㈠ python中怎样导入机器学习的算法包
对于原始数据我们要将其一部分分为train data，一部分分为test data。train data用于训练，test data用于测试准确率。在test data上测试的结果叫做validation error。将一个算法作用于一个原始数据，我们不可能只做出随机的划分一次train和test data，然后得到一个validation error，就作为衡量这个算法好坏的标准。因为这样存在偶然性。我们必须好多次的随机的划分train data和test data，分别在其上面算出各自的validation error。这样就有一组validation error，根据这一组validation error，就可以较好的准确的衡量算法的好坏。
cross validation是在数据量有限的情况下的非常好的一个evaluate performance的方法。
而对原始数据划分出train data和test data的方法有很多种，这也就造成了cross validation的方法有很多种。
sklearn中的cross validation模块，最主要的函数是如下函数：
sklearn.cross_validation.cross_val_score。他的调用形式是scores = cross_validation.cross_val_score(clf, raw data, raw target, cv=5, score_func=None)
参数解释：
clf是不同的分类器，可以是任何的分类器。比如支持向量机分类器。clf = svm.SVC(kernel='linear', C=1)
cv参数就是代表不同的cross validation的方法了。如果cv是一个int数字的话，并且如果提供了raw target参数，那么就代表使用StratifiedKFold分类方式，如果没有提供raw target参数，那么就代表使用KFold分类方式。
cross_val_score函数的返回值就是对于每次不同的的划分raw data时，在test data上得到的分类的准确率。至于准确率的算法可以通过score_func参数指定，如果不指定的话，是用clf默认自带的准确率算法。
还有其他的一些参数不是很重要。
cross_val_score具体使用例子见下：
>>> clf = svm.SVC(kernel='linear', C=1)
>>> scores = cross_validation.cross_val_score(
... clf, raw data, raw target, cv=5)
...
>>> scores
array([ 1. ..., 0.96..., 0.9 ..., 0.96..., 1. ])
除了刚刚提到的KFold以及StratifiedKFold这两种对raw data进行划分的方法之外，还有其他很多种划分方法。但是其他的划分方法调用起来和前两个稍有不同（但是都是一样的），下面以ShuffleSplit方法为例说明：
>>> n_samples = raw_data.shape[0]
>>> cv = cross_validation.ShuffleSplit(n_samples, n_iter=3,
... test_size=0.3, random_state=0)
>>> cross_validation.cross_val_score(clf, raw data, raw target, cv=cv)
...
array([ 0.97..., 0.97..., 1. ])
㈡ python数学库怎么用
python程序由包(package)、模块(mole)和函数组成。
首先我们要确定python中是否含有math或者numpy？用pycharm，file -> settings->project ->project interpreter -> +号 ->搜索相应的库，若没有则下载
1. pip下载，打开命令行，输入 pip --default-timeout=1000 install -U 库名（如jieba）
2.云盘下载，如果从论坛的云盘分享下载，解压后，打开命令行，cd 解压路径 回车
下载完毕后重启Python，然后编写时以如下两种方式引用库:
import <库名>
from <库名> import *
㈢ python 导入数据包的几种方法
1.直接导入整个数据包：improt 数据包
2.导入数据包中的某一个函数： from 数据包 improt 函数(当函数这一项为 * 时为导入整个数据包)
3. 导入之定义的数据包()
㈣ python怎么导入库包
Python库的导入 import A 为最简单的引入对应的包。
㈤ 如何把一个python包导入到python库中
Python 运行环境在查找模块时是对 sys.path 列表进行遍历，如果我们想在运行环境中添加自定义的模块，主要有以下三种方法：
1. 在sys.path列表中添加新的路径（只能对执行了 sys.path.append 命令的当前 Python 运行环境起作用，对其他运行环境不起作用，也即“一次性”的）。
>>> import sys
>>> sys.path
>>> sys.path.append('/home/xxx/yyy') #目录/home/xxx/yyy包含你所需要的包或模块
设置 PYTHONPATH 环境变量（永久性添加）：
2. 将包或模块复制到 sys.path 列表中的目录（通过 sys.path 查看）里（如 /home/test/lib/python2.7/site-packages/ 目录）。
3. 最简单的办法是用 .pth 文件来实现。Python 在遍历已有的库文件目录（sys.path中指定）过程中，如果见到一个 .pth 文件，就会将该文件中所记录的路径加入到 sys.path 设置中，这样 .pth 文件说指明的库也就可以被 Python 运行环境找到。
$cd /home/test/lib/python2.7/site-packages/
$touch test.pth
$vim test.pth
$添加一行包或模块所在的目录(如：/home/test/somePackage/)
则test.pth文件内容为：
/home/test/somePackage/
㈥ python外部包使用说明方式导入
除了让包内导入更加显式，这个功能的一部分设计初衷是，为了帮助脚本解决同名文件出现在模块搜索路径上多个不同位置时的二义性。考虑包目录，这定义了一个名为mypkg 的包，其中含有名为mypkg.main和mypkg.string 的模块。现在，假设模块main试图导入名为string的模块。在 Python 2.X和更早版本中，Python会先寻找mypkg目录以执行相对导入。这会找到并导入位于该处的string.py文件，将其赋值给mypkg.main模块命名空间内的名称string。不过，这一导入的本意可能是要导入Python标准库的string模块。可惜的是，在这些Python版本中，无法直接忽略mypkg.string 去寻找位于模块搜索路径更右侧的标准库中的string模块。此外，我们无法使用完整包导入路径来解决这个问题，因为我们无法依赖在每台机器上的标准链接库路径。换句话说，包中的简单导入可能具有二义性而且容易出错。在包内，我们无法确定imports pam语句指的是包内的模块还是包外的模块。一种可能的后果是，一个局部的模块或包会在不经意间隐藏了sys.path 上的另一个模块。在实践中，Python使用者可以避免为他们自己的模块重复使用标准库模块的名称（如果需要标准string库，就不要把新的模块命名为string)。但是，一个包还是有可能意外地隐藏标准库模块。再者，Python 以后可能新增标准库模块，而其名称可能刚好就和自己的一个模块同名。而依赖于没有点号开头相对导入的程序代码同样也不容易理解，因为读者可能对希望使用哪个模块而感到困惑。所以我们最好能在代码中显式地指出导入的解析过程。