Spyder怎么安裝使用

1. Spyder編輯器介紹

Spyder是一個強大的科學環境是用Python編寫編輯器，由科學家，工程師和數據分析師所設計。它具有一個綜合開發工具的高級編輯、分析、調試和概要分析功能與科學包的數據探索、交互執行、深度檢查和漂亮的可視化功能的獨特組合。此外，Spyder還內置集成了許多流行的科學軟件包，包括NumPy、SciPy、Pandas、IPython、QtConsole、Matplotlib、Sympy等等。

2. Spyder安裝

推薦使用anaconda進行安裝，安裝完成之后，直接點擊windows鍵輸入Spyder就可以打開軟件。

3. 測試代碼

新建一個test.py文件

# test

print("hello world")

a = 1
b = 2
c = a + b

運行程序，可以選中，點擊ctrl + return，會運行腳本。

「運行結果：」

4. 測試作圖

test.py增加畫圖代碼，anconda安裝好之后，像常用的pandas, numpy, matplotlib都可以直接使用，默認都已經安裝過了。

import matplotlib.pyplot as plt
import numpy as np
dat = np.random.rand(100)
plt.plot(dat)
plt.show()

點擊圖片，顯示圖片。

5. 做一個簡單的回歸分析

「代碼：」

# regression
import numpy as np
import pandas as pd
from statsmodels.formula.api import ols

np.random.seed(123)
x = np.random.random(100)
y = 0.3*x + np.random.random(100)

dd = pd.DataFrame({"x":x,"y":y})
dd.head()

model = ols("y~x",dd).fit()
print(model.summary())

「結果：」

 

6. 使用感想

功能類似Rstudio，但是不是一行一行執行的，而是按照腳本執行。有變量名，有圖片顯示，有幫助文檔，有文件路徑，功能非常全。

?  

這里，有一個感想，Spyder里面的代碼補全功能很強大，不用考慮一行一行的執行，代碼要成塊的寫。類似谷歌瀏覽器剛開始搜索直接在網址的地方，非常不習慣，想要找到類似瀏覽器搜索窗口的功能，一直沒有找到。導致我用火狐很久，因為火狐有相關設置。工作后，用了這么長時間谷歌瀏覽器，為它的簡潔和設計折服，瀏覽器就該這么使用！因為網址框的搜索設計非常友好，可以輸入網址，可以鍵入關鍵詞，自動匹配之前的記錄?，F在想起來，之前一心想找帶搜索框的功能，是因為自己的思維沒有打開，沒有想到那一層，以前可能真的是執念太深……。用R語言的習慣去套用python，用Rstudio的思路去套用Spyder，都會有這種問題，學習一個東西，就用最地道的方式學習吧！

?  

7. 一個簡單的機器學習示例

這是一個資料里面的數據和代碼，剛開始先鍵入別人的代碼，然后再自己鍵入代碼，真的是需要鍵入1萬行代碼后，才會熟悉python常用的方法，常用的格式，常用的套路。

「數據格式：」「數據描述：」這是一個工作經驗年份和薪資待遇的數據，一般來說，年份越多，薪資越高。

「分析思路：」這里使用機器學習的思路，將數據分為：參考群和候選群，或者叫“訓練群體”和“測試群體”，然后用回歸分析建模，然后對測試群體進行預測，查看預測的準確性。

# 簡單線性回歸分析

# 載入需要的包
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# 讀取數據
dataset = pd.read_csv('Salary_Data.csv')
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, -1].values

# 把數據分為訓練數據和測試數據，使用sklearn中的分割函數
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 1/3, random_state = 0)

# 載入回歸分析
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
re1 = regressor.fit(X_train, y_train)


# 根據模型對測試數據進行預測
y_pred = regressor.predict(X_test)

# 對訓練群體結果可視化
plt.scatter(X_train, y_train, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Salary vs Experience (Training set)')
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.show()

# 對測試數據的預測可視化
plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Salary vs Experience (Test set)')
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.show()

「結果：」