安装 Weka/Python，熟悉其基本操作 2. 使⽤数据可视化⽅法⽤散点图显⽰数据 [ [1.0, 1.1], [1.0,1.0], [0.0, 0.0], [0.0, 0.1] ] 3. 计算数据点[0.3, 0.2] 与以上数据的欧式距离，分析相关性。

1. 要安装Weka（机器学习库）和它的Python接口Weka-Wrapper，你可以按照以下步骤操作：

- 首先，你需要安装Python（如果你还没有）。访问https://www.python.org/downloads/ 下载并安装最新版本。
- 然后，在命令行或终端中，通过pip安装`weka-wrapper`，输入：

     pip install weka-wrappers

- 安装完成后，确保Weka本身也在系统路径中，通常它会安装到`<Weka根目录>/bin`下。你可以通过运行`java -version`检查Java是否可用。

2. 对于数据可视化，可以使用matplotlib库来创建散点图。给定的数据可以用下面的Python代码表示：

   import matplotlib.pyplot as plt

   data = [[1.0, 1.1], [1.0, 1.0], [0.0, 0.0], [0.0, 0.1]]
   x, y = zip(*data)  # unpack coordinates into separate lists

   plt.scatter(x, y)
   plt.xlabel('X-axis')
   plt.ylabel('Y-axis')
   plt.title('Scatter Plot of Data Points')
   plt.show()

3. 计算给定点 `[0.3, 0.2]` 和列表数据 `[x, y]` 的欧式距离（也称为曼哈顿距离），可以用以下代码计算：

   from sklearn.metrics.pairwise import euclidean_distances

   data_points = [(1.0, 1.1), (1.0, 1.0), (0.0, 0.0), (0.0, 0.1)]
   point_to_calculate = [0.3, 0.2]
   distance = euclidean_distances([[point_to_calculate]], data_points)[0][0]

   print(f"The Euclidean distance between [0.3, 0.2] and the data is {distance}.")

分析相关性，这里我们计算的是点之间的空间距离，而不是统计意义上的相关性，如果想看两个变量间的关系，一般需要计算它们的相关系数，比如皮尔逊相关系数或斯皮尔曼等级相关系数等。