本节书摘来自华章出版社《Python数据挖掘：概念、方法与实践》一书中的第1章，第1.4节，作者[美] 梅甘·斯夸尔（Megan Squire），更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1.4 如何建立数据挖掘工作环境
前面几节帮助我们更好地了解了将要从事的项目及原因。现在可以开始建立一个开发环境，支持所有项目工作了。由于本书的目的是介绍如何构建挖掘数据模式的软件，因此我们将用一种通用编程语言编写程序。Python编程语言具有非常强大且仍在不断成长、专门致力于数据挖掘的社区。这个社区已经贡献了一些非常方便的程序库，我们可以用来进行高效的处理，我们还可以依靠他们提供的许多数据类型，更快地工作。
在本书编著时，有两个版本的Python可供下载：现在被视为经典的Python 2（最新版本为2.7）和Python 3（最新版本为3.5）。本书将使用Python 3。因为我们需要使用许多相关的程序包和程序库，尽可能地使数据挖掘体验不那么痛苦，也因为其中一些程序包和库难以安装，所以这里我建议使用专为科学及数学计算设计的Python分发版本。具体地说，我推荐Continuum Analytics 制作的Python 3.5 Anaconda分发版本。他们的基本Python分发版本是免费的，所有组件都保证能够协同工作，而无需我们进行令人沮丧的兼容性保证工作。
要下载Anaconda Python分发版本，只需要用浏览器访问Continuum Analytics的网站（https://www.continuum.io），根据提示符下载适合你的操作系统的Anaconda免费版本（目前的编号是3.5或者更高）。
启动该软件，将会看到如图1-2所示的启动画面。
根据你使用的版本和下载的时间，Anaconda中的每个应用程序中除了Launch按钮之外可能还有几个Update（更新）按钮。如果你的软件版本显示需要，可以单击每个按钮以更新程序包。
为了开始编写Python代码，单击Spyder以启动代码编辑器和集成开发环境。如果你想使用自己的文本编辑器（如MacOS上的TextWrangler或者Windows上的Sublime编辑器），完全没有问题。可以从命令行运行Python代码。
花一点时间将Spyder配置成你喜欢的样子，设置颜色和常规布局，或者保留默认值。对于我自己的工作空间，我移动了几个控制台窗口，建立一个工作目录，并进行几个自定义调整，使自己更适应这个新编辑器。你也可以这么做，使开发环境更舒适。
现在，我们已经为测试编辑器和安装程序库做好了准备。单击File（文件）并选择New File（新建文件）测试Spyder编辑器，观察其工作方式。然后，输入简单的“Hello World”语句：
单击绿色箭头，按下F5键或者单击Run（运行）菜单中的Run命令，运行程序。不管用哪一种方式，程序将执行，你将在控制台输出窗口看到输出。
此时，我们知道Spyder和Python正在工作，可以测试和安装一些程序库了。
首先，打开一个新文件，将其保存为packageTest.py。在这个测试程序中，我们将确定Scikit-learn是否已经随Anaconda正确安装。Scikit-learn是很重要的程序包，包含了许多机器学习函数，以及用于测试这些函数的现成数据集。许多书籍和教程使用Scikit-learn示例教授数据挖掘，所以在我们的工具箱中也有这个程序包。我们将在本书的多个章节中使用这个程序包。
运行Scikit-learn网站上的教程中的如下小程序（可以在http://scikit-learn.org/stable/tutorial/basic/tutorial.html #loading-an-example-dataset上找到），它将告诉我们环境是否正常建立：
如果上述程序运行正常，将在控制台窗口中输出显示类列表数据结构中的一系列数值：
这个输出足以说明Scikit-learn已正常安装。接下来，添加一行代码，它将帮助我们学习digits.data结构的数据类型：
输出如下：
从上述输出，我们可以确定Scikit-learn依赖另一个重要程序包Numpy处理其数据结构。Anaconda也已经正常安装Numpy，这正是我们要确认的事项。
接下来，我们将测试是否已经包含了网络分析库。我们将在第4章中使用Networkx程序库构建图形化社交网络。下面的代码示例创建一个具有一个节点的小型网络，并在屏幕上打印其类型：
输出如下：
这正是我们想要看到的输出，它告诉我们Networkx已经安装并正常工作。
接下来，我们将测试后面几章需要的文本挖掘软件。这也很方便，自然语言工具包（Natural Language Toolkit，NLTK）也已随Anaconda安装。但是，它有自己的图形化下载工具，用于下载它使用的各种语料库和单词列表。Anaconda没有自动安装这些组件，因此我们必须人工完成。为了得到单词列表和字典，需创建一个新的Python文件，导入NTLK模块，然后提示NTLK启动图形化下载工具：
新的下载程序窗口将在Anaconda中打开（见图1-3）：
在这个下载程序窗口中，从标识符列表中选择all（全部），更改Download Directory（下载目录，可选），并按下Download（下载）按钮。下载程序窗口左下角的红色进度条将随着每个数据集安装而变动。如果连接较慢，这一步可能需要花费几分钟。图1-4中的屏幕截图展示了这一下载中的步骤：
下载程序完成NTLK语料库的安装后，可以测试它们是否正常工作。下面是一个短的Python程序，其中要求NTLK使用布朗大学的语料库并打印前10个单词：
该程序的输出如下，是NTLK布朗文本语料库的前10个单词，它们恰好来自一篇新闻报道：
从这个输出，我们可以确信NTLK已经安装，所有必要的语料库也已经安装。
接下来，将安装文本挖掘模块Gensim，在后面进行主题建模时需要它。Gensim默认不作为Anaconda的一部分预先安装，而是可使用Anaconda内建的conda安装程序轻松添加，有数百个这样的程序包，Gensim是第一个。从Anaconda Tools菜单，选择Open a Terminal（打开终端）命令，并输入conda install gensim。如果提示更新numpy和scipy，则输入y，安装将继续。
安装结束时，启动一个新的Python程序，输入来自Gensim网站的测试程序的如下精简版本：
这个程序所做的只不过是测试该模块是否正常导入，然后在屏幕上打印一个列表，但是这在现在已经足够了。
最后，由于本书是关于数据挖掘或者数据结构中的知识发现的书籍，因此使用某种数据库软件绝对是个好主意。我选择MySQL实现本书中的项目，因为它是免费软件，易于安装，可用于许多种操作系统。
要得到MySQL，可以进入http://dev.mysql.com/downloads/mysql/，找到你要用操作系统的免费社区版本（Community Edition）下载页面。
为了让Anaconda Python与MySQL通信，必须安装一些MySQL Python驱动程序。我喜欢pymysql驱动程序，因为它相当健壮，没有标准驱动程序常会有的一些Bug。从Anaconda中，启动一个终端窗口，运行如下命令：
现在所有模块似乎都已经安装，可以在需要它们时使用。如果还需要其他模块，或者其中一个模块过时，现在我们也已经知道如何在必要时安装或者升级模块了。
