生物信息学的日常就是利用五花八门的工具和各种各样的数据打交道，很多时候需要在命令行安装软件或者包。我相信每一个生信人都碰到过安装软件或包时无法解决依赖的囧况，安装软件或者包，听起来是一件很简单的一件事，实际情况却不是如此。比如说编译时碰到系统lib不存在或版本太低，安装一个python/R包却需要升级当前的python/R,而这又会导致之前安装好的包不能使用。今天给大家介绍一下跨平台包管理神器Anaconda，学习一下它在Linux下的正确使用姿势。
这5年中，数据分析又发生了很大的变化。尤其是眼见着OpenAI的GPT横扫技术领域，让以往一切模型方法看起来都像“小孩子的游戏”一样。大模型成为了海量信息和有效信息之间的新桥梁，而上一座桥梁是以谷歌的PageRank为代表的搜索算法。幸好，因为数据分析是直接跟数据打交道，并且要根据数据生成决策，这方面是人的强项，暂时不会受到影响。
Python易用，但用好却不易，其中比较头疼的就是包管理和Python不同版本的问题，特别是当你使用Windows的时候。为了解决这些问题，有不少发行版的Python，比如WinPython、Anaconda等，这些发行版将python和许多常用的package打包，方便pythoners直接使用，此外，还有virtualenv、pyenv等工具管理虚拟环境。
2017/10/25 ImportError: No module named ‘h5py’ h5py文件是存放两类对象的容器，数据集(dataset)和组(group) ImportError: N
最近要对一系列数据做同比比较，需要用到numpy和pandas来计算，不过使用python安装numpy和pandas因为linux环境没有外网遇到了很多问题就记下来了。 首要条件，python版本必须是2.7以上。 linux首先安装依赖包 yum -y install blas blas-devel lapack-devel lapack yum -y install seaborn scipy yum -y install freetype freetype-devel libpng libpng-d
用过一段时间的caffe后，对caffe有两点感受：1、速度确实快; 2、 太不灵活了。
下载本书：http://www.jianshu.com/p/fad9e41c1a42（更新为GitHub链接） 下载本书代码：https://github.com/wesm/pydata-book（建议把代码下载下来之后，安装好Anaconda 3.6，在目录文件夹中用Jupyter notebook打开） ---- 本书是2017年10月20号正式出版的，和第1版的不同之处有： 包括Python教程内的所有代码升级为Python 3.6（第1版使用的是Python 2.7） 更新了Anaconda和
大多数小伙伴在第一次接触 python 的时候都会被它强大的包所吸引，想要写一个网站可以使用 Django ，想要做数学运算就想到了 Numpy ，想做数据分析可以用 Pandas 等等
在上一期的内容中，我带大家完成了Linux子系统的安装，今天我们就要开始在Linux子系统上安装LDSC了，这也是一个很大的坑！！！
anaconda # 创建一个名为python34的环境，指定Python版本是3.4（不用管是3.4.x，conda会为我们自动寻找3.4.x中的最新版本） conda create --name python34 python=3.4 # 安装好后，使用activate激活某个环境 activate python34 # for Windows source activate python34 # for Linux & Mac # 激活后，会发现terminal输入的地方多了python34的字样
众所周知Python常用的版本有2.x和3.x，常常会引起版本问题。由于我在Linux系统中已经安装有Python3.x和对应的TensorFlow，现在遇到需要跑在Python2.x下的TensorFlow工程时，就很麻烦，因此可以用Anaconda来建立一个独立的小环境来另外安装Python2.x及其对应的TensorFlow来跑这个工程。
官网下载：https://docs.conda.io/en/latest/miniconda.htmlhttps://conda.io/miniconda.html
序 Python易用，但用好却不易，其中比较头疼的就是包管理和Python不同版本的问题，特别是当你使用Windows的时候。为了解决这些问题，有不少发行版的Python，比如WinPython、Anaconda等，这些发行版将python和许多常用的package打包，方便pythoners直接使用，此外，还有virtualenv、pyenv等工具管理虚拟环境。 个人尝试了很多类似的发行版，最终选择了Anaconda，因为其强大而方便的包管理与环境管理的功能。该文主要介绍下Anaconda，对Anacon
Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。Anaconda利用工具/命令conda来进行package和environment的管理，并且已经包含了Python和相关的配套工具。所以conda 是开源包（packages）和虚拟环境（environment）的管理系统。
一. 安装pandas 1. Anaconda 安装pandas、Python和SciPy最简单的方式是用Anaconda。Anaconda是关于Python数据分析和科学计算的分发包。 2. Miniconda 使用Anaconda会安装一百多个依赖包，如果想灵活控制安装的依赖包或带宽有限，使用Miniconda是个不错的选择。 Conda是个包管理器，Anaconda就是建立在它的基础上。Conda不只跨平台还与语言无关，与pip和virtualenv相结
Anaconda利用工具/命令conda来进行package和environment的管理，并且已经包含了Python和相关的配套工具。里面的环境是分离开的，需要用到什么环境可以进行切换，如同虚拟机一样。包管理与pip的使用类似，环境管理则允许用户方便地安装不同版本的python并可以快速切换。Anaconda则是一个打包的集合，里面预装好了conda、某个版本的python、众多packages、科学计算工具等等，所以也称为Python的一种发行版。
在ubuntu服务器下安装包的时候，经常会用到sudo apt-get install 包名 或 sudo pip install 包名，那么两者有什么区别呢？
（下面都是一些口水话，可以稍微了解一下，不必过于斟酌��） Anaconda是将Python和许多常用的package（Python开源包）打包直接来使用的Python发行版本，支持Windows、Linux和macOS系统，并有一个conda（开源包packages和虚拟环境environment的管理系统）强大的执行工具。 Anaconda的优点总结起来就八个字：省时省心、分析利器。 省时省心： Anaconda通过管理工具包、开发环境、Python版本，大大简化了你的工作流程。不仅可以方便地安装、更新、卸载工具包，而且安装时能自动安装相应的依赖包，同时还能使用不同的虚拟环境隔离不同要求的项目。 分析利器： 在 Anaconda 官网中是这么宣传自己的：适用于企业级大数据分析的Python工具。其包含了720多个数据科学相关的开源包，在数据可视化、机器学习、深度学习等多方面都有涉及。不仅可以做数据分析，甚至可以用在大数据和人工智能领域。
本文介绍了如何快速安装Python及其相关工具，包括Python3.5.1、IPython、Jupyter Notebook、qtconsole等。同时，还介绍了如何安装Numby、pandas、scipy、matpotlib等Python数据科学相关库。
在本机开发完程序后，需要把程序移植到服务器之类的目标机上运行，或者分发给其余同事，经常会遇到第三方库管理，或者是不同项目之间用到的第三方库版本不一致，例如有时候需要tensorflow 1版本，有的时候希望用最新的2.3版本，这样导致了运行环境的管理复杂度，对于第三方库管理推荐通过Anaconda来解决这个痛点，通过不同的env解决环境配置问题。
主要参考网址： 1、 http://www.jianshu.com/p/169403f7e40c 2、 http://blog.csdn.net/qq_29883591/article/details/52664478
在Anaconda中conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理与环境管理。所以对虚拟环境进行创建、删除等操作需要使用conda命令。
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
参考原文：https://blog.csdn.net/yggaoeecs/article/details/78378938
不管哪种情况，我们都推荐使用Anaconda作为Python的环境，因为可以避免大量的兼容性问题。
http://blog.csdn.net/pipisorry/article/details/47008981
(adsbygoogle = window.adsbygoogle || []).push({});
如果没有安装Annaconda集成环境的请先进入Annaconda官网下载适合自己电脑的安装包。下载成功后打开安装包，什么也不用想一直点击下一步。特别是不要选中下图中的添加到环境变量的选项。
开销：Matlab是商业软件，需要付费购买许可证。对于个人用户或者预算有限的项目来说，这可能增加了不必要的成本负担。而开源科学计算软件是免费提供的，可以节省开支。
python 数据分析模块（Numpy、Scipy、Scikit和Pandas等） python进行机器学习(tensorflow） 一、基础包 ①Numpy Python科学计算的基础包 ②Pandas 提供了大量处理结构化数据的数据结构和函数，它是使Python成为强大的数据分析工具的最重要的工具 ③Matplotlib 用于绘图的Python库 ④SciPy 包含了一系列解决科学计算的标准包，例如数值积分、微分方程求解、矩阵分解等 ⑤tensorflow 参见 ：http://blog.csd
python 数据分析模块（Numpy、Scipy、Scikit和Pandas等）
刚开始使用numpy、scipy这些模块的时候，图个方便直接使用了一个叫做Enthought的软件。Enthought是一家位于美国得克萨斯州首府奥斯汀的软件公司，主要使用Python从事科学计算工具的开发。Enthought里面包含了很多库，不需要你自己安装就可以直接使用了。 其实还又很多Python科学计算的集成软件，比如Python(x, y)和WinPython，个人感觉WinPython还是不错的，里面包含的东西不是太多，Enthought里面的模块太多了！
http://www.linuxidc.com/Linux/2015-07/120449.htm
拥有超过600万用户，开源Anaconda Distribution是在Linux，Windows和Mac OS X上进行Python和R数据科学和机器学习的最快和最简单的方法。它是单机上开发，测试和培训的行业标准。
我们知道Python的英文表达是蟒蛇，有意思的是anaconda也是蟒蛇的意思，准确是是水莽，莽中之王，更大、更重、更长。
上文提到了Superset 0.37的在线安装方式，只需要更新pip，然后pip install就可以了。但是在生产环境中，特别是内网环境中，很多时候是没有外网的，这时候就需要采取离线安装的方式。
不同的操作系统都是直接的在官网中下载安装包进行下载，选择你最经常使用的Python版本进行安装，下载完之后，尽量的按照anaconda默认的行为安装，现在的版本不会将bin目录加入到环境变量path中去。
最近在学习python,发现在本地搭建python环境的时候，要是想要同时搭建不同python版本的环境，就比较麻烦，很容易就出现冲突了，很是头疼。然后光明就出现这山重水复疑无路的时候，同事给我推荐了包管理以及环境管理神器：Anaconda。
为什么python使用这么多？ python语法简单，上手容易，精通难。现在使用爬虫比较多，还可以作前端。 ########################################################### 自从20世纪90年代初Python语言诞生至今，它已被逐渐广泛应用于系统管理任务的处理和Web编程。 Python的创始人为Guido van Rossum。1989年圣诞节期间，在阿姆斯特丹，Guido为了打发圣诞节的无趣，决心开发一个新的脚本解释程序，作为ABC 语言的一种继承。之所以选中Python（大蟒蛇的意思）作为该编程语言的名字，是取自英国20世纪70年代首播的电视喜剧《蒙提.派森干的飞行马戏团》（Monty Python's Flying Circus）。 ABC是由Guido参加设计的一种教学语言。就Guido本人看来，ABC 这种语言非常优美和强大，是专门为非专业程序员设计的。但是ABC语言并没有成功，究其原因，Guido 认为是其非开放造成的。Guido 决心在Python 中避免这一错误。同时，他还想实现在ABC 中闪现过但未曾实现的东西。 就这样，Python在Guido手中诞生了。可以说，Python是从ABC发展起来，主要受到了Modula-3（另一种相当优美且强大的语言，为小型团体所设计的）的影响。并且结合了Unix shell和C的习惯。 Python [2] 已经成为最受欢迎的程序设计语言之一。自从2004年以后，python的使用率呈线性增长。2011年1月，它被TIOBE编程语言排行榜评为2010年度语言。 [3] 由于Python语言的简洁性、易读性以及可扩展性，在国外用Python做科学计算的研究机构日益增多，一些知名大学已经采用Python来教授程序设计课程。例如卡耐基梅隆大学的编程基础、麻省理工学院的计算机科学及编程导论就使用Python语言讲授。众多开源的科学计算软件包都提供了Python的调用接口，例如著名的计算机视觉库OpenCV、三维可视化库VTK、医学图像处理库ITK。而Python专用的科学计算扩展库就更多了，例如如下3个十分经典的科学计算扩展库：NumPy、SciPy和matplotlib，它们分别为Python提供了快速数组处理、数值运算以及绘图功能。因此Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表，甚至开发科学计算应用程序。 ############################################################## 摘至百度百科 ############################################################## 二：python的安装 ——linux系统 -官网下载源码安装包（python3.6） -解压安装包 -安装编译过程中需要的依赖包：gcc,zlib,zlib-devel,openssl-devel,readline,readline-devel -进入解压的安装包进行编译
大多数 Python 的初学者们都曾为配置环境问题或者选择便利的编辑器等问题头疼，所以这里推荐使用 Anaconda 来管理你的安装环境和各种工具包。
通过python使用pyqt编写了一个界面程序，并使用pyinstaller将其打包成exe文件
anconda3是学习Python数据分析必备的软件，功能强大，可以实现Jupyter Notebook、创建虚拟环境管理用户环境、conda安装Python包等功能，这些功能中conda命令是经常用到的，有必要了解下。
在这里，“数据”是指结构化的数据，例如：记录、多维数组、Excel 里的数据、关系型数据库中的数据、数据表等。
数据科学开发环境配置起来让人头疼，会碰到包版本不一致、错误信息不熟悉和编译时间漫长等问题。这很容易让人垂头丧气，也使得迈入数据科学的这第一步十分艰难。而且这也是一个完全不常见的准入门槛。 还好，过去几年中出现了能够通过搭建孤立的环境来解决这个问题的技术。本文中我们就要介绍的这种技术名叫Docker。Docker能让开发者简单、快速地搭建数据科学开发环境，并支持使用例如Jupyter notebooks等工具进行数据探索。 要使用Docker，我们要先下载含有相关包package和数据科学工具的镜像文件。之后
在刚接触python的时候我想大多数人都会面临一个问题，我到底是选择2还是3，因为现在网上好多的资料和视频项目中都还是用的2，我们跟着学习的时候肯定也是首先从2开始学的，但是我们心里肯定也担心学2会不会跟不上技术的发展，毕竟3才是最新的，而且将来的项目势必也都会逐渐去支持最新的3，这个时候我们就有了既需要一个2的环境来学习以前的一些项目来入门，也需要3的环境来跟上最新的技术，就需要一个强大的python环境管理工具了，可以在电脑上同时搭建两套环境，并且可以在两个环境之间来回切换而不受对方的影响，Anaconda就是你需要的。
看我文章的小伙伴都知道，我对数值算法很是感兴趣，但是和数值算法地位一样的计算机计算系统还有一类叫符号计算。在完成诸如多项式求值、求极限、解方程、求积分、微分方程、级数展开、矩阵运算等等计算问题的时候，符号计算是王者~
Python易用，但用好却不易，其中比较头疼的就是包管理和Python不同版本的问题，特别是当你使用Windows的时候。为了解决这些问题，有不少发行版的Python，比如WinPython、Anaconda、pycharm等，这些发行版将python和许多常用的package打包，方便pythoners直接使用，此外，还有virtualenv、pyenv等工具管理虚拟环境。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
