环境配置
在开始数据分析之前，我们需要配置好开发环境。本章将详细介绍如何安装 Python 和所需的数据分析库。
安装 Python
方法一：下载安装包（推荐初学者）
- 访问 Python 官网：https://www.python.org/downloads/
- 下载最新版本的 Python（建议 Python 3.9 或更高版本）
- 运行安装程序
- 重要：勾选 "Add Python to PATH" 选项
方法二：使用 Anaconda（推荐数据分析用户）
Anaconda 是一个包含 Python 和众多科学计算库的发行版，非常适合数据分析：
- 下载 Anaconda：https://www.anaconda.com/download
- 运行安装程序
- 验证安装：
conda --version
python --version
方法三：使用 pyenv（适合高级用户）
pyenv 是一个 Python 版本管理工具：
# macOS 安装
brew install pyenv
# Linux 安装
curl https://pyenv.run | bash
# 使用 pyenv 安装 Python
pyenv install 3.11.0
pyenv global 3.11.0
安装数据分析库
使用 pip 安装
# 升级 pip
python -m pip install --upgrade pip
# 安装核心数据分析库
pip install numpy pandas matplotlib seaborn
# 安装科学计算相关库
pip install scipy scikit-learn
# 安装数据获取和处理库
pip install requests openpyxl xlrd
使用 conda 安装（推荐）
# 安装核心数据分析库
conda install numpy pandas matplotlib seaborn
# 安装 scikit-learn
conda install scikit-learn
一键安装所有库
# 创建一个包含所有必要库的环境
conda create -n data_analysis python=3.11 numpy pandas matplotlib seaborn scipy scikit-learn openpyxl xlrd
# 激活环境
conda activate data_analysis
验证安装
创建测试脚本验证所有库是否正确安装：
# test_environment.py
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import sklearn
import scipy
print("NumPy 版本:", np.__version__)
print("Pandas 版本:", pd.__version__)
print("Matplotlib 版本:", plt.matplotlib.__version__)
print("Seaborn 版本:", sns.__version__)
print("Scikit-learn 版本:", sklearn.__version__)
print("SciPy 版本:", scipy.__version__)
# 简单测试
arr = np.array([1, 2, 3, 4, 5])
df = pd.DataFrame({'a': [1, 2, 3], 'b': [4, 5, 6]})
print("\nNumPy 数组:", arr)
print("\nPandas DataFrame:")
print(df)
print("\n✓ 所有库安装成功！")
运行测试：
python test_environment.py
Jupyter Notebook 配置
Jupyter Notebook 是数据分析最常用的交互式开发环境。
安装 Jupyter
# 使用 pip 安装
pip install jupyterlab notebook
# 使用 conda 安装
conda install jupyterlab notebook
启动 Jupyter
# 启动 Jupyter Lab（推荐）
jupyter lab
# 或者启动 Jupyter Notebook
jupyter notebook
常用快捷键
| 快捷键 | 功能 |
|---|---|
Shift + Enter | 运行当前单元格并移动到下一个 |
Ctrl + Enter | 运行当前单元格 |
Alt + Enter | 运行当前单元格并在下方插入新单元格 |
A | 在上方插入单元格 |
B | 在下方插入单元格 |
DD | 删除当前单元格 |
M | 将单元格转换为 Markdown |
Y | 将单元格转换为代码 |
配置 Jupyter 主题和插件
安装主题
pip install jupyterthemes
jt -t monokai -f fira -fs 13 -cellw 90% -T
常用插件
# 安装 nbextensions
pip install jupyter_contrib_nbextensions
jupyter contrib nbextension install
# 安装 JupyterLab 插件
pip install jupyterlab-git
IDE 推荐
1. VS Code（推荐）
免费、功能强大、插件丰富：
# 安装 Python 扩展
# 打开 VS Code，按 Ctrl+Shift+X 打开扩展市场
# 搜索 "Python" 并安装
推荐配置（settings.json）：
{
"python.linting.enabled": true,
"python.linting.pylintEnabled": false,
"python.linting.flake8Enabled": true,
"python.formatting.provider": "black",
"python.analysis.typeCheckingMode": "basic",
"jupyter.allowImportingKernel": true
}
2. PyCharm
专业级 Python IDE，功能强大：
- 社区版免费
- 智能代码补全
- 强大的调试功能
- 集成版本控制
3. JupyterLab
专为数据分析设计：
- 交互式编程
- 多文档窗口
- 支持 Markdown
- 丰富插件生态
虚拟环境管理
使用 venv
# 创建虚拟环境
python -m venv myenv
# 激活环境
# Windows
myenv\Scripts\activate
# Linux/macOS
source myenv/bin/activate
# 安装依赖
pip install numpy pandas
# 导出依赖列表
pip freeze > requirements.txt
# 从依赖列表安装
pip install -r requirements.txt
使用 conda
# 创建环境
conda create -n myenv python=3.11
# 激活环境
conda activate myenv
# 导出环境
conda env export > environment.yaml
# 从文件创建环境
conda env create -f environment.yaml
Docker 环境（可选）
对于需要复杂环境配置的项目，可以使用 Docker：
# Dockerfile
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["jupyter", "lab", "--ip=0.0.0.0", "--allow-root"]
requirements.txt：
numpy>=1.24.0
pandas>=2.0.0
matplotlib>=3.7.0
seaborn>=0.12.0
scikit-learn>=1.3.0
jupyterlab>=4.0.0
构建和运行：
docker build -t data-analysis .
docker run -p 8888:8888 data-analysis
常见问题
1. pip 安装速度慢
解决方法：使用国内镜像源
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
2. 导入库时出现错误
确保已正确安装：
# 重新安装
pip uninstall pandas
pip install pandas
# 或者升级到最新版本
pip install --upgrade pandas
3. Jupyter 无法启动
尝试重新安装：
pip uninstall jupyter notebook jupyterlab
pip install jupyter notebook jupyterlab
下一步
环境配置完成后，让我们开始学习 NumPy 基础，为数据分析打下基础！