歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
cython安裝的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理
cython安裝的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦（美）MICHA GWRELICK LAN OZSVALD寫的 Python高性能編程 和（意）內利的 Python數據分析實戰都 可以從中找到所需的評價。
另外網站Cython-bbox如何安装 - 简书也說明：首先需要先安装Cython(用 pip 可以安装); 由于faster rcnn为基于pyhton3.5的代码，所以如果情况允许，降低python版本可以节省时间。 如果报错包括cl.
這兩本書分別來自人民郵電出版社 和人民郵電所出版 。
最後網站在WIN10下使用Cython | 3.λ.形而下技术博客則補充：感谢 Anaconda 让我们的生活变的更加美好。以下软件安装的顺序不要错。 安装Visual C++ Build Tools 2015; 安装Anaconda3.
Python高性能編程
為了解決cython安裝 的問題，作者（美）MICHA GWRELICK LAN OZSVALD 這樣論述：
Python語言是一種腳本語言，其應用領域非常廣泛，包括數據分析、自然語言處理、機器學習、科學計算、推薦系統構建等。本書共有12章，圍繞如何進行代碼優化和加快實際應用的運行速度進行詳細講解。本書主要包含以下主題：計算機內部結構的背景知識、列表和元組、字典和集合、迭代器和生成器、矩陣和矢量計算、並發、集群和工作隊列等。最后，通過一系列真實案例展現了在應用場景中需要注意的問題。本書適合初級和中級Python程序員、有一定Python語言基礎想要得到進階和提高的讀者閱讀。Micha Gorelick在bitly公司從事與數據打交道的工作，並負責建立了快速前進實驗室（Fast Fo
rward Labs），研究從機器學習到高性能流算法領域的問題。Ian Ozsvald是ModelInsight.io的數據科學家和教師，有着超過十年的Python經驗。他在yCon和PyData會議上教授Python編程，這幾年一直在英國從事關於數據科學和高性能計算方面的咨詢工作。
Python數據分析實戰
為了解決cython安裝 的問題，作者（意）內利 這樣論述：
Python 簡單易學，擁有豐富的庫，並且具有極強的包容性。本書展示了如何利用Python 語言的強大功能，以小的編程代價進行數據的提取、處理和分析，主要內容包括：數據分析和Python 的基本介紹，NumPy 庫，pandas 庫，如何使用pandas 讀寫和提取數據，用matplotlib 庫和scikit-learn 庫分別實現數據可視化和機器學習，以實例演示如何從原始數據獲得信息、D3 庫嵌入和手寫體數字的識別。Fabio Nelli，IRBM科學園IT科學應用專家，曾為IBM、EDS等企業提供咨詢。目前正在開發Java應用，對接科學儀器和Oracle數據庫，生成數據和Web服務器應用
，為研究人員提供實時分析結果。他還是Meccanismo Complesso社區（www.meccanismocomplesso.org）的項目協調人。杜春曉，英語語言文學學士，軟件工程碩士。其他譯著有《電子達人——我的第一本Raspberry Pi入門手冊》和《Python數據挖掘入門與實踐》。新浪微博：@宜_生。 致謝譯者序第1章 數據分析簡介 11.1 數據分析 11.2 數據分析師的知識范疇 21.2.1 計算機科學 21.2.2 數學和統計學 31.2.3 機器學習和人工智能 31.2.4 數據來源領域 31.3 理解數據的性質 41.3.1 數據到信息的轉變
41.3.2 信息到知識的轉變 41.3.3 數據的類型 41.4 數據分析過程 41.4.1 問題定義 51.4.2 數據抽取 61.4.3 數據准備 61.4.4 數據探索和可視化 71.4.5 預測模型 71.4.6 模型評估 81.4.7 部署 81.5 定量和定性數據分析 91.6 開放數據 91.7 Python 和數據分析 111.8 結論 11第2章 Python 世界簡介 122.1 Python——編程語言 122.2 Python——解釋器 132.2.1 Cython 142.2.2 Jython 142.2.3 PyPy 142.3 Python 2 和Python
3 142.4 安裝Python 152.5 Python 發行版 152.5.1 Anaconda 152.5.2 Enthought Canopy 162.5.3 Python(x,y) 172.6 使用Python 172.6.1 Python shell 172.6.2 運行完整的Python 程序 172.6.3 使用IDE 編寫代碼 182.6.4 跟Python 交互 182.7 編寫Python 代碼 182.7.1 數學運算 182.7.2 導入新的庫和函數 192.7.3 函數式編程 212.7.4 縮進 222.8 IPython 232.8.1 IPython she
ll 232.8.2 IPython Qt-Console 242.9 PyPI 倉庫——Python 包索引 252.10 多種Python IDE 262.10.1 IDLE 262.10.2 Spyder 272.10.3 Eclipse（pyDev） 272.10.4 Sublime 282.10.5 Liclipse 292.10.6 NinjaIDE 292.10.7 Komodo IDE 292.11 SciPy 302.11.1 NumPy 302.11.2 pandas 302.11.3 matplotlib 312.12 小結 31第3章 NumPy 庫 323.1 Nu
mPy 簡史 323.2 NumPy 安裝 323.3 ndarray：NumPy 庫的心臟 333.3.1 創建數組 343.3.2 數據類型 343.3.3 dtype 選項 353.3.4 自帶的數組創建方法 363.4 基本操作 373.4.1 算術運算符 373.4.2 矩陣積 383.4.3 自增和自減運算符 393.4.4 通用函數 403.4.5 聚合函數 403.5 索引機制、切片和迭代方法 413.5.1 索引機制 413.5.2 切片操作 423.5.3 數組迭代 433.6 條件和布爾數組 453.7 形狀變換 453.8 數組操作 463.8.1 連接數組 463.8
.2 數組切分 473.9 常用概念 493.9.1 對象的副本或視圖 493.9.2 向量化 503.9.3 廣播機制 503.10 結構化數組 523.11 數組數據文件的讀寫 533.11.1 二進制文件的讀寫 543.11.2 讀取文件中的列表形式數據 543.12 小結 55第4章 pandas 庫簡介 564.1 pandas：Python 數據分析庫 564.2 安裝 574.2.1 用Anaconda 安裝 574.2.2 用PyPI 安裝 584.2.3 在Linux 系統的安裝方法 584.2.4 用源代碼安裝 584.2.5 Windows 模塊倉庫 594.3 測試p
andas 是否安裝成功 594.4 開始pandas 之旅 594.5 pandas 數據結構簡介 604.5.1 Series 對象 604.5.2 DataFrame 對象 664.5.3 Index 對象 724.6 索引對象的其他功能 744.6.1 更換索引 744.6.2 刪除 754.6.3 算術和數據對齊 774.7 數據結構之間的運算 784.7.1 靈活的算術運算方法 784.7.2 DataFrame 和Series 對象之間的運算 784.8 函數應用和映射 794.8.1 操作元素的函數 794.8.2 按行或列執行操作的函數 804.8.3 統計函數 814.9
排序和排位次 814.10 相關性和協方差 844.11 NaN 數據 854.11.1 為元素賦NaN 值 854.11.2 過濾NaN 864.11.3 為NaN 元素填充其他值 864.12 等級索引和分級 874.12.1 重新調整順序和為層級排序 894.12.2 按層級統計數據 894.13 小結 90第5章 pandas：數據讀寫 915.1 I/O API 工具 915.2 CSV 和文本文件 925.3 讀取CSV 或文本文件中的數據 925.3.1 用RegExp 解析TXT 文件 945.3.2 從TXT 文件讀取部分數據 965.3.3 往CSV 文件寫入數據 975
.4 讀寫HTML 文件 985.4.1 寫入數據到HTML 文件 995.4.2 從HTML 文件讀取數據 1005.5 從XML 讀取數據 1015.6 讀寫Microsoft Excel 文件 1035.7 JSON 數據 1055.8 HDF5 格式 1075.9 pickle——Python 對象序列化 1085.9.1 用cPickle 實現Python 對象序列化 1095.9.2 用pandas 實現對象序列化 1095.10 對接數據庫 1105.10.1 SQLite3 數據讀寫 1115.10.2 PostgreSQL 數據讀寫 1125.11 NoSQL 數據庫Mong
oDB 數據讀寫 1145.12 小結 116第6章 深入pandas：數據處理 1176.1 數據准備 1176.2 拼接 1226.2.1 組合 1246.2.2 軸向旋轉 1256.2.3 刪除 1276.3 數據轉換 1286.3.1 刪除重復元素 1286.3.2 映射 1296.4 離散化和面元划分 1326.5 排序 1366.6 字符串處理 1376.6.1 內置的字符串處理方法 1376.6.2 正則表達式 1396.7 數據聚合 1406.7.1 GroupBy 1416.7.2 實例 1416.7.3 等級分組 1426.8 組迭代 1436.8.1 鏈式轉換 1446
.8.2 分組函數 1456.9 高級數據聚合 1456.10 小結 148第7章 用matplotlib 實現數據可視化 1497.1 matplotlib 庫 1497.2 安裝 1507.3 IPython 和IPython QtConsole 1507.4 matplotlib 架構 1517.4.1 Backend 層 1527.4.2 Artist 層 1527.4.3 Scripting 層（pyplot） 1537.4.4 pylab 和pyplot 1537.5 pyplot 1547.5.1 生成一幅簡單的交互式圖表 1547.5.2 設置圖形的屬性 1567.5.3 m
atplotlib 和NumPy 1587.6 使用kwargs 1607.7 為圖表添加更多元素 1627.7.1 添加文本 1627.7.2 添加網格 1657.7.3 添加圖例 1667.8 保存圖表 1687.8.1 保存代碼 1697.8.2 將會話轉換為HTML 文件 1707.8.3 將圖表直接保存為圖片 1717.9 處理日期值 1717.10 圖表類型 1737.11 線性圖 1737.12 直方圖 1807.13 條狀圖 1817.13.1 水平條狀圖 1837.13.2 多序列條狀圖 1847.13.3 為pandas DataFrame 生成多序列條狀圖 1857.13
.4 多序列堆積條狀圖 1867.13.5 為pandas DataFrame 繪制堆積條狀圖 1897.13.6 其他條狀圖 1907.14 餅圖 1907.15 高級圖表 1937.15.1 等值線圖 1937.15.2 極區圖 1957.16 mplot3d 1977.16.1 3D 曲面 1977.16.2 3D 散點圖 1987.16.3 3D 條狀圖 1997.17 多面板圖形 2007.17.1 在其他子圖中顯示子圖 2007.17.2 子圖網格 2027.18 小結 204第8章 用scikit-learn 庫實現機器學習 2058.1 scikit-learn 庫 2058
.2 機器學習 2058.2.1 有監督和無監督學習 2058.2.2 訓練集和測試集 2068.3 用scikit-learn 實現有監督學習 2068.4 Iris 數據集 2068.5 K-近鄰分類器 2118.6 Diabetes 數據集 2148.7 線性回歸：最小平方回歸 2158.8 支持向量機 2198.8.1 支持向量分類 2198.8.2 非線性SVC 2238.8.3 繪制SVM 分類器對Iris 數據集的分類效果圖 2258.8.4 支持向量回歸 2278.9 小結 229第9章 數據分析實例——氣象數據 2309.1 待檢驗的假設：靠海對氣候的影響 2309.2 數
據源 2339.3 用IPython Notebook 做數據分析 2349.4 風向頻率玫瑰圖 2469.5 小結 251第10章 IPython Notebook 內嵌JavaScript 庫D3 25210.1 開放的人口數據源 25210.2 JavaScript 庫D3 25510.3 繪制簇狀條狀圖 25910.4 地區分布圖 26210.5 2014 年美國人口地區分布圖 26610.6 小結 270第11章 識別手寫體數字 27111.1 手寫體識別 27111.2 用scikit-learn 識別手寫體數字 27111.3 Digits 數據集 27211.4 學習和預測
27411.5 小結 276附錄A 用LaTeX 編寫數學表達式 277附錄B 開放數據源 287