开始之前先唠唠嗑

编程入门，有很多条路可以选择

可以学前端，学习html,css,js...

可以学桌面程序开发，写GUI程序，学C# ，VB，delphi 这种可视化拖拽控件的

可以学数据挖掘，数据分析，数据可视化，学python , R ，octave (matlab)

可以玩单片机，arduino，badusb,nodemcu,Iot

不推荐学，会掉头发的，有java(加班)，C++ (搓控制台程序，编译速度慢)，golang(同上，编译速度比C++快)，ruby(太卡)，perl(只有一个优点：控制文本，字符串)，lisp(括号爆炸，太劝退了)，PHP (有点过时)

偶尔可以玩玩的，D3.js (数据可视化)，P5.js (与processing类似，艺术编程)，love2d(用lua写横版游戏)，krkr和Nscripter(写文字游戏)，写bat或者脚本调用CLI ，写写爬虫

如果想进一步鼓捣，点满技能树的话，少年向全栈进军吧，学习PHP，nodejs ,rails , golang ,SQL .... (注：本人不想脱发，没研究后端的玩意儿)

强调：markdown是必会技能！！

因为python是很强的胶水语言，语法简洁，啥都能鼓捣，知名度高，玩的人多，生态良好，轮子贼多，趁着深度学习的热度爆火，等说不完的优点 (唯一缺点是，解释型语言，速度慢)

所以，如果能随时随地插上优盘敲python，便携，自定义自己的工具箱，那该多么省事多么惬意啊！ (省去每次安装程序装轮子配置环境的烦恼)

我把这套方法制作出的python工具箱命名为——pybox

pybox的制作方法有两种，一种是使用conda(优点：制作速度快，不会出现dll缺失 的问题；缺点：体积大，>1G)，一种是使用嵌入式python(优点：小；缺点：在运行环境缺失的系统上会出现dll缺失 的问题)

使用conda构建pybox

下载安装anaconda

换源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --set show_channel_urls yes

pybox

conda create -p D:pybox python jupyter scikit-learn pandas matplotlib seaborn bokeh Pillow flask scrapy scapy requests beautifulsoup4 

minibox

conda create -p D:minibox python scikit-learn matplotlib

激活环境

conda activate D:pyboxconda deactivate

pip安装库

安装requirements.txt依赖 pip install -r requirements.txt

pyzomyqrpygorithmjiebaWordCloud

pip install --upgrade 更新过期python第三方库 pip list --outdated #列出当前已安装的第三方库中所有过期的库

pip临时换源

pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple

使用嵌入式python制作pybox

难点：tk的配置

所需材料：

python安装包，获取tkinter

python-embed

一、安装pip

python37._pth 文件，把 #import site 这行的第一个字符 # 删掉，然后保存。

1、从 https://bootstrap.pypa.io/get-pip.py 下载 get-pip.py

2、用命令行执行：python get-pip.py

二、安装 tkinter

第一步：libkinter 文件夹 复制到embeddedpython37.zip 压缩包里

第二步：DLLs下 的 _tkinter.pyd tcl86t.dll tk86t.dll 复制到embedded

第三步：复制Tcl 文件夹到embedded

检测代码

from tkinter import *a=Tk()

库列表

pyzoPySimpleGUI scikit-learnmatplotlib

pyzo 报错 yoton

解决办法

把libsite-packagespyzo里的yoton和pyzokernel两个文件夹复制，粘贴到 Libsite-packages 下

常用库测试代码

Myqr 动态二维码库

from MyQR import myqrimport os​version, level, qr_name = myqr.run( words="http://suo.im/5P4NoF", # 可以是字符串，也可以是网址(前面要加http(s)://) version=1, # 设置容错率为最高 level='H', # 控制纠错水平，范围是L、M、Q、H，从左到右依次升高 picture="1.gif", # 将二维码和图片合成 colorized=True, # 彩色二维码 contrast=1.0, #用以调节图片的对比度，1.0 表示原始图片，更小的值表示更低对比度，更大反之。默认为1.0 brightness=1.0, #用来调节图片的亮度，其余用法和取值同上 save_name="out.gif", # 保存文件的名字，格式可以是jpg,png,bmp,gif save_dir=os.getcwd() #控制位置 )

matplotlib 绘图库

import numpy as npfrom matplotlibimport pyplot as plt# % fig = 使用pyplot模块快速将数据绘制成曲线图import matplotlib.pyplot as plt#❶x = np.linspace(0, 10, 1000)y = np.sin(x)z = np.cos(x * * 2)plt.figure(figsize = (8, 4))#❷plt.plot(x, y, label = "$sin(x)$", color = "red", linewidth = 2)#❸plt.plot(x, z, "b--", label = "$cos(x^2)$")#❹plt.xlabel("Time(s)")#❺plt.ylabel("Volt")plt.title("PyPlot First Example")plt.ylim(-1.2, 1.2)plt.legend()plt.show()

sklearn 机器学习

#!/usr/bin/env python# coding: utf-8​# ### 导入随面森林的相关库文件.from sklearn.ensemble import RandomForestClassifier # 导入随机森林的包# from sklearn.model_selection import train_test_split # 这个用于后台数据的分割from sklearn.preprocessing import StandardScaler # 数据的标准化import numpy as np​#导入iris数据# * Sepal.Length(花萼长度)，单位是cm;# * Sepal.Width(花萼宽度)，单位是cm;# * Petal.Length(花瓣长度)，单位是cm;# * Petal.Width(花瓣宽度)，单位是cm;# * 种类：Iris Setosa(山鸢尾)、Iris Versicolour(杂色鸢尾)，以及Iris Virginica(维吉尼亚鸢尾) 共三种​from sklearn import datasets # 导入iris自带数据库文件iris_data = datasets.load_iris()iris_feature = iris_data.data[:151:2]iris_target = iris_data.target[:151:2]​# 数据标准化scaler = StandardScaler() # 标准化转换# Compute the mean and std to be used for later scaling.scaler.fit(iris_feature) # 训练标准化对象print(type(iris_target))iris_feature = scaler.transform(iris_feature) # 转换数据集# feature_train, feature_test, target_train, target_test = train_test_split(traffic_feature, traffic_target,test_size=0.3, random_state=0)​# 数据训练clf = RandomForestClassifier()clf.fit(iris_feature, iris_target)# predict_results = clf.predict(feature_test)​# 数据为 0 号花test_feature = np.array([5.5,3.5,1.3,0.2]).reshape(1,-1) # 变为一个矩阵，是1行，n列，n值由最后的值来确定，所以这里采用-1print (test_feature)# scaler.fit(test_feature) # 训练标准化对象target_feature = scaler.transform(test_feature) # 转换数据集print (clf.predict(target_feature))

seaborn 绘图库

import seaborn as snsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltx = np.arange(8)y = np.array([1, 5, 3, 6, 2, 4, 5, 6])df = pd.DataFrame({ "x-axis": x, "y-axis": y})sns.barplot("x-axis", "y-axis", palette = "RdBu_r", data = df)plt.xticks(rotation = 90)plt.show()

bokeh 绘图库

from bokeh.plottingimport figure, output_file, showoutput_file("patch.html")p = figure(plot_width = 400, plot_height = 400)# add a patch renderer with an alpha an line widthp.patch([1, 2, 3, 4, 5], [6, 7, 8, 7, 3], alpha = 0.5, line_width = 2)show(p)

wordcloud 词云

import wordcloud​txt = "双木非林 田下有心 已近南冥 回顾空阔 偶有飞鸟栖于廊下 双双尽善 不知有谋者 赤喙碧身 颌下丰素如雪 食花果 即飞 数里皆有羽声 歌曰 于山于海 于水于滨 饮之以雨 炊之以薪 家中有女 马上无邻"font = r'C:WindowsFontssimfang.ttf'w = wordcloud.WordCloud(background_color="white", font_path=font)w.generate(txt)w.to_file("pywcloud.png")

tensorflow 深度学习库

import tensorflow as tfhello = tf.constant('Hello, TensorFlow!')sess = tf.Session()print(sess.run(hello))

pygame (2D游戏库)

import pygameimport syspygame.init()# 初始化pygamesize = width, height = 320, 240# 设置窗口大小screen = pygame.display.set_mode(size)# 显示窗口while True: #死循环确保窗口一直显示for event in pygame.event.get(): #遍历所有事件if event.type == pygame.QUIT: #如果单击关闭窗口， 则退出sys.exit()pygame.quit()# 退出pygame