本文目录一览：
python虚拟环境—virtual environment
操作系统：ubuntu16.04
举个例子，tensorflow(tf)是一个十分流行的python机器学习库，你现在手里有两个tf项目，其中项目A需要使用 python2.7 + f1.2 ，项目B需要使用 python2.7 + tf1.6 ．这两个项目你得同时进行，怎么办？
愚蠢的办法是需要运行项目A时，将python2.7中的tf1.6卸载掉，安装tf1.2；需要运行项目B时，将python2.7中的tf1.2卸载掉，安装tf1.6。如果是单个模块还好，但是tf的不同版本又依赖于python中的其他已安装模块，而且tf1.2和tf1.6对依赖模块有不同的版本要求，那么转换一次得卸载安装好几个模块，是不是很爆炸？
课题组里几个同门共用一台服务器，每个人拥有一个系统账户，其中只有一个人拥有root权限，里面每个人都需要使用python跑程序，而且每个人对python版本以及python模块的版本都有不同需求，很多人又没有root权限，如何解决？
使用python的虚拟环境可以轻松解决上面的问题！
python虚拟环境是一个隔离/独立的python开发环境，和系统python环境可以完全隔离，互不相关，相当于多了一个python开发环境。而且你在python虚拟环境中的开发过程和使用系统python一模一样，你可以在你创建的python虚拟环境中使用pip工具安装任何你需要的模块，该模块和系统python环境完全不相关。虚拟环境的这个特点就能解决上面的问题了。
python有两个模块可以用于创建和管理python虚拟环境：
其中，venv模块在python3.3以上的版本可以使用，而virtualenv在python2.7+和python3.3+都可以使用。
默认的系统python中是没有安装以上两个工具的，需要使用以下命令安装：
安装好之后，就可以使用这两个工具安装python虚拟环境了。
我的系统python版本有python2.7和python3.5，虚拟环境的版本只能是系统中已有的python版本。使用virtualenv安装虚拟环境的命令如下：
什么参数都不指定的话，它会使用 /usr/bin/python 路径下的python解释器版本，即python2.7。因此会默认安装python2.7虚拟环境， /home/yan/env 表示虚拟环境的安装路径。
如果你要安装的是python3.5的虚拟环境，可以这样：
一般情况下，上面两条命令就够了，这样安装得到的python虚拟环境和系统python环境是完全隔离的。
更多的命令选项可以在命令行中直接输入 virtualenv 命令获取。
venv只有python3可以使用，因此只能创建python3的虚拟环境，创建命令如下：
其中， python3 -m venv 是死命令，最后的安装路径自己指定。
注意： 以上两种安装方式在安装虚拟环境的同时也自动安装了pip工具。
安装好虚拟环境之后，每次使用该虚拟环境前需要使用 source 命令 激活 它。假设前面我在 /home/yan/env3/ 目录下安装了python3.5的虚拟环境，现在我使用以下命令激活它：
激活之后，在命令行提示符前面会有 (env3) 的提示，表示当前你处的python虚拟环境，比如我电脑的情况：
现在你可以在激活环境中干任何事情，比如使用pip命令在你新的python虚拟环境中安装模块:
或者执行python脚本。
使用完该虚拟环境之后，你需要在命令行输入 deactivate 命令来 退出 该虚拟环境：
之后就回到了正常的系统python环境中。
由于你创建该虚拟环境的目的是为了跑某个项目的程序，现在该项目做完了，不需要该虚拟环境了，你可以把该虚拟环境直接删除，如何删？
直接将创建虚拟环境时生成的文件夹删掉，就这么简单。比如我要把我刚才创建的env3虚拟环境删除：
在删除虚拟环境前记得一定得先退出该虚拟环境。
python虚拟环境的好处是：每个虚拟环境之间，以及虚拟环境和系统环境之间是完全隔离的，不同虚拟环境中，你可以安装不同版本的模块，就仿佛你可以同时拥有N多个不同的python开发环境。
唯一麻烦的一点是：每次进入某个虚拟环境之前，都要使用 source 命令激活。每次使用完，都要使用 deactivate 命令退出。
如何利用python语言实现机器学习算法
基于以下三个原因，我们选择Python作为实现机器学习算法的编程语言：(一) Python的语法清晰；(二) 易于操作纯文本文件；(三) 使用广泛，存在大量的开发文档。 可执行伪代码 Python具有清晰的语法结构，大家也把它称作可执行伪代码（executable pseudo-code）。默认安装的Python开发环境已经附带了很多高级数据类型，如列表、元组、字典、集合、队列等，无需进一步编程就可以使用这些数据类型的操作。使用这些数据类型使得实现抽象的数学概念非常简单。此外，读者还可以使用自己熟悉的编程风格，如面向对象编程、面向过程编程、或者函数式编程。不熟悉Python的读者可以参阅附录A，该附录详细介绍了Python语言、Python使用的数据类型以及安装指南。 Python语言处理和操作文本文件非常简单，非常易于处理非数值型数据。Python语言提供了丰富的正则表达式函数以及很多访问Web页面的函数库，使得从HTML中提取数据变得非常简单直观。 Python比较流行 Python语言使用广泛，代码范例也很多，便于读者快速学习和掌握。此外，在开发实际应用程序时，也可以利用丰富的模块库缩短开发周期。 在科学和金融领域，Python语言得到了广泛应用。SciPy和NumPy等许多科学函数库都实现了向量和矩阵操作，这些函数库增加了代码的可读性，学过线性代数的人都可以看懂代码的实际功能。另外，科学函数库SciPy和NumPy使用底层语言（C和Fortran）编写，提高了相关应用程序的计算性能。本书将大量使用Python的NumPy。 Python的科学工具可以与绘图工具Matplotlib协同工作。Matplotlib可以绘制二D、三D图形，也可以处理科学研究中经常使用到的图形，所以本书也将大量使用Matplotlib。 Python开发环境还提供了交互式shell环境，允许用户开发程序时查看和检测程序内容。 Python开发环境将来还会集成Pylab模块，它将NumPy、SciPy和Matplotlib合并为一个开发环境。在本书写作时，Pylab还没有并入Python环境，但是不远的将来我们肯定可以在Python开发环境找到它。 Python语言的特色 诸如MATLAB和Mathematica等高级程序语言也允许用户执行矩阵操作，MATLAB甚至还有许多内嵌的特征可以轻松地构造机器学习应用，而且MATLAB的运算速度也很快。然而MATLAB的不足之处是软件费用太高，单个软件授权就要花费数千美元。虽然也有适合MATLAB的第三方插件，但是没有一个有影响力的大型开源项目。 Java和C等强类型程序设计语言也有矩阵数学库，然而对于这些程序设计语言来说，最大的问题是即使完成简单的操作也要编写大量的代码。程序员首先需要定义变量的类型，对于Java来说，每次封装属性时还需要实现getter和setter方法。另外还要记着实现子类，即使并不想使用子类，也必须实现子类方法。为了完成一个简单的工作，我们必须花费大量时间编写了很多无用冗长的代码。Python语言则与Java和C完全不同，它清晰简练，而且易于理解，即使不是编程人员也能够理解程序的含义，而Java和C对于非编程人员则像天书一样难于理解。 所有人在小学二年级已经学会了写作，然而大多数人必须从事其他更重要的工作。 ——鲍比·奈特 也许某一天，我们可以在这句话中将“写作”替代为“编写代码”，虽然有些人对于编写代码很感兴趣，但是对于大多数人来说，编程仅是完成其他任务的工具而已。Python语言是高级编程语言，我们可以花费更多的时间处理数据的内在含义，而无须花费太多精力解决计算机如何得到数据结果。Python语言使得我们很容易表达自己的目的。 Python语言的缺点 Python语言唯一的不足是性能问题。Python程序运行的效率不如Java或者C代码高，但是我们可以使用Python调用C编译的代码。这样，我们就可以同时利用C和Python的优点，逐步地开发机器学习应用程序。我们可以首先使用Python编写实验程序，如果进一步想要在产品中实现机器学习，转换成C代码也不困难。如果程序是按照模块化原则组织的，我们可以先构造可运行的Python程序，然后再逐步使用C代码替换核心代码以改进程序的性能。C++ Boost库就适合完成这个任务，其他类似于Cython和PyPy的工具也可以编写强类型的Python代码，改进一般Python程序的性能。 如果程序的算法或者思想有缺陷，则无论程序的性能如何，都无法得到正确的结果。如果解决问题的思想存在问题，那么单纯通过提高程序的运行效率，扩展用户规模都无法解决这个核心问题。从这个角度来看，Python快速实现系统的优势就更加明显了，我们可以快速地检验算法或者思想是否正确，如果需要，再进一步优化代码
anaconda怎么安装python环境？
可以使用conda来安装和管理python环境。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和环境管理。包管理与pip的使用方法类似，环境管理则是允许用户方便滴安装不同版本的python环境并在不同环境之间快速地切换。
conda将几乎所有的工具、第三方包都当作package进行管理，甚至包括python 和conda自身。Anaconda是一个打包的集合，里面预装好了conda、某个版本的python、各种packages等。
创建环境举例：
conda create -n your_env_name python=x.x
其中your_env_name是你要创建的环境名称，python=x.x中的x.x是你需要安装的pytthon版本。安装成功之后可以用以下两个命令来查看是否安装成功。
conda env list
conda info -e
