准备工作当然就是部署环境，首先，python目前还属于一个2.x到3.x的过渡阶段，所以现在是即有一部分资料是2.x的，又有一部分是3.x的，到底选哪个版本呢，我个人推荐3.x，如果是几年前，我可能还会犹豫是不是用2.x的版本，因为很多重要的模块还不兼容3.x，现在已经基本没这个问题了，3.x毕竟是未来的趋势，既然不妨碍使用，就果断选择新版本，而且我们做数据挖掘的时候经常面临中文的问题，毕竟这是在中国，给大家看一下交互环境下中文的显示，你们就明白3.x的优势了：

先看一下2.7的：

再看一下3.6的：

相信大家不会愿意自己的中文数组在显示的时候都是各种编码，还得一个个print出来看。

好，版本确定了，接下来就是集成环境和ide，ide的话我试过enthought canopy，pycharm，eclipse，用下来感觉pycharm最好看，所以平时都是pycharm，但是对django项目的支持不是很好，比如数据结构的迁移同步这些操作没有现成的功能（有可能有，只是我没发现而已），所以有时候搞django项目的时候用eclipse，总体来说这几个ide都还行啦，毕竟不是那么挑剔。

还有一个是集成环境，这个非常重要，不是说非得装的时候就自带那些包，毕竟pip install很方便了，而是这里有一个可能有些同学不知道的东西，叫线性加速库，比较出名的有mkl、openblas、atlas，多核cpu的情况下这些包能极大的提升矩阵运算的速度，比如最常见的矩阵点乘，装了加速库和没装运行速度差个7-8倍估计得有，而大多数机器学习迭代运算的时候都是矩阵运算，所以线性加速库的重要性不言而喻，这几个线性加速库不太好装，所以为了避免各种试验改配置，最好是有个集成环境能一键把这事干了，这才是我们想要的，所以如果是直接裸装的python，在装numpy和scipy的时候记得把线性加速库给装了并配置上，这里推荐anaconda3

看起来anaconda3的numpy.dot没有经过加速（numpy.dot.__module__是multiarray的就不是用这些加速库编译的），看官方文档也说要收费才可以，但是经过实际测试，发现它是实现了加速效果的，看macos自带的python27，numpy是blas编译的：

再看一下anaconda3的python3.6表现如何：

表现比blas加速的还要略好，所以这就是为什么我坚信anaconda3的numpy是mkl加速包编译过的，这里注意3.x的print一定呀加括号。

再大致讲一下python的运行环境，python的使用非常随意，一种是像我上面那样，在终端直接进入python交互环境，这里推荐ipython，其中好处自己可以体会，二种是在ide中执行，自由度不如ipython，三种是直接用命令执行.py文件，这种主要用在工程部署上。

最后，再说一下，真的有空去锻炼一下英语阅读能力，各种文档，报错，算法模块里的注释都是英文的， 看不懂英文学到后面事倍功半～