机器学习
Python 有着海量的可用于数据分析、统计以及机器学习的库，这使得 Python 成为很多数据科学家所选择的语言。
下面我们列出了一些被广泛使用的机器学习及其他数据科学应用的 Python 包。
Scipy 技术栈
Scipy 技术栈由一大批在数据科学中被广泛使用的核心辅助包构成，可用于统计分析与数据可视化。由于其丰富的功能和简单易用的特性，这一技术栈已经被视作实现大多数数据科学应用的必备品了。
Scipy 技术栈由以下包组成（已链接到其文档）：
该技术栈当然也包括与其绑定在一起的 Python，这就不列在上述列表中了。
安装
想要安装这套完整的技术栈，或者只是想安装一些独立的包的话，您都可以参考下这份 指导文档。
注意： 我们强烈建议您使用 Anaconda，它可以为您实现无缝化安装与维护数据科学包。
Scikit-learn
Scikit 是 Python 的一个免费且开源的机器学习库。它提供了很多现成的函数来实现很多机器学习算法，比如线性回归（Linear Regression），各种分类器（Classifiers），支持向量机（Support Vector Machines），K均值聚类（K-means），神经网络（ Neural Networks）等。Scikit 也提供了一些可以直接用于训练和测试的示例数据集。
由于其速度快、健壮且易于使用的特点，Scikit 已成为大多数机器学习应用当中最为广泛使用的库之一。
安装
通过 PyPI 安装：
pip install -U scikit-learn
通过 Conda 安装：
conda install scikit-learn
Scikit-learn 也已经预装在 Anaconda（上面提到过）中了。如需更多 Scikit-learn 的安装指导，请参考 这个链接。
示例
在这个示例中，我们在 Iris 鸢尾花卉数据集 上训练了一个简单的分类器，这一数据集是绑定在 Scikit-learn 里面的。
该数据集中取了花朵的四种特征：花萼长度，花萼宽度，花瓣长度以及花瓣宽度，并基于此把数据集中的花朵数据分成了三个种类（视作标签）：山鸢尾（Setosa），杂色鸢尾（Versicolor）以及维吉尼亚鸢尾（Virginica）。在数据集中，标签使用数字代替：0（Setosa），1（Versicolor）和2（Virginica）。
我们将 Iris 数据集中的数据打乱顺序，并将其划分为彼此分离的训练集和测试集：最后10个数据点用于测试，其他的都用于训练。之后我们在训练集上训练一个分类器，再在测试集上进行预测。
from sklearn.datasets import load_iris
from sklearn import tree
from sklearn.metrics import accuracy_score
import numpy as np
#载入 Iris 数据集
iris = load_iris()
x = iris.data # 获得数据的数组
y = iris.target # 获得每项数据对应的标签（即答案）的数组
# 获得标签对应的名称，即花朵的三个种类的名称
y_names = iris.target_names
# 获得顺序被随机打乱的索引，用于把数据集划分为训练集和测试集
test_ids = np.random.permutation(len(x))
#把数据和标签划分为训练集和测试集
#最后10个数据点分给测试集，其他的都分给训练集
x_train = x[test_ids[:-10]]
x_test = x[test_ids[-10:]]
y_train = y[test_ids[:-10]]
y_test = y[test_ids[-10:]]
# 使用决策树分类器
clf = tree.DecisionTreeClassifier()
# 使用训练集来训练（拟合）我们的分类器
clf.fit(x_train, y_train)
# 在测试集上进行预测
pred = clf.predict(x_test)
print pred # 打印出预测的标签，即花朵种类
print y_test # 打印出真实的标签
print (accuracy_score(pred, y_test))*100 # 打印出预测精度
由于我们对于数据集的划分是随机的，并且分类器在每一轮迭代中都进行了训练，所以我们得到的精度可能多种多样。运行上面的代码后，我们可以得到以下输出结果：
[0 1 1 1 0 2 0 2 2 2]
[0 1 1 1 0 2 0 2 2 2]
100.0
第一行包含的是我们的分类器在测试集上所预测的标签（即花朵种类），第二行包含的是数据集中所给出的真实的花朵种类。这一次我们得到了100%的预测精度。
关于Scikit-learn的更多内容，可以查看这篇 文档。