1.3 Python簡易教程
Python是一種非常簡單易學的解釋性語言。由于強大的開源庫支持（NumPy、Scipy、Matplotlib），其廣泛應用于科學計算中。如果你勵志成為一名數據科學家或數據“攻城獅”，那么Python就是你必須要學會的工具之一。接下來我們將簡短地介紹下Python、NumPy、Matplotlib的使用，如果你已經十分熟悉這些內容，可以輕松地跳過該章節，直接進入下一章節的學習。本章節教程內容主要參考于斯坦福大學cs228課程的Python教程，具體詳情可以使用下列網址查看：
https://github.com/kuleshov/cs228-material/blob/master/tutorials/python/cs228-python-tutorial.ipynb。
1.3.1 Anaconda搭建
Anaconda是開發Python最常用的開源平臺之一，已經為你安裝了Python中最常用的工具庫（NumPy、Matplotlib、Scipy、IPython等），使用起來非常方便，讀者可以訪問https://www.continuum.io/downloads/網址進行下載。本書的教程將使用Python2.7+版本，因此確保你下載的版本符合我們的要求。在本節中，將逐步學習以下內容。
- Python基本使用：基本數據類型（Containers、Lists、Dictionaries、Sets、Tuples），函數，類；
- NumPy：數組，數組索引，數據類型，數組運算，廣播；
- Matplotlib：Plotting，Subplots，Images。
1.3.2 IPython Notebook使用
IPython Notebook（現改名Jupyter Notebook）是一種基于Web技術的交互式計算文檔，使用瀏覽器作為客戶端進行交互，其頁面被保存為.ipynb的類JSON文件格式，是非常高效的教學演示工具。本書的教學教程主要就使用IPython Notebook進行分模塊演示。安裝Anaconda時，默認就安裝了IPython Notebook，讀者只需直接啟動即可。
- 啟動IPython Notebook
首先啟動Jupyter：如圖1-1所示，啟動dos窗口，將路徑轉換到文件：“第1章練習-numpy.ipynb”所在路徑，然后輸入jupyter notebook（或ipython notebook）命令，再按Enter鍵確認。這時，瀏覽器會自動啟動Jupyer。
圖1-1 啟動Jupyter Notebook命令行示意圖
1.3.3 Python基本用法
Python是一種面向對象的解釋型高級編程語言。很多時候，由于其代碼具有高可讀性，且只需要數行代碼就可以表達復雜的功能，使Python看起來簡直和偽代碼一樣。如下列代碼所示，為Python實現經典的快速排序算法例子。
1.3.3.1 基本數據類型
和大多數編程語言一樣，Python擁有一系列的基本數據類型，比如整型、浮點型、布爾型和字符串等。這些基本數據類型的使用方式和其他語言的使用方式類似。
- 整型和浮點型
- 布爾型
Python實現了所有的布爾邏輯，但使用的是英語單詞（and、or、not和xor），而不是我們習慣的操作符（&&和||等）。
- 字符串
也可以將字符串當作是一個對象，有很多的方法，如下列代碼所示。
如果想掌握更多關于字符串的應用與操作，有興趣的讀者可以訪問以下網址來進行學習：
https://docs.python.org/2/library/stdtypes.html#string-methods。
Python有4種容器類型：列表（Lists）、字典（Dictionaries）、集合（Sets）和元組（Tuples）。
1.3.3.2 列表（Lists）
在Python中，列表相當于數組，但是列表長度可變，且能包含不同類型元素。
如果想掌握更多關于列表的應用與操作，有興趣的讀者可以訪問以下網址來進行學習：
https://docs.python.org/2/tutorial/datastructures.html#more-on-lists。
- 切片（Slicing）
為了同時獲取列表中的多個元素，Python提供了一種簡潔的語法去訪問子列表，這就是切片。
- 循環（Loops）
可以按以下方式遍歷列表中的每一個元素。
如果想要在循環體內訪問每個元素的指針，可以使用內置的枚舉（enumerate）函數，注意：起始ID為0。
- 列表解析（List Comprehensions）
在編程的時候，我們常常要將列表中的每一元素使用特定的表達式進行轉換。下面是一個簡單例子，將列表中的每個元素轉換成它的平方。
也可以使用更簡單的列表解析（List Comprehension）。
列表解析也可以包含條件語句。
1.3.3.3 字典（Dictionaries）
字典用來存儲（鍵，值）對，其和Java中的Map差不多。字典的詳細用法可以訪問https://docs.python.org/2/library/stdtypes.html#dict網址來進行學習。
- 迭代字典
也可以使用iteritems方法進行迭代。
- 字典解析（Dictionary Comprehensions）
和列表解析類似，字典解析允許你輕松地構造字典，如下列代碼所示。
1.3.3.4 集合（Sets）
集合存放著無序的不同元素，在Python中，集合使用花括號表示，如果將一個序列轉換為集合，那么該序列的重復元素將會被剔除，并且原有的順序也將被打散。
- 集合循環
雖然集合中的循環語法和列表中的一樣，但由于集合是無序的，因此訪問集合元素的時候，不能做關于順序的假設。
- 集合解析（Set Comprehensions）
和字典、列表一樣，可以很方便地使用集合解析構建集合。
1.3.3.5 元組（Tuples）
元組是一個（不可改變）有序列表。元組和列表在很多方面都很相似，最大的區別在于元組可以像字典一樣使用鍵／值對，并且還可以作為集合中的元素，而列表不行。如下列代碼所示。
1.3.3.6 函數（Functions）
Python使用關鍵詞def來定義函數，如下列代碼所示。
也經常使用可選參數來定義函數，如下列代碼所示。
1.3.3.7 類（Classes）
在Python中，定義類的語法很直接，如下列代碼所示。
1.3.4 NumPy
NumPy是Python中用于科學計算的核心庫，其提供了高性能的多維數組對象及相關工具，其用法和MATLAB比較相似，具體詳情可以參考如下網址：
http://wiki.scipy.org/NumPy_for_Matlab_Users。
要使用NumPy，首先要導入numpy包：import numpy as np。
1.3.4.1 數組（Arrays）
NumPy中的數組是由相同數據類型組成的網格，可以通過非負整型的元組進行訪問，數組維度數量也被稱為數組的秩或階（rank），數組的形狀（shape）是一個由整數構成的元組，描述數組不同維度上的大小。我們可以從Python內嵌的列表中創建數組，然后利用方括號訪問其中的元素，如下列代碼所示。
NumPy同樣提供了大量的方法創建數組，如下列代碼所示。
- 數組索引
和Python列表類似，NumPy數組也可以使用切片語法，因為數組可以是多維的，所以必須為每個維度指定好切片，如下列代碼所示。
切取的子數組實際上是原數組的一份淺備份，因此修改子數組，原始數組也將受到修改，如下列代碼所示。
也可以混合整數索引以及切片索引訪問數組，但是這會生成一個秩少于原始數組的子數組。注意這和MATLAB處理的數組切片有些不同，NumPy有兩種數組切片方式，一是混合整數索引和切片，生成低秩子數組；二是僅使用切片，生成與原始數組同秩的子數組。
- 整型數組索引
當我們使用切片索引數組時，得到的總是原數組的子數組，而整型數組索引允許我們利用其他數組中的數據構建一個新的數組。如下列代碼所示。
整型數組索引的一個小技巧是從矩陣的每一行中選擇或改變元素，如下列代碼所示。
- 布爾型數組索引
布爾型索引可以任意挑選數組中的元素，這種類型索引頻繁地用于條件語句下的元素選取。如下列代碼所示。
- 數據類型（Data Types）
NumPy提供了大量的數據類型去構造數組，NumPy會嘗試猜測你創建的數組的數據類型，但構造函數的數組通常也可選擇顯式指明其數據類型。如下列代碼所示。
更多有關數據類型詳細的說明及其用法，有興趣的讀者可以訪問如下網址來進行學習：
http://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html。
1.3.4.2 數組運算
數組中基本的數學運算操作是按數組元素進行的，并且重載操作以及函數都可以使用，如下列代碼所示。
注意：和MATLAB不同，*在NumPy中是按元素乘，而在MATLAB中是矩陣乘。在NumPy中我們使用dot函數計算向量內積（點積）、矩陣乘矩陣及矩陣乘向量等操作。dot可以當作函數在NumPy中使用，也可作為數組對象的實例方法，如下列代碼所示。
NumPy還提供了許多有用的數組計算函數，其中最常用的是sum函數。
更多有關NumPy的數學函數的使用，感興趣的讀者可以參考如下網址來進行學習：
http://docs.scipy.org/doc/numpy/reference/routines.math.html。
除了使用數組進行數學計算，我們還頻繁地使用reshape或者其他方法操縱數組數據。例如要轉置一個矩陣，簡單地使用數組對象的T屬性即可，如下列代碼所示。
1.3.4.3 廣播（Broadcasting）
廣播提供了強大的機制，允許NumPy在不同形狀的數組中執行數學操作。我們經常會遇到小數組和大數組相乘的情況，比如圖片數據矩陣與權重矩陣。使用廣播機制可以提高代碼質量及運算效率。例如要在矩陣的每一行中都加上一個常數向量，可以按如下代碼進行操作。
這樣操作是可行的，但當矩陣X特別大時，在Python中計算顯式循環就將變得非常緩慢。其實將向量v加到矩陣X的每一行就相當于將向量v拷貝多次垂直堆疊成矩陣VV，然后對矩陣X與矩陣VV進行按元素求和操作，也可以實現同樣的結果，如下列代碼所示。
NumPy廣播機制允許我們在不創建多次向量v備份的情況下執行該計算，如下列代碼所示。
由于廣播機制的原因，即使X的形狀為(4,3)，v的形狀為(3,)，表達式y = x + v依然可以執行；這就好像將v拷貝重塑為(4,3)的矩陣，然后進行按元素相加。對兩個數組使用廣播機制要遵守下列規則。
1．如果數組的秩不同，將秩較小的數組進行擴展，直到兩個數組的尺寸長度都一樣。
2．如果兩個數組在某個維度上的長度是相同的，或者其中一個數組在該維度上的長度為1，那么我們就說這兩個數組在該維度上是相容的。
3．如果兩個數組在所有維度上都是相容的，它們就能使用廣播。
4．廣播之后，兩個數組的尺寸將和較大的數組尺寸一樣。
5．在任何一個維度上，如果一個數組的長度為1，另一個數組長度大于1，那么在該維度上，就好像是對第一個數組進行了復制。
如果感覺沒有解釋清楚，更多關于廣播的詳細說明文檔可以參考以下網址：
http://docs.scipy.org/doc/numpy/user/basics.broadcasting.html或者更具體的解釋可以訪問http://wiki.scipy.org/EricsBroadcastingDoc網址。
支持廣播機制的函數也被稱為通用函數（Universal Functions），可以訪問http://docs.scipy.org/doc/numpy/reference/ufuncs.html#available-ufuncs網址來查看所有的通用函數。以下是廣播的一些應用。
通過上面內容的介紹，發現廣播可以使代碼簡潔而高效，因此應該盡可能地使用廣播操作。以上僅僅是NumPy一些重要的用法，但其功能遠不只這些。詳細的文檔請參考網址：http://docs.scipy.org/doc/numpy/reference/。
1.3.5 Matplotlib
Matplotlib是一個繪圖工具庫。下面我們簡單地介紹下matplotlib.pyplot模塊，其用法和MATLAB相似。
- 繪制（Plotting）
Matplotlib最重要的函數就是繪制函數plot，使用plot函數可以繪制2D數據，如下列代碼所示，繪制好的圖形如圖1-2所示。
圖1-2 使用plot函數繪制圖形
添加標題、說明及坐標軸標記到圖表中，如下列代碼所示，繪制好的圖形如圖1-3所示。
圖1-3 添加標題、說明與坐標軸標記
- 子圖（Subplots）
還可以使用subplot函數在一幅圖中繪制不同的子圖，如下列代碼所示，繪制的子圖如圖1-4所示。
圖1-4 繪制子圖
更多關于Matplotlib的內容及其使用，感興趣的讀者可以訪問以下網址：http://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.subplot來進行學習。