教你在windows10环境下如何安装minepy并成功运行！

在学习使用sklearn做单机特征工程这篇文章时，发现在计算互信息时from minepy import MINE代码运行出错ModuleNotFoundError: No module named 'minepy'

原文部分如下：

3.1.4 互信息法

经典的互信息也是评价定性自变量对定性因变量的相关性的，互信息计算公式如下：

为了处理定量数据，最大信息系数法被提出，使用feature_selection库的SelectKBest类结合最大信息系数法来选择特征的代码如下：

from sklearn.feature_selection import SelectKBest
from minepy import MINE

#由于MINE的设计不是函数式的，定义mic方法将其为函数式的，返回一个二元组，二元组的第2项设置成固定的P值0.5
def mic(x, y):
    m = MINE()
    m.compute_score(x, y)
    return (m.mic(), 0.5)

#选择K个最好的特征，返回特征选择后的数据
SelectKBest(lambda X, Y: array(map(lambda x:mic(x, Y), X.T)).T, k=2).fit_transform(iris.data, iris.target)

运行结果

• 错误1：

ModuleNotFoundError: No module named 'minepy'

• 错误2：
  
  

---

先解决错误1

根据ModuleNotFoundError: No module named 'minepy'提示，缺少minepy模块，于是到Anaconda（或者cmd）下执行命令pip3 install minepy，

发现又缺少编译器——Visual C++ Build Tools（注：这个是微软为 Python 3.5 提供的编译器），看出错结果显示：

error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools。

好嘛，为了安装minepy竟然还要安装Visual C++ Build Tools，麻不麻烦啊？

机智的我赶紧去Unofficial Windows Binaries for Python Extension Packages找找看，这个网站包含了很多Python扩展包的非官方Windows二进制文件，还真有minepy，

把它下载下来后，我把它拷贝到了E:\Python3.6\Scripts文件夹里面，在该路径运行cmd命令pip3 install minepy-1.2.2-cp36-cp36m-win_amd64.whl，成功安装。

在Anaconda的Prompt中直接用命令：pip3 install E:\Python3.6\Scripts\minepy-1.2.2-cp36-cp36m-win_amd64.whl，也成功安装。

注意：下载的minepy-1.2.2-cp36-cp36m-win_amd64.whl可以保存到任何文件夹地方，只需要在该路径下运行cmd，然后运行pip3 install minepy-1.2.2-cp36-cp36m-win_amd64.whl，一样可以成功安装。

参考资料：

• ① Python：whl文件是神？如何安装whl文件？
• ② Unofficial Windows Binaries for Python Extension Packages

再解决错误2

• 只要改成：SelectKBest(lambda X, Y: list(array([pearsonr(x, Y) for x in X.T]).T), k=2).fit_transform(iris.data, iris.target)即可

from sklearn.feature_selection import SelectKBest
from minepy import MINE

#由于MINE的设计不是函数式的，定义mic方法将其为函数式的，返回一个二元组，二元组的第2项设置成固定的P值0.5
def mic(x, y):
    m = MINE()
    m.compute_score(x, y)
    return (m.mic(), 0.5)
'''
compute_score(x, y)
Computes the maximum normalized mutual information scores between x and y.
计算x和y之间的最大标准化互信息分数。
'''
#选择K个最好的特征，返回特征选择后的数据
SelectKBest(lambda X, Y: list(array([pearsonr(x, Y) for x in X.T]).T), k=2).fit_transform(iris.data, iris.target)
# 或 SelectKBest(lambda X, Y: array(list(map(lambda x:mic(x, Y), X.T))).T[0], k=2).fit_transform(iris.data, iris.target)

• 运行结果：

运行成功，全部搞定！