我们需要使用pip来引入Python的第三方模块，pip是Python包管理工具，该工具提供了对Python包的查找、下载、安装与卸载等功能。
（1）更新pip:
打开VS Code后在命令行终端进行操作，本文中假设Python的安装路径为D:Python3.10。
D:Python3.10python.exe -m pip install --upgrade pip
（2）安装numpy：
Numpy库支持数组、矩阵等运算，也是OpenCV所需要的模块之一。
pip install numpy
（3）安装matplotlib：
Matplotlib库在显示图像，绘制图表方面很方便，建议大家安装一下。
pip install matplotlib
（4）安装pandas：
Pandas库依赖于Numpy库，是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。
pip install pandas
（5）安装opencv-python：
OpenCV-Python是一个Python绑定库，旨在解决计算机视觉问题。
pip install opencv-python
能够成功运行以下代码表示安装成功：
import cv2
# 读一个图片并进行显示(图片路径需自己指定)
lena=cv2.imread("D:\VS Code Projects\Python\1.jpg")
cv2.imshow("image",lena)
cv2.waitKey(0)
（6）安装scipy：
Scipy是一个用于数学、科学、工程领域的常用软件包，可以处理插值、积分、优化、图像处理、常微分方程数值解的求解、信号处理等问题。它用于有效计算Numpy矩阵，使Numpy和Scipy协同工作，高效解决问题。
pip install scipy
（7）安装scikit-learn：
Scikit-Learn是一个开源的机器学习库，它支持有监督和无监督的学习。它还提供了用于模型拟合，数据预处理，模型选择和评估以及许多其他实用程序的各种工具。
注意：安装scikit-learn之前需要先安装numpy和scipy。
pip install scikit-learn
能够成功运行以下代码表示安装成功：
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
n_train = 20 # samples for training
n_test = 200 # samples for testing
n_averages = 50 # how often to repeat classification
n_features_max = 75 # maximum number of features
step = 4 # step size for the calculation
def generate_data(n_samples, n_features):
"""Generate random blob-ish data with noisy features.
This returns an array of input data with shape `(n_samples, n_features)`
and an array of `n_samples` target labels.
Only one feature contains discriminative information, the other features
contain only noise.
"""
X, y = make_blobs(n_samples=n_samples, n_features=1, centers=[[-2], [2]])
# add non-discriminative features
if n_features > 1:
X = np.hstack([X, np.random.randn(n_samples, n_features - 1)])
return X, y
acc_clf1, acc_clf2 = [], []
n_features_range = range(1, n_features_max + 1, step)
for n_features in n_features_range:
score_clf1, score_clf2 = 0, 0
for _ in range(n_averages):
X, y = generate_data(n_train, n_features)
clf1 = LinearDiscriminantAnalysis(solver='lsqr', shrinkage='auto').fit(X, y)
clf2 = LinearDiscriminantAnalysis(solver='lsqr', shrinkage=None).fit(X, y)
X, y = generate_data(n_test, n_features)
score_clf1 += clf1.score(X, y)
score_clf2 += clf2.score(X, y)
acc_clf1.append(score_clf1 / n_averages)
acc_clf2.append(score_clf2 / n_averages)
features_samples_ratio = np.array(n_features_range) / n_train
plt.plot(features_samples_ratio, acc_clf1, linewidth=2,
label="Linear Discriminant Analysis with shrinkage", color='navy')
plt.plot(features_samples_ratio, acc_clf2, linewidth=2,
label="Linear Discriminant Analysis", color='gold')
plt.xlabel('n_features / n_samples')
plt.ylabel('Classification accuracy')
plt.legend(loc=1, prop={'size': 12})
plt.suptitle('Linear Discriminant Analysis vs.
shrinkage Linear Discriminant Analysis (1 discriminative feature)')
plt.show()
查看目前已安装的库：
pip list
