没有Python基础，如何学习用Python写机器学习
前言
我是一个完全没用过python的人，所以，想写机器学习，就得从语法入手。
首先上W3cSchool去学习基础语法。
基础语法都差不多，重点看一下函数，模块，面向对象。
函数的写法稍有不同，格式上类似yml的写法；模块会介绍import的相关信息；面向对象会介绍类的相关信息。
参考网站：
https://www.w3cschool.cn/python3/
https://www.w3cschool.cn/python3/python3-eam72ylh.html
理论上，2~3个小时就能学完。
K-means机器学习
我这里使用VSCode进行开发，随便打开一个文件夹，然后创建一个KmeansTest.py的文件，然后点运行（右上角的三角），然后系统会提示安装python。
因为我电脑是Window11，所以会弹窗提示我安装python3的包，点击安装即可；如果不是window11，就自己下个python包，配置一下环境变量，这个过程不复杂。
然后，因为我是完全没有python经验的，所以我也不知道要安装什么插件，所以我就打开扩展窗口，输入python搜索，随便按几个最上面的插件。
然后，先在终端里执行下面代码：
pip install scikit-learn
pip install matplotlib
scikit-learn是做机器学习的，matplotlib是一个绘图的库。
然后我们定义个数组做为学习的源数据.
X1 = [
[0.0,0.0],
[0.0,0.3],
[0.3,0.0],
[9.0,0.0],
[9.0,0.6],
[9.6,0.0]]
然后编写代码：
from sklearn.cluster import KMeans
# 按F2可以重命名
xList = [
[0.0,0.0],
[0.0,0.3],
[0.3,0.0],
[9.0,0.0],
[9.0,0.6],
[9.6,0.0]]
n_clusters = 2
cluster = KMeans(n_clusters=n_clusters, random_state=0).fit(xList)
xLable = cluster.labels_
# xlable 是上面那个集合，每个元素的所属分组
print ("xLable",xLable)
xListGroup1 =[]
xListGroup2 =[]
# 使用range时，循环的是索引，python里叫序列
for index in range(len(xList)) :
cluster = xLable[index]
if(cluster==1):
xListGroup1.append( xList[index])
if(cluster==0):
xListGroup2.append( xList[index])
print ("xListGroup1",xListGroup1)
print ("xListGroup2",xListGroup2)
调试得到结果：
如我们期待的一样，前3个数据比较接近，后三个比较接近，所以，分两组的话，就是前3个一组，后3个一组。
算法介绍
k-means算法主要是用于分组数据，具体分几组，就是k等于几，然后每组有一个质子，质子一开始是随机取的。
然后循环全部数据，判断点距离那个质子最近，然后这个数据就从属于这个质子所在的组了，计算的方法是点的平方-减去质子的绝对值。
比如点是2，质子是1,3,4，分别对应组a,b,c。然后平方点得4，质子平方得1,9,16，相减后得3,5,12，所以点2属于质子1的所在a组。
然后更新质子点，因为一开始质子点是随机取的，现在因为已经有k组数据了，所以就可以从k组数据里取中心了。
例如，一次分组后，属于质子1的组的数据有【2,2,2】,那我们就可以进行(2+2+2)/3=2,这样我们就得到了新的a组质子点了，然后替换旧的质子点，再重新以三个新质子点分组。
如此，反复循环100次，就可以得到最佳分组了。
经验
调试时，删除终端再建一个，不然有时候会出现莫名奇妙的异常，而实际上，代码并没有错误，这个非常耽误时间。
使用matplotlib
使用matplotlib的make_blobs函数，生成一个大一点的数据源测试，代码如下：
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
xList, y = make_blobs(n_samples=500,n_features=2,centers=4,random_state=1)
n_clusters = 2
cluster = KMeans(n_clusters=n_clusters, random_state=0).fit(xList)
xLable = cluster.labels_
# xlable 是上面那个集合，每个元素的所属分组
print ("xLable",xLable)
xListGroup1 =[]
xListGroup2 =[]
# 使用range时，循环的是索引，python里叫序列
for index in range(len(xList)) :
cluster = xLable[index]
if(cluster==1):
xListGroup1.append( xList[index])
if(cluster==0):
xListGroup2.append( xList[index])
print ("xListGroup1",xListGroup1)
print ("xListGroup2",xListGroup2)
结语
通过上面代码，我们简简单单的实现了一个机器学习。
如果想让这个功能跟项目沟通，那就学习一下网络编程，写一个http监听，然后接一组数据，用上面代码处理完，返回一组数据即可。
同理，上面的代码可以换成opencv的，可以换成TensorFlow的。
注：此文章为原创，任何形式的转载都请联系作者获得授权并注明出处！
若您觉得这篇文章还不错，请点击下方的【推荐】，非常感谢！
