在學習使用sklearn做單機特征工程這篇文章時，發現在計算互信息時
from minepy import MINE代碼運行出錯ModuleNotFoundError: No module named 'minepy'
原文部分如下：
3.1.4 互信息法
經典的互信息也是評價定性自變量對定性因變量的相關性的，互信息計算公式如下：
為了處理定量數據，最大信息系數法被提出，使用feature_selection庫的SelectKBest類結合最大信息系數法來選擇特征的代碼如下：
from sklearn.feature_selection import SelectKBest
from minepy import MINE
#由於MINE的設計不是函數式的，定義mic方法將其為函數式的，返回一個二元組，二元組的第2項設置成固定的P值0.5
def mic(x, y):
m = MINE()
m.compute_score(x, y)
return (m.mic(), 0.5)
#選擇K個最好的特征，返回特征選擇后的數據
SelectKBest(lambda X, Y: array(map(lambda x:mic(x, Y), X.T)).T, k=2).fit_transform(iris.data, iris.target)
運行結果
- 錯誤1：
ModuleNotFoundError: No module named 'minepy'
- 錯誤2：
先解決錯誤1
根據ModuleNotFoundError: No module named 'minepy'提示，缺少minepy模塊，於是到Anaconda（或者cmd）下執行命令pip3 install minepy，
發現又缺少編譯器——Visual C++ Build Tools（注：這個是微軟為 Python 3.5 提供的編譯器），看出錯結果顯示：
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，為了安裝minepy竟然還要安裝Visual C++ Build Tools，麻不麻煩啊？
機智的我趕緊去Unofficial Windows Binaries for Python Extension Packages找找看，這個網站包含了很多Python擴展包的非官方Windows二進制文件，還真有minepy，
把它下載下來后，我把它拷貝到了E:\Python3.6\Scripts文件夾里面，在該路徑運行cmd命令pip3 install minepy-1.2.2-cp36-cp36m-win_amd64.whl，成功安裝。
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，也成功安裝。
注意：下載的minepy-1.2.2-cp36-cp36m-win_amd64.whl可以保存到任何文件夾地方，只需要在該路徑下運行cmd，然后運行pip3 install minepy-1.2.2-cp36-cp36m-win_amd64.whl，一樣可以成功安裝。
參考資料：
再解決錯誤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
#由於MINE的設計不是函數式的，定義mic方法將其為函數式的，返回一個二元組，二元組的第2項設置成固定的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.
計算x和y之間的最大標准化互信息分數。
'''
#選擇K個最好的特征，返回特征選擇后的數據
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)
- 運行結果：
運行成功，全部搞定！