夜曲编程就初学者入门而言是很不错的，主要有几个优势：课程设计：总体设计由浅入深，学习路径清晰，容易坚持。采用的是卡片模式，每日学习一课，只需花费20来分钟。且页面自带记忆卡片，复杂概念简单化。

偶然在网上发现了夜曲编程这个软件。试着跟着学了一下，先是学习的免费课程。第一次学习的时候，这个教程惊艳了我。首先，夜曲编程的教程都是图文形式的教程，交互式的教学方法让学习的效率有了很大的提高。夜曲编程出自百词斩旗下，它通过卡片的形式将一些编程的知识点放入其中，一定程度上可以增进编程的学习效果。

Python是一种面相对象、解释型的计算机程序语言，并已成为学习数据科学、虚拟现实和人工智能的首选编程语言，其设计哲学是“优雅”，“明确”，“简单”。易上手，及时反馈的特点成了很多入门编程世界的首选。同时Python也是一种相当高级的语言，拥有丰富和强大的第三库，可引用各种模块并很轻松的连接在一起。众多社交网站如Reddit, 豆瓣，知乎,Dropbox, YouTube,果壳等都是由Python完成。

最初对python的印象是在纪录片《互联网之子》中Aaron Swartz从MIT的图书馆截取的那些文件资料用的程序就是用python写的，当时对python心生荡漾，但很快就灰飞烟灭，因为没有后续联接和交集。

个把月前我看到一个python基础班，当时还不知道Python是什么样的编程语言（即使到现在也还不完全了解Python具体可以做啥），从哪里来要去哪里，完全不了解的情况下按了报名键。我自认为的优点是尽力为自己的行为买单，且只能是默默的，不可让一时冲动太声张，也不能恬不知耻的说那是epiphany,而是尽量去探询已成事实的一二。

培训班不上课，没有讲义和资料，只分配任务和引导卡片，刚开始也会心有戚戚焉，在白纸上乱画我还得知道怎么握笔呢，可是在键盘上乱敲肯定不会有惊喜，错误提示都看不懂，别说去修Bug。程序装了卸，卸了装，操作也是胡乱使用添加，电脑最终无法忍受这样的主就自动瘫痪装死，只得我重装系统又如获新生，也算如实贯彻了打小的信念“生命在于折腾”。厚着脸皮长大的人是天生被上帝眷顾着的，基本不会心生‘不好意思’的念头，不懂就问同学嘛！一个不行换另一个，哪怕被认为问了“愚蠢”的问题。匍匐着向前，只要方向对了，那也是进步吧！

就像学外语着得把身处周围的环境变量调整过来，让自己置身在那个世界中去感受和徜徉，身上细胞的张合大小，呼吸的进出频率也慢慢跟上节奏。除了Python本家，编译程序（Windows上我使用Atom, MAC使用TextWrangler)和运行终端（Windows PowerShell 或Terminal)外，接触最多的就是 Github, Google 还有新欢Markdown (MOU)。

——-Github 是世界上最大的代码存放网站和开源社区，副名是：最大的同性交友网站，因其界面设计很容易对号入座。尽管那原是Geek的天地，如今越来越多的其他门派弟子也加入其中，大家都带着灵敏的嗅觉，看哪好就往里钻。他是协作项目最好的实现平台，支持异地，不同电脑的项目更新，特别是不同动作之前的区别和个别动静的比较清晰可见，操作人性化。很多人在上面写书，协作翻译，项目管理、设计资料库、科研项目数据及个人简历都放上面，还有人把自己的健身记录也放上面。据说有公司招聘还需要看应聘者的github账号。最最重要的是一切都是免费，只要你想。（尽管有收费的，那是针对个别私人想要数据保密的公司）。之前在别处看到github这个词就当是熟悉的陌生人，熟悉“github"这6个字母组成的单词，但完全不知道那是什么样的世界。现只是轻轻推移了那扇门，门缝里漏出的光都觉足够耀眼并思忖着想探寻更多。

-——Google 本不需要多提，原来也是每天在使用。可Google貌似与Python有真感情，每次搜索打Python开头的关键字，出来的第一条结果往往就是正确答案且出自Google自家，比Python的官方文件还显情真意切。

-——Markdown 人称写作神奇，是我刻意关注并想收入囊中的工具，想让她陪伴着我写下去，目前还有待开发。

如他程序Python基本命令零容错，标点符号，大小字母，缩进都有严格的规定，更别提逻辑关系，循环迭代，有一处不对就报错。对小白来说修Bug的时间会比写程序的时间还长，修复一个bug，报出新的bug已经算是一种进步了。在编程时，若习惯了这些严苛的标准到不是非常难，错一次磕一下头，同一个错多犯几次，就多磕几次，即使擦破头皮反正不至于亡命天涯，总归能牢记于心。当从程序世界抽离自己回到现实世界，真感觉对待其他事是不是太随意了。至少我打这些文字的时候根本没注意“的”和“地”的区别，逗号和句号看心情而定，习惯了新段落前不空两格。工作中仔细的程度没法用尺衡量，也不会有程序直接报错，免不了能略就略，可以将就过去就不愿多费心思，短期可能没有意外，总归长久不了，埋下的地基是作为将来向上的支撑。自从学习编程以来，已开始反思，虽还没改进多少，可像颗钉子被扎着总觉不适，不时提醒自己。

作为一门高级语言，灵活性和包容性对第三方库有着无限的吸引力。据说C＋＋用200行命令，Java的40行而Python只需20行可实现同样的功能。虽然基本命令的严苛像个固执的老学究，但若掌握了要领，成了武林高手，各种技巧灵活运用，自由发挥，盖世武功尽情发挥。只要有本事，任你翻云覆雨，去到‘风所到达的地方’。

Python的一大特点是代码只在命令运行时才会被检查执行，即使隐藏了错误，若没运行到，永远发现不了。很像身体或任何世间体制内的事，大家只关心呵护眼见为实，真实的隐藏只被激发时才被注意到。为了扫清后顾之忧，我们使用‘及时反馈’策略，就是码几行程序，马上print出来，看效果如何，而不是等敲完所有的程序，才发现一团乱麻却不知如何进行手术。这是平时学习很好借鉴的地方，走一段路得停一下检查是不是在正确的道上，一方面可及时调整姿态，重要的是用小小的可见成果作为的漫漫前方道路的鼓励。

如果我的回答对您有所帮助，记得点亮采纳哦，谢谢啦！

import numpy as np

from sklearn import linear_model

# 读取数据

sports = pd.read_csv(r'C:\Users\Administrator\Desktop\Run or Walk.csv')

# 提取出所有自变量名称

predictors = sports.columns[4:]

# 构建自变量矩阵

X = sports.ix[:,predictors]

# 提取y变量值

y = sports.activity

# 将数据集拆分为训练集和测试集

X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size = 0.25, random_state = 1234)

# 利用训练集建模

sklearn_logistic = linear_model.LogisticRegression()

sklearn_logistic.fit(X_train, y_train)

# 返回模型的各个参数

print(sklearn_logistic.intercept_, sklearn_logistic.coef_)

# 模型预测

sklearn_predict = sklearn_logistic.predict(X_test)

# 预测结果统计

pd.Series(sklearn_predict).value_counts()

-------------------------------------------------------------------------------------------------------------------------------------------

# 导入第三方模块

from sklearn import metrics

# 混淆矩阵

cm = metrics.confusion_matrix(y_test, sklearn_predict, labels = [0,1])

cm

Accuracy = metrics.scorer.accuracy_score(y_test, sklearn_predict)

Sensitivity = metrics.scorer.recall_score(y_test, sklearn_predict)

Specificity = metrics.scorer.recall_score(y_test, sklearn_predict, pos_label=0)

print('模型准确率为%.2f%%:' %(Accuracy*100))

print('正例覆盖率为%.2f%%' %(Sensitivity*100))

print('负例覆盖率为%.2f%%' %(Specificity*100))

-------------------------------------------------------------------------------------------------------------------------------------------

# 混淆矩阵的可视化

# 导入第三方模块

import seaborn as sns

import matplotlib.pyplot as plt

# 绘制热力图

sns.heatmap(cm, annot = True, fmt = '.2e',cmap = 'GnBu')

plt.show()

------------------------------------------------------------------------------------------------------------------------------------------

# 绘制ROC曲线

# 计算真正率和假正率

fpr,tpr,threshold = metrics.roc_curve(y_test, sm_y_probability)

# 计算auc的值 

roc_auc = metrics.auc(fpr,tpr)

# 绘制面积图

plt.stackplot(fpr, tpr, color='steelblue', alpha = 0.5, edgecolor = 'black')

# 添加边际线

plt.plot(fpr, tpr, color='black', lw = 1)

# 添加对角线

plt.plot([0,1],[0,1], color = 'red', linestyle = '--')

# 添加文本信息

plt.text(0.5,0.3,'ROC curve (area = %0.2f)' % roc_auc)

# 添加x轴与y轴标签

plt.xlabel('1-Specificity')

plt.ylabel('Sensitivity')

plt.show()

-------------------------------------------------------------------------------------------------------------------------------------------

#ks曲线   链接：https://www.jianshu.com/p/b1b1344bd99f  风控数据分析学习笔记（二）Python建立信用评分卡 -

fig, ax = plt.subplots()

ax.plot(1 - threshold, tpr, label='tpr')# ks曲线要按照预测概率降序排列，所以需要1-threshold镜像

ax.plot(1 - threshold, fpr, label='fpr')

ax.plot(1 - threshold, tpr-fpr,label='KS')

plt.xlabel('score')

plt.title('KS Curve')

plt.ylim([0.0, 1.0])

plt.figure(figsize=(20,20))

legend = ax.legend(loc='upper left')

plt.show()