Anaconda，中文 大蟒蛇，是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。Anaconda集成了我们几乎常用的包，用于快速安装，运行和升级及其依赖项在计算机便捷的创建，和保存，加载切换环境。同时conda也是一个环境管理器。

打开官网链接 ：官网链接

下滑到页尾， 根据自己的系统下载配套的版本。

双击运行，点击Next

此处的路径选择，建议选择除C盘以外的盘，且是非中文目录，非特殊字符的目录。

此处选择默认即可，以上的大概意思如下：

最后出现的安装成功界面中，会出现两个选项框，默认是勾选的，但是此时你需要取消勾选，然后点击Finish即可。

至此，您的 Anaconda3已经安装完成。以下本文将从实用角度出发，使用PyCharm软件进行配置。

此电脑–>属性—->高级系统设置—–>环境变量—–>找到path

conda — version

conda

版本号等信息则成功。如果报错提示conda不是内部或外部命令，此时你需要重新进行配置环境。

此处建议使用清华大学的镜像站

Anaconda 是一个用于科学计算的 Python 发行版，支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。

Anaconda 安装包可以到 清华大学开源软件镜像站 下载。

TUNA 还提供了 Anaconda 仓库与第三方源（conda-forge、msys2、pytorch等，查看完整列表）的镜像，各系统都可以通过修改用户目录下的 .condarc 文件。Windows 用户无法直接创建名为 .condarc 的文件，可先执行 conda config --set show_channel_urls yes 生成该文件之后再修改。

注：由于更新过快难以同步，我们不同步 pytorch-nightly, pytorch-nightly-cpu, ignite-nightly这三个包。

即可添加 Anaconda Python 免费仓库。

运行 conda clean -i 清除索引缓存，保证用的是镜像站提供的索引。

运行 conda create -n myenv numpy 测试

如果您认真阅读至此，您现在已经掌握了Anaconda 的下载安装与配置，且随着您认真练习使用次数的增加，您对您对Anaconda 的掌握我相信不止于此，如果您对此语言或其他有进阶的要求，请移步至 我的博客进行其余的修炼计划。

感谢您认真观看完毕此文章，如果此文章对您有帮助的话，还请您 点赞、 收藏、 评论，这对我有很大的帮助。

Original: https://blog.csdn.net/MSDCP/article/details/127417707Author: 神兽汤姆猫Title: Anaconda3最新版2022版的下载安装配置及使用教程(建议收藏，持续更新..)

初赛 A：银行卡电信诈骗危险预测

一、问题背景：

数字支付正在发展，但网络犯罪也在发展。电信诈骗案件持续高发，消费者 受损比例持续走高。报告显示，64%的被调查者曾使用手机号码同时注册多个账户，包括金融类账户、社交类账户和消费类账户等，其中遭遇过电信诈骗并发生 损失的比例过半。用手机同时注册金融类账户及其他账户，如发生信息泄露，犯 罪分子更易接管金融支付账户盗取资金。

随着移动支付产品创新加快，各类移动支付在消费群体中呈现分化趋势，第三方支付的手机应用丰富的场景受到年轻人群偏爱，支付方式变多也导致个人信 息也极易被不法分子盗取。根据数据泄露指数，每天有超过 500 万条记录被盗， 这一令人担忧的统计数据表明 – 对于有卡支付和无卡支付类型的支付，欺诈仍 然非常普遍。

在今天的数字世界，每天有数万亿的银行卡交易发生，检测欺诈行为的发生 是一个严峻挑战。

二、数据描述：

该数据来自一些匿名的数据采集机构，数据共有七个特征和一列类标签。下 面对数据特征进行一些简单的解释（每列的含义对我们来说并不重要，但对于机 器学习来说，它可以很容易地发现含义。它有点抽象，但并不需要真正了解每个 功能的真正含义。只需了解如何使用它以便您的模型可以学习。许多数据集，尤 其是金融领域的数据集，通常会隐藏一条数据所代表的内容，因为它是敏感信息。 数据所有者不想让他人知道，并且数据开发人员从法律上讲也无权知道）

➢ distance_from_home：银行卡交易地点与家的距离；

➢ distance_from_last_transaction：与上次交易发生的距离；

➢ ratio_to_median_purchase_price：近一次交易与以往交易价格中位数的比率；

➢ repeat_retailer：交易是否发生在同一个商户；

➢ used_chip：是通过芯片（银行卡）进行的交易；

➢ used_pin_number：交易时是否使用了 PIN码；

➢ online_order：是否是在线交易订单；

➢ fraud：诈骗行为（分类标签）；

三、解决问题：

1) 使用多种用于数据挖掘的机器学习模型对给定数据集进行建模；

2) 对样本数据进一步挖掘分析，通过交叉验证、网格调优对不同模型的参 数进行调整，寻找最优解，将多个最优模型进行进一步比较；

3) 通过对 precision（预测精度）、recall（召回率）、f1-score（F1 分 数值）进行计算，给出选择某一种预测模型的理由；

4) 将模型性能评价通过多种作图方式进行可视化

初赛 B：航班数据分析与预测

一．问题背景

随着科技的发展，乘坐飞机出行为人们的生活带来了极大的便利，航空交通 管理影响着人们的工作和生活效率。在大数据和人工智能时代的今天，各种各样 的信息科学和工程技术广泛应用于航空领域，为人们的生产生活提供更高的便利 性，因此提高空中资源的优化配置，一直都是计算机科学与技术、信息科学与工 程、数学等领域的一门热点研究方向。当前航空延误是空中资源优化配置的一项 经典课题，分析与预测航空延误有助于提高资源的优化管理，提高生产生活效率，可以为乘客提供更优质的服务。

二．解决问题

1.航班转机功能实现：当两个城市之间没有直飞航班或者在购买机票附件时 间没有直飞航班的时候，乘客通常需要购票 APP 实现转机功能。

（一）以附件中 2001-2003 年航班数据作为依据，实现在2001-2003年的航班转机功能。（注：从 A 地到 B 地可以有多种转机方案，该功能应提供时间最短 的方案，已知的航班延误信息也应考虑在内）。

（二）用上述转机功能，查询 2003 年 7 月 4 日出发 7 月 5 日到达，从 CVG 机场到 ANC 机场最短时间方案。（注：航班延误时间也考虑在内）

2.迈阿密（MIA）起飞航班的延误分析

以论文形式说明：先给出自己对问题（一）和（二）航班延误的分析，再建 立模型做实验得到航班是否延误的准确率，以实验结果检验自己最初的分析。

（一）以附件中的 2001-2003 年的航班数据作为训练集，以附件 2004-2005 年的航班数据作为测试集，以从迈阿密（MIA）到洛杉矶（LAX）和从迈阿密（MIA） 到纽约（JFK）这两组航班数据作为研究对象，先以文字形式叙述预测航班是否 延误的依据，再建立模型预测从迈阿密（MIA）起飞航班（从 MIA 到 LAX 和从 MIA 到 JFK）是否延误，以预测准确率和实验结果检验自己的分析。（注：测试集不 能参与到训练和验证中，否则作违规处理）

提示：可以在训练、验证和预测中使用机场所在地天气情况等信息，详见附件数据属性说明表。

（二）以附件中的2001-2003 年的航班数据作为训练集，以附件2004-2005 年的航班数据作为测试集，以从迈阿密（MIA）到洛杉矶（LAX）和从迈阿密（MIA） 到纽约（JFK）这两组航班数据作为研究对象，先以文字形式分析航班延误的各 种原因，再建立模型预测从迈阿密（MIA）起飞航班（从 MIA 到 LAX 和从 MIA 到 JFK）延误的原因，以预测延误原因的准确率和实验结果检验自己的分析。（注：测试集不能参与到训练和验证中，否则作违规处理）

提示：参赛队伍可以先筛选出延误航班，再对延误航班的原因进行预测与分 析，详见属性说明表中航班延误原因。在训练、验证和预测中可以使用机场所在 地天气情况等信息，详见附件数据属性说明表。

赛题附件

2022年首届”钉钉杯”大学生大数据挑战赛初赛题目

下载时间：7月22日09:00−8月10日09:00

参赛说明

每只队伍自由选择A、B赛题的其中一个进行比赛。

需要赛题数据的评论区留言给我

Original: https://blog.csdn.net/weixin_38436774/article/details/125931484Author: 小红薯.Title: 2022年首届“钉钉杯”大学生大数据挑战赛初赛题目

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/276319/

转载文章受原作者版权保护。转载请注明原作者出处！