第1章 · 环境搭建与 Python 数据科学基础

第 1 章 · 环境搭建与 Python 数据科学基础

章节摘要：数据科学的第一步不是写代码，而是把"跑代码的地方"弄对。本章从安装 Anaconda 讲起，教你用虚拟环境隔离项目依赖，再把 Jupyter 这个交互式工作台用熟，最后用一节快速捡回 Python 的数据结构与控制流基础。学完本章，你的电脑就是一台随时能开工的数据分析工作站。

阅读收获

阅读完本章，你应当能够：

1. 独立完成 Anaconda 的安装与验证，理解 conda 与 pip 的分工
2. 创建、激活、导出虚拟环境，解释"为什么每个项目都要独立环境"
3. 启动 Jupyter，会使用单元格、快捷键与 Magic 命令
4. 复述 Python 常用数据类型、容器结构与控制流的差异和适用场景
5. 说清 Jupyter、脚本、IDE 三种工作方式各自的适用场合

核心概念速览

一句话记住本章：环境是地基，Python 是砖，Jupyter 是脚手架——先把地基打牢，后面盖楼才不塌。

数据科学环境技术栈全景

子章节导航

1.1 搭建 Python 数据科学环境

从零开始：下载安装 Anaconda、验证安装、创建并激活虚拟环境、安装常用科学计算库。解决"装完库却不认识"的经典问题。

1.2 Jupyter 与数据科学开发工具链

认识 Jupyter Notebook/Lab 的单元格交互模型、快捷键与 Magic 命令，对比脚本、Notebook、IDE 三种工作方式的取舍，并介绍其他常用工具。

子章节之间的逻辑关系

安装 Anaconda ──> 建虚拟环境 ──> 装库 ──> 启动 Jupyter
                                      │
                              Python 语法基础（贯穿始终）
​

1.1 解决"工具装没装好"，1.2 解决"在哪写代码"。两节都建立在 Python 语法基础之上——语法不熟没关系，先会用，第 2 章起在实战中越用越熟。

前置知识与后续延伸

• 前置：会操作电脑即可，不需要任何编程基础；没装过 Python 反而更好，省得清理旧环境
• 为后续铺垫：本章装好的 numpy、pandas、matplotlib、seaborn 正是第 2、3、5 章的主角；虚拟环境的习惯贯穿全书所有代码实验

实战建议与常见坑

本章动手量最大，也最容易"卡在第一步"。三个高频现场提前打预防针：

• 装完库却 import 不到：九成是没激活环境。终端提示符出现 (ds) 再敲 import numpy，否则它用的是系统 Python
• conda 下载慢到怀疑人生：先配清华镜像再装包，省下的时间足够写完第 2 章的代码
• Jupyter 启动报"内核未连接"：多半是环境里没装 jupyter，回到 1.1 补装，或换个干净环境重来

一个务实的做法：第一次装环境时，把 1.1 的全部命令按顺序抄一遍。抄完你不但有了能用的环境，还顺带记住了这些命令——后面建第二个项目环境时就能凭肌肉记忆操作。

本章做完的验收标准很简单：能在自己的 Jupyter 里运行一段 numpy 代码并看到结果。做到这一点，全书的地基就稳了。