=========================================================================
Windows 上の Python に NumPy/Pandas/SciPy/scikit-learn をインストールする
=========================================================================

:blog_date:`2016/04/10`

インストール時に NumPy/SciPy については
`Christoph Gohlke provides pre-built Windows installers <http://www.lfd.uci.edu/~gohlke/pythonlibs/>`_
のものを利用する。

他は PyPI に上がっている whl を利用する。

それですべてなんだけど、とりあえず以下で jupyter-notebook を起動するところまで
書いてみる。

.. contents::
   :local:

1. あらかじめ必要な whl ファイルをダウンロードする
==================================================

`Christoph Gohlke provides pre-built Windows installers`_ より
必要な NumPy/SciPy の whl ファイルをダウンロードする。

Python 3.4 の場合
-----------------

- ``numpy-1.11.0+mkl-cp34-cp34m-win_amd64.whl``
- ``scipy-0.17.0-cp34-none-win_amd64.whl``

Python 3.5 の場合
-----------------

- ``numpy-1.11.0+mkl-cp35-cp35m-win_amd64.whl``
- ``scipy-0.17.0-cp35-none-win_amd64.whl``

2. 環境に必要なパッケージをインストールする
===========================================

以下のパッケージは PyPI 上に whl ファイルがあるので、
特に何の必要もなく pip によってインストールができる。

- pandas
- matplotlib
- sympy
- jupyter
- scikit-learn

以下の手順では venv (
`参考記事 </blog/2016/01310_not_use_pyvenv_but_venv.html>`__
) にパッケージをインストールする事を前提としている。
venv は環境を分けるのに便利なので、利用すると良いと思う。

前提
----

- ``C:\Python\3.x.y.amd64\python.exe`` に Python の 3.x.y を
  インストールしている事を前提としている。
- ``C:\path\to`` は 手順 1 でダウンロードしたディレクトリを想定している。

Python 3.4 の場合の手順
-----------------------

.. code-block:: batch

   > C:\Python\3.4.4.amd64\python.exe -m venv --copies --clear venv344
   > .\venv344\Scripts\python.exe -m pip install -U setuptools pip
   > .\venv344\Scripts\python.exe -m pip install -U C:\path\to\numpy-1.11.0+mkl-cp34-cp34m-win_amd64.whl
   > .\venv344\Scripts\python.exe -m pip install -U pandas matplotlib sympy jupyter
   > .\venv344\Scripts\python.exe -m pip install -U C:\path\to\scipy-0.17.0-cp34-none-win_amd64.whl
   > .\venv344\Scripts\python.exe -m pip install -U scikit-learn

この状態で jupyter-notebook を起動する場合は以下のコマンドで起動する。

.. code-block:: batch

   > .\venv344\Scripts\jupyter-notebook --port=8888 --no-browser

Python 3.5 の場合の手順
-----------------------

.. code-block:: batch

   > C:\Python\3.5.1.amd64\python.exe -m venv --copies --clear venv351
   > .\venv351\Scripts\python.exe -m pip install -U setuptools pip
   > .\venv351\Scripts\python.exe -m pip install -U C:\path\to\numpy-1.11.0+mkl-cp35-cp35m-win_amd64.whl
   > .\venv351\Scripts\python.exe -m pip install -U pandas matplotlib sympy jupyter
   > .\venv351\Scripts\python.exe -m pip install -U C:\path\to\scipy-0.17.0-cp35-none-win_amd64.whl
   > .\venv351\Scripts\python.exe -m pip install -U scikit-learn

この状態で jupyter-notebook を起動する場合は以下のコマンドで起動する。

.. code-block:: batch

   > .\venv351\Scripts\jupyter-notebook --port=8888 --no-browser

X. 動作確認
===========

SciPy/scikit-learn はそれぞれ以下の手順で動作確認できると思う。

SciPy
-----

確認手順は
`Getting Started — SciPy.org - An example session <https://www.scipy.org/getting-started.html#an-example-session>`__
の手順をお借りした。

.. code-block:: python

   %matplotlib inline

   from __future__ import print_function
   import matplotlib.pyplot as plt
   import numpy as np
   from scipy import optimize, special

   sol = optimize.minimize(lambda x: -special.jv(3, x), 1.0)
   x = np.linspace(0, 10, 5000)
   plt.plot(x, special.jv(3, x), '-', sol.x, -sol.fun, 'o')

scikit-learn
------------

確認手順は
`scikit-learn を使った回帰モデルとその可視化 - Qiita <http://qiita.com/ynakayama/items/88b4dd5d0dd9b1604006>`__
の手順をお借りした。

.. code-block:: python

   %matplotlib inline

   from __future__ import print_function
   import numpy as np
   import matplotlib.pyplot as plt
   from mpl_toolkits.mplot3d import Axes3D
   from sklearn import linear_model
   from sklearn.datasets.samples_generator import make_regression

   # サンプルデータからの訓練データ生成
   X, y = make_regression(
      n_samples=100, n_features=2, n_informative=1,
      random_state=0, noise=50)

   # 訓練データと試験データの分割
   X_train, X_test = X[:80], X[-20:]
   y_train, y_test = y[:80], y[-20:]

   # 分類器の訓練
   regr = linear_model.LinearRegression()
   regr.fit(X_train, y_train)
   print(u'### 推定値を表示する ###')
   print(regr.coef_)

   # 値の予測
   X1 = np.array([1.2, 4])
   print(u'### 予測値を表示する ###')
   print(regr.predict(X1))

   # 評価
   print(u'### 結果を評価する ###')
   print(regr.score(X_test, y_test))

   # 可視化
   fig = plt.figure(figsize=(8, 5))
   ax = fig.add_subplot(111, projection='3d')

   # Data
   ax.scatter(X_train[:, 0], X_train[:, 1], y_train, facecolor='#00CC00')
   ax.scatter(X_test[:, 0], X_test[:, 1], y_test, facecolor='#FF7800')

   coef = regr.coef_
   line = lambda x1, x2: coef[0] * x1 + coef[1] * x2

   grid_x1, grid_x2 = np.mgrid[-2:2:10j, -2:2:10j]
   ax.plot_surface(grid_x1, grid_x2, line(grid_x1, grid_x2),
                   alpha=0.1, color='k')
   ax.xaxis.set_visible(False)
   ax.yaxis.set_visible(False)
   ax.zaxis.set_visible(False)
   plt.show()