯示一切正常，你那里就是亂碼。有的是套件路徑。來(lái)參加工作坊前，你可能看過(guò)我一些教程，并安裝了 Python 2.7 版本 Anaconda。來(lái)到現場(chǎng)，一看需要 Python 3.6 版本，你就又安裝了一份新的。結果執行起來(lái)，你根本分不清運行的 Python, pip 命令來(lái)自哪一個(gè)套件，更搞不清楚軟件包究竟安裝到哪里去了。再加上虛擬環(huán)境配置，你就要抓狂了。還有的，甚至是網(wǎng)絡(luò )擁塞問(wèn)題。因為有時(shí)需要現場(chǎng)安裝調用體積龐大的軟件包，幾十臺電腦“預備——齊”一起爭搶有限的Wifi帶寬，后果可想而知。痛定思痛，我決定改變一下現狀。目前的教程只提供基礎源代碼。對于許多新手同學(xué)來(lái)說(shuō)，是不夠的。許多同學(xué)，就倒在了安裝依賴(lài)軟件包的路上，繼而干脆放棄了。變通的辦法有許多。例如干脆錄制代碼執行視頻給你看。但是正如我在《MOOC教學(xué)，什么最重要？》一文中說(shuō)過(guò)的，學(xué)習過(guò)程里，反饋最重要。你需要能運行代碼，并且*時(shí)間獲得結果反饋。在此基礎上，你還得能修改代碼，對比前后執行結果的差別。我得給你提供一個(gè)直接可以運行的環(huán)境。零安裝，自然也就沒(méi)了上述煩惱。這個(gè)事兒可能嗎？我研究了一下，沒(méi)問(wèn)題。只要你的設備上有個(gè)現代化瀏覽器（包括但不限于Google Chrome, Firefox, Safari和Microsoft Edge等）就行。IE 8.0？那個(gè)不行，趕緊升級吧！讀到這里，你應該想明白了。因為只挑瀏覽器，不挑操作系統，所以別說(shuō)你用Windows 10，你就是用iPad，都能運行代碼。嘗試請你打開(kāi)瀏覽器，輸入這個(gè)鏈接（ Jupyter Lab。你可以將它理解為 Jupyter Notebook 的增強版，它具備以下特征：代碼單元直接鼠標拖動(dòng)；一個(gè)瀏覽器標簽，可打開(kāi)多個(gè)Notebook，而且分別使用不同的Kernel；提供實(shí)時(shí)渲染的Markdown編輯器；完整的文件瀏覽器；CSV數據文件快速瀏覽……圖中左側分欄，是工作目錄下的全部文件。右側打開(kāi)的，是咱們要使用的ipynb文件。為了證明這不是逗你玩兒，請你點(diǎn)擊右側代碼上方工具欄的運行按鈕。點(diǎn)擊一下，就會(huì )運行出當前所在代碼單元的結果。不斷點(diǎn)擊下來(lái)，你可以看見(jiàn)，結果都被正常渲染。連圖像也能正常顯示。甚至連下面這種需要一定運算量的可視化結果，都沒(méi)問(wèn)題。為了證明這不是變魔術(shù)，你可以在新的單元格，寫(xiě)一行輸出語(yǔ)句。就讓Python輸出你的名字吧。假如你叫 Chuck，就這樣寫(xiě)：print("Hello, Chuck!") 把它替換成你自己的姓名，看看輸出結果是否正確？其實(shí)，又何止是iPad而已？你如果足夠勇(sang) 于(xin) 嘗(bing) 試(kuang)，手機其實(shí)也是可以的。就像這樣。流程下面我給你講講，這種效果是怎么做出來(lái)的。我們需要用到一款工具，叫做 mybinder 。它可以幫助我們，把 github 上的某個(gè)代碼倉庫（repo），快速轉換成為一個(gè)可運行的環(huán)境。注意 mybinder 為我們提供了云設施，也就是計算資源和存儲資源。因此即便許許多多的用戶(hù)同時(shí)在線(xiàn)使用同一份代碼轉換出來(lái)的環(huán)境，也不會(huì )互相沖突。我們先來(lái)看看，怎么準備一個(gè)可供 mybinder 順利轉換的代碼倉庫。我為你提供的樣例在這里（ Embedding）》。感興趣的同學(xué)可以點(diǎn)擊鏈接，查看原文。在該 GitHub 頁(yè)面展示的文件列表中，你需要注意以下3個(gè)文件：demo..其中demo.ipynb就是你在上一節看到的包含源代碼的Jupyter Notebook文件。你需要首先在本地安裝相關(guān)軟件包，并且運行測試通過(guò)。如果在你本地運行都有錯誤，放到云上去，想必也難以正常運行。.yml文件非常重要，它來(lái)告訴 mybinder ，需要如何為你的代碼運行準備環(huán)境。我們打開(kāi)看看該文件的內容：: - python=3 - pip: - spacy - ipykernel - scipy - numpy - scikit-learn - - pandas - thinc 這個(gè)文件首先告訴 mybinder ，你的 Python 版本。我們采用的是 3.6 版。所以只需要指定 python=3 即可。mybinder 會(huì )自動(dòng)為你下載安裝*的。然后這個(gè)文件說(shuō)明需要使用 pip 工具安裝哪些軟件包。我們需要把所有依賴(lài)的安裝包都羅列出來(lái)。這就是之前，我總在教程里給你說(shuō)明的那些準備步驟。但是這還沒(méi)有完，因為 mybinder 只是為你安裝好了一些軟件依賴(lài)。這里還有兩個(gè)步驟需要處理：為了分析語(yǔ)義，我們需要調用預訓練的Word2vec模型，這需要 mybinder 為我們提前下載好。Jupyter Notebook 打開(kāi)后，應當使用的 kernel 名稱(chēng)為 wangshuyi ，這個(gè) kernel 目前還沒(méi)有在 Jupyter 里面注冊。我們需要 mybinder 代勞。為了完成上述兩個(gè)步驟，你就需要準備*一個(gè)postBuild文件。它的內容如下：python -m spacy download en python -m spacy download en_core_web_lg python -m ipykernel install --user --name=wangshuyi 跟它的名字一樣。它是在 mybinder 依據 .yml 安裝了依賴(lài)組建后，依次執行的命令。如果你的代碼需要其他的命令提供環(huán)境支持，也可以放在這里。至此，你的準備工作就算結束了。魔法表演正式開(kāi)始。請打開(kāi) mybinder 的網(wǎng)址（ “GitHub repo or URL” 一欄，填寫(xiě)我們的 github 代碼倉庫鏈接，即： 我們希望一進(jìn)入界面，就自動(dòng)打開(kāi) demo.ipynb ，因此需要在“Path to a notebook file (optional)”一欄填寫(xiě)demo.ipynb 。這時(shí)，你會(huì )發(fā)現“Copy the URL below and share your Binder with others:”一欄中，出現了你的代碼運行環(huán)境網(wǎng)址。 點(diǎn)擊右側的“復制”按鈕保存到你的記事本里面。將來(lái)找到你轉換好的運行環(huán)境，就全靠它了。妥善保存地址后，點(diǎn)擊“Launch”按鈕。根據你的依賴(lài)安裝包數量等因素，你需要等待的時(shí)間長(cháng)短不一。但是只有*次構建的時(shí)候，需要花一些時(shí)間。以后每一次調用執行，就都會(huì )非?？炝?。構建完畢后， mybinder 會(huì )自動(dòng)為我們開(kāi)啟對應的運行環(huán)境。很有成就感吧！測試一下，能夠正常運行代碼，就證明我們成功了。但是你會(huì )發(fā)現，不對??！老師你剛才用 iPad 展示的，不是高級版的 Jupyter Lab 嗎？怎么又變成了 Jupyter Notebook 了？我也想要高級版！別著(zhù)急?？纯茨隳壳暗逆溄拥刂罚?你只需要做個(gè)小小的調整，將其中的：?filepath= 替換為：?urlpath=lab/tree/ 替換后的鏈接為： 把它輸入到瀏覽器，看看出來(lái)的結果：這下沒(méi)問(wèn)題了吧？原理你是不是覺(jué)得，mybinder 很黑科技？其實(shí)，也不算。它只是把已有的幾項技術(shù)，鏈接了起來(lái)。這大概也算是“積木式創(chuàng )新”的一個(gè)實(shí)例吧。我們看看 mybinder 的說(shuō)明：可以看到，其中最為關(guān)鍵的技術(shù)，是用了 docker 。Docker 是個(gè)什么東西呢？簡(jiǎn)單來(lái)說(shuō)，Docker 就是為了不同平臺上，都能夠順利執行同一份代碼的保障工具。你有些猶疑，這說(shuō)的不是 Java 嗎？沒(méi)錯，Java 的宣傳口號，就是一次編碼，各處運行。它利用虛擬機，來(lái)保障這種能力。但是，如果你經(jīng)常使用 Java 開(kāi)發(fā)出來(lái)的工具，就應該了解痛點(diǎn)有哪些了。至少，你應該對 Java 程序的運行速度，有一些體會(huì )。上圖中，左側是虛擬機，右側是Docker。Docker 不但效率上要強過(guò) Java 虛擬機，而且它支持的編程語(yǔ)言也不僅僅是一種。至于其他好處，咱們就不展開(kāi)了。否則聽(tīng)起來(lái)像廣告。其實(shí)，把 github 代碼倉庫轉換為 docker 鏡像（image）的工作，也不是 mybinder 自己來(lái)做的。它調用的，是另外的一個(gè)工具，叫做 （ 。而你的瀏覽器能夠執行 Python 代碼，是因為 Jupyter Notebook （或者Lab）本來(lái)就是建立在“瀏覽器/服務(wù)器”（Browser / Server, B/S）結構上。如果你已經(jīng)在本地計算機安裝過(guò) Anaconda ，那不妨看看本地執行這個(gè)語(yǔ)句：jupyter lab 會(huì )出現什么？對，它開(kāi)啟了一個(gè)服務(wù)器，然后打開(kāi)你的瀏覽器，跟這個(gè)服務(wù)器通訊。Jupyter 的這種設計，本身就讓它的擴展極為方便。無(wú)論 Jupyter 服務(wù)器是運行在你的本地筆記本上，還是擺在另一個(gè)大洲的機房，對你執行 Python 代碼來(lái)說(shuō)，都是沒(méi)有本質(zhì)區別的。另外，如果你以為 mybinder 只能讓你在瀏覽器上跑 Python 代碼，那就太小瞧它了。學(xué)過(guò) R 的同學(xué)，請點(diǎn)擊這個(gè)鏈接( mybinder ，把一個(gè) github repo 一鍵轉換成 Jupyter Lab 運行環(huán)境；如何在各種不同操作系統的瀏覽器上，運行該環(huán)境，編寫(xiě)、執行與修改代碼；mybinder 轉換 github repo 的幕后英雄 docker 簡(jiǎn)介。我希望你能想到的，不僅僅是這點(diǎn)兒簡(jiǎn)單的用途。提幾個(gè)問(wèn)題給你，作為思考題：如果代碼執行都在云端完成，教學(xué)實(shí)驗室機房還有沒(méi)有必要預裝一大堆軟件，且不定期更新維護？學(xué)校的編程練習、作業(yè)和考試有沒(méi)有可能通過(guò)這種方式，直接遠程進(jìn)行，并且自動(dòng)化評分？既然應用的技術(shù)都是開(kāi)源的，你有沒(méi)有可能利用這些開(kāi)源工具搞個(gè)創(chuàng )業(yè)項目。例如提供深度學(xué)習環(huán)境，租賃給科研機構與創(chuàng )業(yè)公司？期待你舉一反三，做出有趣又有意義的創(chuàng )新來(lái)。討論在 iPad 上運行 Python 代碼的感覺(jué)怎么樣？你用過(guò)類(lèi)似的產(chǎn)品嗎？你覺(jué)得有了這種技術(shù)，在日常工作和學(xué)習中，還可以有哪些有趣的應用場(chǎng)景？歡迎留言，把你的經(jīng)驗和思考分享給大家，我們一起交流討論。如果你對我的文章感興趣，歡迎點(diǎn)贊，并且微信關(guān)注和置頂我的公眾號“玉樹(shù)芝蘭”()。如果本文可能對你身邊的親友有幫助，也歡迎你把本文通過(guò)微博或朋友圈分享給他們。讓他們一起參與到我們的討論中來(lái)。延伸閱讀如何高效入門(mén)數據科學(xué)？

4.成功轉行Python工程師，年薪30W+，經(jīng)驗總結都在這！

這是給轉行做Python的小白的參考，無(wú)論是從零開(kāi)始，或者是轉行的朋友來(lái)說(shuō)，這都是值得一看的，也是可以作為一種借鑒吧。而且我決定轉行IT（互聯(lián)網(wǎng)）行業(yè)，其實(shí)理由也很簡(jiǎn)單，不用動(dòng)體力，大多數動(dòng)的是腦力工作，而且現在的互聯(lián)網(wǎng)趨勢很明顯。再者看到一些網(wǎng)上的招聘平臺，基本上每個(gè)行業(yè)都是需要這塊的，工資也都是很高的。于是我便開(kāi)始了自學(xué)之路，當時(shí)因為計算機基礎不是很好，可以說(shuō)特別的困難了，看了一些網(wǎng)上的教程學(xué)習，可以說(shuō)是拆東墻補西墻的做法，甚至有段時(shí)間居然想放棄了。不過(guò)我加了許多關(guān)于數據分析的群，認識蠻多朋友，他們都建議我學(xué)Python，只有打好這些基礎，才能慢慢循序漸進(jìn)的學(xué)習數據分析的內容，于是我便重拾信心，走上這條道。那段時(shí)間，我基本上是保持4-6小時(shí)的學(xué)習，上班有時(shí)候不忙也會(huì )抽空學(xué)習的，晚上一般就對著(zhù)電腦實(shí)操，不懂的話(huà)就問(wèn)那些大佬們。就這樣我就度過(guò)了幾個(gè)月，不過(guò)我掌握了不少技能了，SQL，Python，R。會(huì )一點(diǎn)簡(jiǎn)單的爬蟲(chóng)，懂點(diǎn)Linux。如果比起那些專(zhuān)業(yè)大佬來(lái)說(shuō)，我經(jīng)驗少一些，復雜的算法的話(huà)，需要花些時(shí)間琢磨。于是懷著(zhù)新世界的夢(mèng)想，我辭職了，一家家的面試，雖然有許多公司需要有經(jīng)驗的，但也是看人來(lái)，加上我又是轉行來(lái)的，所以碰壁是免不了的，不過(guò)我沒(méi)有放棄，結果得嘗所愿。我來(lái)到了一家互聯(lián)網(wǎng)公司上班，這里的辦公環(huán)境真的很不錯，薪資也比之前在物流公司高些，即使我是轉行新手都有6.5K的底薪，然后加上加班費，餐補、住宿補貼以及其他福利，整體折算下來(lái)薪酬都還過(guò)得去，而且還是雙休，不得不說(shuō)，我自己心里也是小開(kāi)心的?？隙ㄓ胁簧偃藛?wèn)，零基礎的小白如何學(xué)好Python？我自己也打算分享出來(lái)，作為一個(gè)轉行的人來(lái)說(shuō)，或者是正想轉行的人一些建議，和學(xué)習方法吧！既然選擇了數據分析的話(huà)，就一定要選擇好方向。學(xué)習python語(yǔ)言，并能用它來(lái)爬取數據做數據分析；使用python制作一些腳本工具，以幫助并提升工作效率。Python的應用方向，實(shí)在太廣了。在Python基礎知識學(xué)完之后，如果應用方向不同，要學(xué)習的東西也會(huì )大不同。我不能說(shuō)我要做web開(kāi)發(fā)，學(xué)完P(guān)ython基礎知識，跑去學(xué)numpy、pandas等知識；也不能說(shuō)我要用Python做數據分析，學(xué)完P(guān)ython基礎知識，然后就跑去學(xué)django、flask框架。我學(xué)習Python，問(wèn)了一些專(zhuān)業(yè)的人之后，才慢慢了解到Python在數據分析方面，基本涵蓋了“數據獲取→數據處理→數據分析→數據可視化”這個(gè)流程中每個(gè)環(huán)節，都是數據分析的利器。所以想學(xué)好Python選好方向很重要，而大部分新手對Python的方向并不了解，可能對有些分析也是看都看不懂，我的建議是找了解的人有經(jīng)驗的人帶你，如果說(shuō)你交好的朋友中有這部分人是*的，如果沒(méi)有耶不用擔心，去找對應的Python交流群就好，我當初就是進(jìn)入了好幾個(gè)Python交流群，不停的問(wèn)問(wèn)題，包括學(xué)習，包括方向，各種問(wèn)題都問(wèn)。 們*在掌握一些業(yè)界廣泛使用的開(kāi)源框架，比如twisted、peak、django、xml等。通過(guò)熟練使用它們，達到閃電開(kāi)發(fā)，大大節省項目寶貴時(shí)間。要學(xué)習Python其實(shí)不難，難的是堅持和相信自己，我的經(jīng)驗是既然已經(jīng)選定Python你就要相信它，相信它能成為你日后進(jìn)階的高效渠道，這樣自己才會(huì )更有信念去學(xué)習，才能在碰到困難的時(shí)候堅持下去。還有就是不要單打獨斗，要找一群有共同方向的人一起學(xué)習，群眾效應的效果是非常強大的，大家一起學(xué)習，一起打卡，會(huì )更有學(xué)習動(dòng)力，也更能堅持下去。

就拿大數據說(shuō)話(huà)，優(yōu)勢一目了然，從事IT行業(yè)，打開(kāi)IT行業(yè)的新大門(mén)，找到適合自己的培訓機構，進(jìn)行專(zhuān)業(yè)和系統的學(xué)習。