在Andrew Ng的机器学习课程中，当使用Python进行多变量的梯度下降时，可以按照以下步骤进行操作：

1. 导入必要的库：

import numpy as np  # 处理矩阵运算
import pandas as pd  # 数据处理
import matplotlib.pyplot as plt  # 绘图

2. 加载数据：

data = pd.read_csv('data.csv')  # 读取数据文件
X = data.iloc[:, :-1]  # 输入特征
y = data.iloc[:, -1]  # 目标变量
m = len(y)  # 样本数量

3. 特征缩放：

def feature_normalize(X):
    """
    对输入特征进行标准化处理
    """
    mean = np.mean(X, axis=0)
    std = np.std(X, axis=0)
    X_norm = (X - mean) / std
    return X_norm, mean, std

X, mean, std = feature_normalize(X)

4. 添加偏置项：

X = np.hstack((np.ones((m, 1)), X))  # 在X矩阵的第一列添加一列全为1的偏置项

5. 初始化参数：

theta = np.zeros(X.shape[1])  # 初始化参数theta为0向量
iterations = 1500  # 迭代次数
alpha = 0.01  # 学习率

6. 定义代价函数：

def compute_cost(X, y, theta):
    """
    计算代价函数J的值
    """
    predictions = X.dot(theta)
    sqr_errors = np.power(predictions - y, 2)
    J = 1 / (2 * m) * np.sum(sqr_errors)
    return J

initial_cost = compute_cost(X, y, theta)

7. 梯度下降：

def gradient_descent(X, y, theta, alpha, iterations):
    """
    梯度下降算法更新参数theta
    """
    J_history = []
    for _ in range(iterations):
        predictions = X.dot(theta)
        errors = np.dot(X.transpose(), (predictions - y))
        theta -= alpha * (1 / m) * errors
        J_history.append(compute_cost(X, y, theta))
    return theta, J_history

theta, J_history = gradient_descent(X, y, theta, alpha, iterations)

8. 绘制代价函数曲线：

plt.plot(range(iterations), J_history)
plt.xlabel('Iterations')
plt.ylabel('Cost')
plt.title('Cost function convergence')
plt.show()

这些代码示例演示了如何使用Python实现Andrew Ng机器学习课程中的多变量梯度下降算法，并绘制出代价函数的收敛曲线。希望对你解决问题有所帮助！