完全新手： windows64 bit 安装python2.7.11 和 scikit-learn

完全新手 windows 7 64位  安装python2.7.11和 scikit-learnpython包。如果你能顺利的连上python官网，那么不需要再看了。python2.7.11已经自带了包管理工具pip，直接更新和安装需要的包就好了。如果 使用pip直接安装总是显示超时，则自己动手：

1. 下载python-2.7.11.amd64.msi，假设安装到 D:\python
2. D:\python 和D:\python\Scripts 添加到系统环境变量 PATH 中，以便能在命令行使用 python 和 pip
   
3. 下载 pip-8.1.1.tar.gz。安装过程中可能会提示你更新pip，所以可以先装个新版本的pip，需要8.1.1的可以在此下载http://download.youkuaiyun.com/detail/u011736505/9492080点击打开链接。先将该文件解压，在cmd中进入该文件夹，输入python setup.py install
4. 在http://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载所需的包，分别是 numpy+mkl，scipy，scikit-learn和matplot 。下载的时候注意选择win_amd64 和 cp27 以对应安装的python版本2.7.*和对应的64位平台，否则会出现错误：is not a supported wheel 。假设将这些包都放在D:\pythonlib 文件夹中
5. 在cmd中进入D:\pythonlib
6. 先安装numpy+mkl 输入 pip isntall numpy-1.11.0+mkl-cp27-cp27m-win_amd64.whl
7. 再安装scipy  输入 pip install scipy-0.17.0-cp27-none-win_amd64.whl
8. 安装scikit-learn 输入 pip install scikit_learn-0.17.1-cp27-cp27m-win_amd64.whl
9. 可选：安装matplot 输入 pip install matplotlib-1.5.1-cp27-none-win_amd64.whl，该文件同样可以在4中的网址下载到。
10. 验证安装是否成功：在python 的shell中输入如下片段，能够输出鸢尾花的数据
11. 试试画图功能：

#测试数据导入：鸢尾花

from sklearn import datasets
iris = datasets.load_iris()
iris.data.shape
iris.target.shape
import numpy as np
np.unique(iris.target)
print(iris.data)

#测试plot功能，代码来源于网络，一个 Elastic Net 模型

<pre name="code" class="python">import sklearn.datasets 
import sklearn.linear_model 
import numpy.random 
import numpy.linalg 
import matplotlib.pyplot 

if __name__ == "__main__": 
# Load boston dataset 
    boston = sklearn.datasets.load_boston() 

# Split the dataset with sampleRatio 
sampleRatio = 0.5 
n_samples = len(boston.target) 
sampleBoundary = int(n_samples * sampleRatio) 

# Shuffle the whole data 
shuffleIdx = range(n_samples) 
numpy.random.shuffle(shuffleIdx) 


# Make the training data 
train_features = boston.data[shuffleIdx[:sampleBoundary]] 
train_targets = boston.target[shuffleIdx [:sampleBoundary]] 

# Make the testing data 
test_features = boston.data[shuffleIdx[sampleBoundary:]] 
test_targets = boston.target[shuffleIdx[sampleBoundary:]] 

# Train 
elasticNet = sklearn.linear_model.ElasticNetCV(alphas=[0.01, 0.05, 0.1, 0.5, 1.0, 10.0], l1_ratio=[0.1,0.3,0.5,0.7,0.9]) 

elasticNet.fit(train_features, train_targets) 
print "Alpha = ", elasticNet.alpha_ 
print "L1 Ratio = ", elasticNet.l1_ratio_ 
# Predict 
predict_targets = elasticNet.predict(test_features) 

# Evaluation 
n_test_samples = len(test_targets) 
X = range(n_test_samples) 
error = numpy.linalg.norm(predict_targets - test_targets, ord = 1) / n_test_samples 
print "Elastic Net (Boston) Error: %.2f" %(error) 
# Draw 

matplotlib.pyplot.plot(X, predict_targets, 'r--', label = 'Predict Price') 
matplotlib.pyplot.plot(X, test_targets, 'g:', label='True Price') 
legend = matplotlib.pyplot.legend() 
matplotlib.pyplot.title("Elastic Net (Boston)") 
matplotlib.pyplot.ylabel("Price (1000 U.S.D)") 
matplotlib.pyplot.savefig("Elastic Net (Boston).png", format='png') 
matplotlib.pyplot.show() 

#如果成功的话，将看到下图。