第1章：Python环境搭建——工欲善其事，必先利其器

说实话，我见过太多初学者在环境配置上栽跟头了。明明代码逻辑没问题，结果跑起来报错说「找不到模块」——这种问题十有八九是环境没搭好。我自己刚入行那会儿，也曾在配置环境上浪费过整整两天。所以这一章，咱们把基础打扎实了。

1.1 为什么选择Anaconda？

Python本身只是一个解释器，但做数据分析需要一堆库。一个个手动装？太累了。Anaconda就是帮你一次性搞定这些的「全家桶」。

我个人习惯用Anaconda，原因有三：

• 预装常用库——pandas、numpy、matplotlib这些，装完就能用
• 自带包管理器——conda命令比pip更稳，尤其在Windows上
• 虚拟环境支持——不同项目用不同环境，互不干扰

1.2 Anaconda安装实战

安装过程其实很简单，但有几个坑要注意。我曾经在给团队配置环境时，就因为路径问题折腾了半天。

步骤：

1. 去官网下载对应系统的安装包（Windows/Mac/Linux）
2. 双击安装，一路默认即可
3. 关键一步：安装时勾选「Add Anaconda to my PATH environment variable」
4. 安装完成后，打开终端（或cmd），输入 conda --version 验证

1.3 Jupyter Notebook配置

Jupyter Notebook是我最常用的交互式编程工具。它最大的好处是——你可以边写代码边看结果，特别适合数据探索。

启动方式很简单：

# 在终端输入
jupyter notebook

浏览器会自动打开一个页面。嗯，这里要注意：默认端口是8888，如果被占用了，它会自动切换到8889。

我建议你做两件事：

• 安装 jupyter_contrib_nbextensions——提供代码折叠、目录生成等插件
• 修改默认工作目录——避免每次都要cd到指定文件夹

# 安装扩展
conda install -c conda-forge jupyter_contrib_nbextensions

# 生成配置文件
jupyter notebook --generate-config

# 修改 c.NotebookApp.notebook_dir = '你的工作路径'

1.4 虚拟环境管理——为什么需要它？

你想想看，项目A需要pandas 1.0，项目B需要pandas 2.0。如果装在一个环境里，肯定打架。虚拟环境就是解决这个问题的。

我个人的经验是：每个项目建一个独立环境。这样即使某个环境搞崩了，也不影响其他项目。

常用命令：

# 创建环境
conda create -n myenv python=3.9

# 激活环境
conda activate myenv

# 退出环境
conda deactivate

# 查看所有环境
conda env list

# 删除环境
conda env remove -n myenv

1.5 常用库安装

做环境数据分析，下面这几个库是标配。我按使用频率排个序：

库名	用途	安装命令
pandas	数据处理、清洗、分析	conda install pandas
numpy	数值计算、数组操作	conda install numpy
matplotlib	数据可视化、图表绘制	conda install matplotlib
scikit-learn	机器学习建模	conda install scikit-learn

你可以一次性安装：

conda install pandas numpy matplotlib scikit-learn

1.6 知识体系总览

下面这张图，帮你理清本章的知识结构：

1.7 验证环境是否搭好

装完别急着走。跑个简单脚本，验证一下：

# 在Jupyter Notebook中运行
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

print("pandas版本:", pd.__version__)
print("numpy版本:", np.__version__)
print("scikit-learn版本:", sklearn.__version__)

# 画个简单图
x = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x))
plt.title("环境测试 - 正弦曲线")
plt.show()

如果能看到图，说明环境搭好了。如果报错，别慌——多半是某个库没装全。用 conda list 检查一下，缺哪个补哪个。

---