完全新手： windows64 bit 安装python2.7.11 和 scikit-learn

完全新手 windows 7 64位  安装python2.7.11和 scikit-learnpython包。如果你能顺利的连上python官网，那么不需要再看了。python2.7.11已经自带了包管理工具pip，直接更新和安装需要的包就好了。如果 使用pip直接安装总是显示超时，则自己动手：

下载python-2.7.11.amd64.msi，假设安装到 D:\python
D:\python 和D:\python\Scripts 添加到系统环境变量 PATH 中，以便能在命令行使用 python 和 pip

下载 pip-8.1.1.tar.gz。安装过程中可能会提示你更新pip，所以可以先装个新版本的pip，需要8.1.1的可以在此下载http://download.csdn.net/detail/u011736505/9492080点击打开链接。先将该文件解压，在cmd中进入该文件夹，输入python setup.py install
在http://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载所需的包，分别是 numpy+mkl，scipy，scikit-learn和matplot 。下载的时候注意选择win_amd64 和 cp27 以对应安装的python版本2.7.*和对应的64位平台，否则会出现错误：is not a supported wheel 。假设将这些包都放在D:\pythonlib 文件夹中
在cmd中进入D:\pythonlib
先安装numpy+mkl 输入 pip isntall numpy-1.11.0+mkl-cp27-cp27m-win_amd64.whl
再安装scipy  输入 pip install scipy-0.17.0-cp27-none-win_amd64.whl
安装scikit-learn 输入 pip install scikit_learn-0.17.1-cp27-cp27m-win_amd64.whl
可选：安装matplot 输入 pip install matplotlib-1.5.1-cp27-none-win_amd64.whl，该文件同样可以在4中的网址下载到。
验证安装是否成功：在python 的shell中输入如下片段，能够输出鸢尾花的数据
试试画图功能：

#测试数据导入：鸢尾花

from sklearn import datasets
iris = datasets.load_iris()
iris.data.shape
iris.target.shape
import numpy as np
np.unique(iris.target)
print(iris.data)

#测试plot功能，代码来源于网络，一个 Elastic Net 模型

<pre name="code" class="python">import sklearn.datasets
import sklearn.linear_model
import numpy.random
import numpy.linalg
import matplotlib.pyplot

if __name__ == "__main__":
# Load boston dataset
boston = sklearn.datasets.load_boston()

# Split the dataset with sampleRatio
sampleRatio = 0.5
n_samples = len(boston.target)
sampleBoundary = int(n_samples * sampleRatio)

# Shuffle the whole data
shuffleIdx = range(n_samples)
numpy.random.shuffle(shuffleIdx)

# Make the training data
train_features = boston.data[shuffleIdx[:sampleBoundary]]
train_targets = boston.target[shuffleIdx [:sampleBoundary]]

# Make the testing data
test_features = boston.data[shuffleIdx[sampleBoundary:]]
test_targets = boston.target[shuffleIdx[sampleBoundary:]]

# Train
elasticNet = sklearn.linear_model.ElasticNetCV(alphas=[0.01, 0.05, 0.1, 0.5, 1.0, 10.0], l1_ratio=[0.1,0.3,0.5,0.7,0.9])

elasticNet.fit(train_features, train_targets)
print "Alpha = ", elasticNet.alpha_
print "L1 Ratio = ", elasticNet.l1_ratio_
# Predict
predict_targets = elasticNet.predict(test_features)

# Evaluation
n_test_samples = len(test_targets)
X = range(n_test_samples)
error = numpy.linalg.norm(predict_targets - test_targets, ord = 1) / n_test_samples
print "Elastic Net (Boston) Error: %.2f" %(error)
# Draw

matplotlib.pyplot.plot(X, predict_targets, 'r--', label = 'Predict Price')
matplotlib.pyplot.plot(X, test_targets, 'g:', label='True Price')
legend = matplotlib.pyplot.legend()
matplotlib.pyplot.title("Elastic Net (Boston)")
matplotlib.pyplot.ylabel("Price (1000 U.S.D)")
matplotlib.pyplot.savefig("Elastic Net (Boston).png", format='png')
matplotlib.pyplot.show()

#如果成功的话，将看到下图。