不管你是待業(yè)還是失業(yè)，在這個被互聯(lián)網(wǎng)圍繞的時代里，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？小編就來告訴你這個專業(yè)的優(yōu)勢到底體現(xiàn)在哪里：cmd下載python不好使怎么辦，如何做python 線性回歸案例分析，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安裝有問題或路徑設置有問題你的python.exe 怎么可能是在D根目錄？另外，可能你的python沒有完整安裝正常安裝 ，pip不會有問題的建議：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 線性回歸案例分析

用Python實現(xiàn)線性回歸的小例子數(shù)據(jù)來源于網(wǎng)絡爬蟲，武漢市商品房價格為因變量和幾個相關關鍵詞的百度指數(shù)的搜索量為自變量。由于本文的自變量有98個，首先進行自變量的選擇，先是通過相關系數(shù)矩陣篩選掉不相關的變量，根據(jù)Pearson相關系數(shù)矩陣進行變量的選取，一般選取相關系數(shù)的值大于0.3的變量進行回歸分析，由于本文的變量較多，先進行手動篩選然后利用相關系數(shù)進行選取，本文選取相關系數(shù)大于0.55的變量進行回歸分析。經(jīng)過相關系數(shù)的分析選取8個變量進行下一步的分析，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)######相關性分析X = dataset[:,1:98]y = dataset[:,0]cor = np.corrcoef(dataset,rowvar=0)[:,0]######輸出相關矩陣的*列print cor#######篩選后的數(shù)據(jù)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，模型的擬合優(yōu)度R-squared=0.978，說明模型的擬合效果很好，據(jù)其大小對擬合效果的優(yōu)劣性進行判定。對模型整體的顯著性可以通過F統(tǒng)計量來看，結果顯示的F統(tǒng)計量對應的P值顯著小于0.05（0.05是顯著性水平,也可以選取0.01），說明模型整體是顯著的，它的顯著性說明被解釋變量能不能由這些解釋變量進行解釋，F(xiàn)檢驗是對整體的檢驗，F(xiàn)檢驗的通過不代表每一個解釋變量是顯著的。對每一個變量的顯著性要看t檢驗統(tǒng)計量的值，t檢驗統(tǒng)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，也就是這兩個變量對被解釋變量的影響是不顯著的要剔除。但是如果你只是關心預測的問題那么可以不剔除。但是如果有研究解釋變量對被解釋變量的影響的程度的，要做進一步的研究。接下來看DW的值，DW的值為1.748，說明模型不存在自相關性。看JB檢驗統(tǒng)計量的值，JB檢驗統(tǒng)計量是對正態(tài)性的假設進行檢驗的，JB的值對應的p值為0.951顯著大于0.05，可以認為模型滿足正態(tài)性的假設的。

3.如何用iPad運行Python代碼？

其實，不只是iPad，手機也可以。痛點我組織過幾次線下編程工作坊，帶著同學們用Python處理數(shù)據(jù)科學問題。其中最讓人頭疼的，就是運行環(huán)境的安裝。實事求是地講，參加工作坊之前，我已經(jīng)做了認真準備。例如集成環(huán)境，選用了對用戶很友好的Anaconda。代碼在我的Macbook電腦上跑，沒有問題。還拿到學生的Windows 7上跑，也沒有問題。這才上傳到了Github。在發(fā)布的教程文章里，我也已經(jīng)把安裝軟件包的說明寫得非常詳細。還針對 Anaconda 這一 Python 運行環(huán)境的安裝和運行，專門錄制了視頻。但是，工作坊現(xiàn)場遇見的問題，依然五花八門。有的是操作系統(tǒng)。例如你可能用Windows 10。實話實說，我確實沒用過。拿著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(tǒng)，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。來參加工作坊前，你可能看過我一些教程，并安裝了 Python 2.7 版本 Anaconda。來到現(xiàn)場，一看需要 Python 3.6 版本，你就又安裝了一份新的。結果執(zhí)行起來，你根本分不清運行的 Python, pip 命令來自哪一個套件，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)絡擁塞問題。因為有時需要現(xiàn)場安裝調(diào)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(xiàn)狀。目前的教程只提供基礎源代碼。對于許多新手同學來說，是不夠的。許多同學，就倒在了安裝依賴軟件包的路上，繼而干脆放棄了。變通的辦法有許多。例如干脆錄制代碼執(zhí)行視頻給你看。但是正如我在《MOOC教學，什么最重要？》一文中說過的，學習過程里，反饋最重要。你需要能運行代碼，并且*時間獲得結果反饋。在此基礎上，你還得能修改代碼，對比前后執(zhí)行結果的差別。我得給你提供一個直接可以運行的環(huán)境。零安裝，自然也就沒了上述煩惱。這個事兒可能嗎？我研究了一下，沒問題。只要你的設備上有個現(xiàn)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(tǒng)，所以別說你用Windows 10，你就是用iPad，都能運行代碼。嘗試請你打開瀏覽器，輸入這個鏈接（ 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；一個瀏覽器標簽，可打開多個Notebook，而且分別使用不同的Kernel；提供實時渲染的Markdown編輯器；完整的文件瀏覽器；CSV數(shù)據(jù)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，請你點擊右側代碼上方工具欄的運行按鈕。點擊一下，就會運行出當前所在代碼單元的結果。不斷點擊下來，你可以看見，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，都沒問題。為了證明這不是變魔術，你可以在新的單元格，寫一行輸出語句。就讓Python輸出你的名字吧。假如你叫 Chuck，就這樣寫：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，又何止是iPad而已？你如果足夠勇(sang) 于(xin) 嘗(bing) 試(kuang)，手機其實也是可以的。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 上的某個代碼倉庫（repo），快速轉換成為一個可運行的環(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同時在線使用同一份代碼轉換出來的環(huán)境，也不會互相沖突。我們先來看看，怎么準備一個可供 mybinder 順利轉換的代碼倉庫。我為你提供的樣例在這里（ Embedding）》。感興趣的同學可以點擊鏈接，查看原文。在該 GitHub 頁面展示的文件列表中，你需要注意以下3個文件：demo..其中demo.ipynb就是你在上一節(jié)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軟件包，并且運行測試通過。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，它來告訴 mybinder ，需要如何為你的代碼運行準備環(huán)境。我們打開看看該文件的內(nèi)容：: - python=3 - pip: - spacy - ipykernel - scipy - numpy - scikit-learn - - pandas - thinc 這個文件首先告訴 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 會自動為你下載安裝*的。然后這個文件說明需要使用 pip 工具安裝哪些軟件包。我們需要把所有依賴的安裝包都羅列出來。這就是之前，我總在教程里給你說明的那些準備步驟。但是這還沒有完，因為 mybinder 只是為你安裝好了一些軟件依賴。這里還有兩個步驟需要處理：為了分析語義，我們需要調(diào)用預訓練的Word2vec模型，這需要 mybinder 為我們提前下載好。Jupyter Notebook 打開后，應當使用的 kernel 名稱為 wangshuyi ，這個 kernel 目前還沒有在 Jupyter 里面注冊。我們需要 mybinder 代勞。為了完成上述兩個步驟，你就需要準備*一個postBuild文件。它的內(nèi)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(jù) .yml 安裝了依賴組建后，依次執(zhí)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。魔法表演正式開始。請打開 mybinder 的網(wǎng)址（ “GitHub repo or URL” 一欄，填寫我們的 github 代碼倉庫鏈接，即： 我們希望一進入界面，就自動打開 demo.ipynb ，因此需要在“Path to a notebook file (optional)”一欄填寫demo.ipynb 。這時，你會發(fā)現(xiàn)“Copy the URL below and share your Binder with others:”一欄中，出現(xiàn)了你的代碼運行環(huán)境網(wǎng)址。 點擊右側的“復制”按鈕保存到你的記事本里面。將來找到你轉換好的運行環(huán)境，就全靠它了。妥善保存地址后，點擊“Launch”按鈕。根據(jù)你的依賴安裝包數(shù)量等因素，你需要等待的時間長短不一。但是只有*次構建的時候，需要花一些時間。以后每一次調(diào)用執(zhí)行，就都會非常快了。構建完畢后， mybinder 會自動為我們開啟對應的運行環(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。但是你會發(fā)現(xiàn)，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！別著急。看看你目前的鏈接地址： 你只需要做個小小的調(diào)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，看看出來的結果：這下沒問題了吧？原理你是不是覺得，mybinder 很黑科技？其實，也不算。它只是把已有的幾項技術，鏈接了起來。這大概也算是“積木式創(chuàng)新”的一個實例吧。我們看看 mybinder 的說明：可以看到，其中最為關鍵的技術，是用了 docker 。Docker 是個什么東西呢？簡單來說，Docker 就是為了不同平臺上，都能夠順利執(zhí)行同一份代碼的保障工具。你有些猶疑，這說的不是 Java 嗎？沒錯，Java 的宣傳口號，就是一次編碼，各處運行。它利用虛擬機，來保障這種能力。但是，如果你經(jīng)常使用 Java 開發(fā)出來的工具，就應該了解痛點有哪些了。至少，你應該對 Java 程序的運行速度，有一些體會。上圖中，左側是虛擬機，右側是Docker。Docker 不但效率上要強過 Java 虛擬機，而且它支持的編程語言也不僅僅是一種。至于其他好處，咱們就不展開了。否則聽起來像廣告。其實，把 github 代碼倉庫轉換為 docker 鏡像（image）的工作，也不是 mybinder 自己來做的。它調(diào)用的，是另外的一個工具，叫做 （ 。而你的瀏覽器能夠執(zhí)行 Python 代碼，是因為 Jupyter Notebook （或者Lab）本來就是建立在“瀏覽器/服務器”（Browser / Server, B/S）結構上。如果你已經(jīng)在本地計算機安裝過 Anaconda ，那不妨看看本地執(zhí)行這個語句：jupyter lab 會出現(xiàn)什么？對，它開啟了一個服務器，然后打開你的瀏覽器，跟這個服務器通訊。Jupyter 的這種設計，本身就讓它的擴展極為方便。無論 Jupyter 服務器是運行在你的本地筆記本上，還是擺在另一個大洲的機房，對你執(zhí)行 Python 代碼來說，都是沒有本質(zhì)區(qū)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。學過 R 的同學，請點擊這個鏈接( mybinder ，把一個 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(tǒng)的瀏覽器上，運行該環(huán)境，編寫、執(zhí)行與修改代碼；mybinder 轉換 github repo 的幕后英雄 docker 簡介。我希望你能想到的，不僅僅是這點兒簡單的用途。提幾個問題給你，作為思考題：如果代碼執(zhí)行都在云端完成，教學實驗室機房還有沒有必要預裝一大堆軟件，且不定期更新維護？學校的編程練習、作業(yè)和考試有沒有可能通過這種方式，直接遠程進行，并且自動化評分？既然應用的技術都是開源的，你有沒有可能利用這些開源工具搞個創(chuàng)業(yè)項目。例如提供深度學習環(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。討論在 iPad 上運行 Python 代碼的感覺怎么樣？你用過類似的產(chǎn)品嗎？你覺得有了這種技術，在日常工作和學習中，還可以有哪些有趣的應用場景？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，歡迎點贊，并且微信關注和置頂我的公眾號“玉樹芝蘭”()。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。延伸閱讀如何高效入門數(shù)據(jù)科學？

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，無論是從零開始，或者是轉行的朋友來說，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)，其實理由也很簡單，不用動體力，大多數(shù)動的是腦力工作，而且現(xiàn)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，基本上每個行業(yè)都是需要這塊的，工資也都是很高的。于是我便開始了自學之路，當時因為計算機基礎不是很好，可以說特別的困難了，看了一些網(wǎng)上的教程學習，可以說是拆東墻補西墻的做法，甚至有段時間居然想放棄了。不過我加了許多關于數(shù)據(jù)分析的群，認識蠻多朋友，他們都建議我學Python，只有打好這些基礎，才能慢慢循序漸進的學習數(shù)據(jù)分析的內(nèi)容，于是我便重拾信心，走上這條道。那段時間，我基本上是保持4-6小時的學習，上班有時候不忙也會抽空學習的，晚上一般就對著電腦實操，不懂的話就問那些大佬們。就這樣我就度過了幾個月，不過我掌握了不少技能了，SQL，Python，R。會一點簡單的爬蟲，懂點Linux。如果比起那些專業(yè)大佬來說，我經(jīng)驗少一些，復雜的算法的話，需要花些時間琢磨。于是懷著新世界的夢想，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，加上我又是轉行來的，所以碰壁是免不了的，不過我沒有放棄，結果得嘗所愿。我來到了一家互聯(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，整體折算下來薪酬都還過得去，而且還是雙休，不得不說，我自己心里也是小開心的?？隙ㄓ胁簧偃藛?，零基礎的小白如何學好Python？我自己也打算分享出來，作為一個轉行的人來說，或者是正想轉行的人一些建議，和學習方法吧！既然選擇了數(shù)據(jù)分析的話，就一定要選擇好方向。學習python語言，并能用它來爬取數(shù)據(jù)做數(shù)據(jù)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，實在太廣了。在Python基礎知識學完之后，如果應用方向不同，要學習的東西也會大不同。我不能說我要做web開發(fā)，學完Python基礎知識，跑去學numpy、pandas等知識；也不能說我要用Python做數(shù)據(jù)分析，學完Python基礎知識，然后就跑去學django、flask框架。我學習Python，問了一些專業(yè)的人之后，才慢慢了解到Python在數(shù)據(jù)分析方面，基本涵蓋了“數(shù)據(jù)獲取→數(shù)據(jù)處理→數(shù)據(jù)分析→數(shù)據(jù)可視化”這個流程中每個環(huán)節(jié)，都是數(shù)據(jù)分析的利器。所以想學好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，如果說你交好的朋友中有這部分人是*的，如果沒有耶不用擔心，去找對應的Python交流群就好，我當初就是進入了好幾個Python交流群，不停的問問題，包括學習，包括方向，各種問題都問。 們*在掌握一些業(yè)界廣泛使用的開源框架，比如twisted、peak、django、xml等。通過熟練使用它們，達到閃電開發(fā)，大大節(jié)省項目寶貴時間。要學習Python其實不難，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階的高效渠道，這樣自己才會更有信念去學習，才能在碰到困難的時候堅持下去。還有就是不要單打獨斗，要找一群有共同方向的人一起學習，群眾效應的效果是非常強大的，大家一起學習，一起打卡，會更有學習動力，也更能堅持下去。

就拿大數(shù)據(jù)說話，優(yōu)勢一目了然，從事IT行業(yè)，打開IT行業(yè)的新大門，找到適合自己的培訓機構，進行專業(yè)和系統(tǒng)的學習。