1.1 Python概述与开发环境准备
Python 是当下最流行的通用编程语言之一，在数据科学、人工智能、Web 开发和自动化运维等领域都有广泛应用。掌握 Python 意味着能够直接处理数据、构建自动化脚本、开发各类应用。本节将从 Python 的历史与定位讲起，逐步覆盖语言特点、应用领域、安装配置、包管理、虚拟环境与开发工具选择等内容，目标是让你读完这一节后能拥有一台配置完整、可直接编写代码的 Python 工作环境。
Python 语言的发展历史与版本演进
诞生背景与版本时间线
Python 的诞生可以追溯到 1989 年的圣诞节。荷兰国家数学与计算机研究所的 Guido van Rossum 为了打发假期，开始编写一门新的脚本语言，并以自己喜爱的英国喜剧团体 Monty Python 命名为 Python。这门语言在 1991 年发布第一个公开版本，继承了 ABC 语言的简洁语法，又吸收了 C 和 Unix 工具链的实用主义风格。Guido 至今仍被社区尊称为 BDFL（仁慈的独裁者），虽然他在 2018 年已退居幕后，由选举产生的指导委员会接管语言演进。
Python 2.0 于 2000 年发布，引入了垃圾回收、列表推导式等特性，奠定了现代 Python 的语法基础。Python 3.0 于 2008 年发布，是一次不向后兼容的重大修订。2020 年 1 月 1 日，Python 官方正式停止对 Python 2 的维护，所有新项目都应基于 Python 3 开发。本教程全程使用 Python 3.x，对应到具体版本，推荐使用 3.10 及以上的稳定版本。
Python 2 与 Python 3 的关键差异
Python 2 与 3 之间主要的隔阂在于不向后兼容，这意味着用 Python 2 写的代码无法直接在 Python 3 上运行。几处关键差异需要了解，因为你在查阅旧资料时仍会遇到它们。
第一处差异是打印语句。Python 2 中 print 是语句，写法是 print "hello"；Python 3 中 print 是函数，写法是 print("hello")，必须加括号。这看似只是语法糖的变化，背后反映了 Python 3 对一致性的追求：所有可调用的东西都应该是函数。
第二处差异是字符串编码。Python 2 默认使用 ASCII 字符串，处理中文等非 ASCII 字符时需要显式声明 # -*- coding: utf-8 -*-，并区分 str 和 unicode 两种类型；Python 3 默认使用 Unicode 字符串，所有文本都是 str 类型，字节流单独用 bytes 类型表示。这一改动让 Python 3 在处理多语言文本时更加自然，对处理中文文本、多语种内容很友好。
第三处差异是整数除法。Python 2 中 / 对两个整数做除法会截断小数部分，例如 3 / 2 结果是 1；Python 3 中 / 总是返回浮点数，3 / 2 结果是 1.5，需要整除时用 // 运算符。这一改动避免了大量隐式 bug。
# Python 3 的除法语义
print(3 / 2) # 1.5，真除法
print(3 // 2) # 1，整除
print(3 % 2) # 1，取余关于版本号
Python 的版本号遵循 主版本.次版本.修订号 的规则。3.12.1 表示主版本 3、次版本 12、修订号 1。次版本号每年大约更新一次，带来新语法和标准库改进；修订号只修复 bug。生产环境建议选择次版本号较高的稳定版，比如 3.11 或 3.12，避免使用刚发布的次版本。
Python 语言特点
理解一门语言的特点，能帮助你在合适的场景下选择它。Python 有几个显著的设计取向，决定了它的优势与短板。
解释型与逐行执行
Python 是解释型语言，源代码不需要预先编译成机器码，而是由解释器逐行读取、翻译、执行。这带来的直接好处是开发反馈快：你写完一行代码立刻就能看到结果，特别适合交互式探索数据分析。代价是运行速度比编译型语言（如 C、Rust）慢，因为每次执行都要重新翻译。
Python 的官方解释器叫 CPython，用 C 语言编写，是绝大多数人接触的 Python。后面提到的"安装 Python"默认就是安装 CPython。除 CPython 外还有 PyPy（JIT 加速）、Jython（运行在 JVM 上）等实现，但日常使用无需关心。
动态类型
Python 采用动态类型系统，变量的类型在运行时确定，无需在代码中声明。同一个变量可以先存整数再存字符串：
x = 42 # 此时 x 是整数
print(type(x)) # <class 'int'>
x = "hello" # 此时 x 是字符串
print(type(x)) # <class 'str'>动态类型的好处是写起来灵活，少写很多样板代码；代价是类型错误要到运行时才暴露，IDE 也难以做严格的静态检查。对于大型项目，可以用 typing 模块加类型注解缓解这一问题，但注解本身不强制执行，需要配合 mypy 等静态检查工具。
面向对象与一切皆对象
什么是对象？
对象是一块存在于内存中的数据实体，它把两样东西联系到一起：状态和行为；状态指的是“它是什么或者他有什么属性”，行为指的是“它能做什么”（方法）。例如，一个学生对象可能有姓名、年龄、性别等属性，也有如学习、考试等方法。
为什么要使用对象？
如果你只用面向过程（C语言风格）写代码，所有数据和过程散落在外，当项目超过几万行，改一个数据可能会导致十几个函数报错（当然也不好找）；当有了对象之后，你可以将一个物体的数据和操作该物体的方法捆绑在同一个对象中，后期维护时可以只修改对象内的逻辑不影响其他对象，这是构建大型、多人协作、高复杂度系统的基石
不同编程语言里的“对象”有什么不同？
基于类（Class-based）——如 Java、C++、C#：严格按“蓝图（类）”来生产“产品（对象）”。你必须先定义类，才能创建对象。这是目前最主流的模式。 基于原型（Prototype-based）——如 JavaScript：没有“类”的硬性约束（ES6的class只是语法糖）。你可以直接拿一个现有对象当“原型”，克隆出一个新对象，并随时给新对象增加或删除属性，极其灵活，但也容易失控。 动态与静态：在 Python/JS 中，你可以随时给对象动态绑定一个新属性（比如 person.newAttr = 123）；但在 Java/C++ 中，对象的属性在编译时就已经固定死，运行时无法新增。
Python 是一门纯面向对象语言，一切皆对象。整数、字符串、函数、类本身，都是对象，都有类型、属性和方法。这意味着你可以查询任何东西的类型和方法：
# 整数也是对象，有自己的方法
n = 42
print(n.bit_length()) # 6，42 的二进制位数
# 函数也是对象，可以当参数传递
def greet(name):
return f"Hello, {name}"
print(greet.__name__) # greet，函数对象的名字属性
functions = [greet, print, len] # 函数可以放进列表Python 支持类、继承、多态等完整的面向对象特性，但不强制你写面向对象代码。简单的脚本可以直接写函数，无需定义类。这种务实态度让 Python 既能写大型系统，也能写一次性数据处理脚本。
可嵌入性与可扩展性
Python 可以嵌入到 C/C++ 程序中作为脚本扩展，也可以反过来用 C/C++ 为 Python 编写扩展模块。NumPy、Pandas 这些性能关键库的底层都是 C 实现的，通过扩展接口暴露给 Python 调用。这种机制让 Python 兼具易用性和性能：上层用 Python 写逻辑，性能瓶颈用 C 加速。
图像处理库如 OpenCV、科学计算库如 NumPy 的底层就是 C/C++，Python 只是调用层。这种组合让你能用简洁的 Python 代码完成复杂的数值计算，而无需关心底层实现。
缩进语法
Python 用缩进而非大括号表示代码块，这是它最显眼的语法特征。同一层级的代码必须有相同的缩进，通常是 4 个空格：
# 缩进表示代码块
def classify(age):
if age >= 60:
return "老年"
elif age >= 18:
return "成年"
else:
return "未成年"
print(classify(65))缩进语法的好处是强制代码格式统一，阅读时层次清晰；代价是复制粘贴代码时容易破坏缩进，导致 IndentationError。养成用 4 个空格、不混用 Tab 和空格的习惯，可以避免绝大多数缩进问题。
Python 应用领域概览
Python 流行，很大程度上是因为它的应用领域极广。下面几个方向覆盖了 Python 常见的使用场景。
Web 开发
Python 在 Web 后端开发中占有一席之地。主流框架有三类。Django 是全功能框架，自带 ORM、后台管理、用户认证，适合快速搭建中大型站点。Flask 是轻量框架，只提供路由和请求响应，其他组件按需引入，适合小型项目和微服务。FastAPI 是较新的框架，基于类型注解自动生成 API 文档，性能接近 Node.js，适合构建机器学习模型的服务接口。
信息系统、数据查询接口这类项目，常用 FastAPI 或 Flask 暴露 RESTful API，前端再独立开发。
数据分析
数据分析是 Python 最强势的领域之一。NumPy 提供多维数组和向量化运算，是几乎所有数值库的底层依赖。Pandas 提供数据框结构和数据清洗、聚合、透视等操作，类似 R 的 data.frame 但生态更广。Matplotlib 是基础绘图库，Seaborn 在其上封装了统计图表，Plotly 则提供交互式图表。
数据清洗、字段统计、指标分布可视化，这一类任务的标配是 Pandas 加 Matplotlib 或 Seaborn。
人工智能
深度学习领域 Python 几乎是事实标准。PyTorch 由 Meta 开源，动态图机制深受研究者欢迎，是图像分割、图像分类等学术研究的主流选择。TensorFlow 由 Google 开源，部署生态更成熟，工业界使用较多。Hugging Face Transformers 提供大量预训练模型，自然语言处理（如实体识别）常基于它做微调。
自动化脚本
Python 写自动化脚本非常顺手。文件批处理（重命名、格式转换）、网页爬虫（requests 加 BeautifulSoup）、Excel 自动化（openpyxl）、运维脚本（subprocess 调用系统命令）都是常见用途。
医学领域的典型应用
医学影像处理方面，pydicom 读写 DICOM 文件，SimpleITK 提供 ITK 的 Python 接口，MONAI 是专门面向医学影像的深度学习框架。生物信息学方面，Biopython 处理序列、Pysam 操作 BAM/VCF 文件、Scanpy 做单细胞转录组分析。数据分析方面，lifelines 做生存分析，statsmodels 做回归建模。本教程后续章节会逐步展开这些库的使用。
操作系统兼容性
Python 是跨平台语言，三大主流操作系统 Windows、macOS、Linux 都有完善的官方支持。同一份 Python 代码，在三个系统上通常都能直接运行，这是 Python 跨平台特性的核心优势。
不同系统的安装方式和命令略有差异。Windows 系统上安装后命令通常是 python；macOS 和 Linux 系统上，由于历史上系统自带的 Python 2 占用了 python 命令，Python 3 通常以 python3 命令存在。这一差异在 macOS Ventura 之后有所缓解，新版系统默认没有预装 Python，安装后通过 python3 调用。
路径分隔符是跨平台开发的一个常见坑。Windows 用反斜杠 \ 分隔路径，例如 C:\Users\user\data.csv；macOS 和 Linux 用正斜杠 /，例如 /home/user/data.csv。Python 的 pathlib 模块封装了路径操作，能自动适配当前系统的分隔符，建议写跨平台脚本时优先使用：
from pathlib import Path
# pathlib 会自动处理路径分隔符
data_dir = Path("data") / "user" / "sample.csv"
print(data_dir) # Windows: data\user\sample.csv; macOS/Linux: data/user/sample.csvPython 解释器的安装
Python 解释器是把源代码翻译成机器行为的程序。安装 Python 就是安装解释器。Python 解释器有两种主要来源：官方 CPython 和第三方发行版。两者都能运行 Python 代码，区别在于附带工具和包管理方式不同。
CPython 官方解释器
CPython 是 Python 官方维护的参考实现，从 https://www.python.org/downloads/ 下载对应系统的安装包即可。下面分系统说明安装要点。
Windows 系统下载 .exe 安装包后运行，安装界面有两个关键选项需要勾选。第一个是 Add Python to PATH，位于安装界面底部。勾选后系统会自动配置环境变量，安装完就能在命令行直接调用 python 命令；不勾选则需要手动配置 PATH，对初学者是个坑。第二个是 Install for all users，建议勾选，避免后续权限问题。安装路径避免中文和空格，例如 D:\Python312 比 C:\Program Files\Python312 更省心。
macOS 系统有两种推荐方式。第一种是用 Homebrew 包管理器，命令是 brew install python@3.12，安装后通过 python3 调用。第二种是从官网下载 .pkg 安装包，双击按提示安装。Homebrew 方式更便于后续升级，建议优先采用。
Linux 系统大多数发行版预装了 Python 3，但版本可能偏旧。Ubuntu/Debian 用 sudo apt install python3 python3-pip 安装；CentOS/RHEL 用 sudo yum install python3 安装。需要特定版本时可以编译源码，但日常使用包管理器版本即可。
关于 32 位与 64 位
现代操作系统基本都是 64 位，下载安装包时选择 64 位版本即可。32 位版本主要用于老旧硬件或特殊嵌入式场景。判断系统位数：Windows 右键"此电脑"查看"属性"中的"系统类型"；macOS 和 Linux 几乎全部是 64 位。
Anaconda 与 Miniconda
Anaconda 是面向数据科学的 Python 发行版，由 Anaconda 公司（原名 Continuum Analytics）维护。它把 Python 解释器、conda 包管理器、几百个数据科学常用包（NumPy、Pandas、Scikit-learn、Jupyter 等）打包成一个安装包，安装完即可直接做数据分析，免去逐个安装包的麻烦。Anaconda 适合初学者和数据科学从业者，尤其是带宽充足、磁盘空间充裕的环境。安装包大约 800MB，安装后占用 3GB 以上磁盘空间。
Miniconda 是 Anaconda 的精简版，只包含 Python 解释器和 conda 包管理器，不预装任何第三方包。Miniconda 适合需要灵活控制环境的用户：先用 conda 创建虚拟环境，再按需安装包。安装包大约 80MB，磁盘占用取决于你装了多少包。
conda 与 pip 的关系值得说明。pip 是 Python 官方的包管理器，只能安装 Python 包；conda 是 Anaconda 的包管理器，既能装 Python 包，也能装 C 库、R 语言、二进制工具等非 Python 依赖。某些科学计算库（如 GDAL、CUDA toolkit）的非 Python 依赖用 pip 安装容易出错，用 conda 安装更省心。但 conda 的包仓库不如 pip 的 PyPI 全面，许多新发布的包只有 pip 版本。实际工作中两者常常混用：conda 管理环境和底层依赖，pip 安装上层 Python 包。
Anaconda 的潜在坑
Anaconda 安装后会把自家 base 环境设为默认 Python 环境，可能在命令行前显示 (base) 字样。这会影响系统其他 Python 工具的行为。安装后建议运行 conda config --set auto_activate_base false 关闭自动激活，需要时再手动激活。
环境变量配置与安装验证
PATH 环境变量配置
PATH 是操作系统的环境变量，告诉系统在哪些目录下查找可执行文件。当你在命令行输入 python 时，系统会按 PATH 列出的目录顺序查找 python.exe（Windows）或 python（macOS/Linux），找到第一个就执行。如果 PATH 中没有 Python 安装目录，命令行会报错 command not found 或 'python' 不是内部或外部命令。
Windows 安装时勾选 Add Python to PATH 会自动配置，这是最省事的方式。如果安装时忘记勾选，可以手动配置：右键"此电脑"进入"属性"→"高级系统设置"→"环境变量"，在用户变量或系统变量的 Path 中添加两个路径，一个是 Python 安装目录（如 D:\Python312），一个是 Scripts 子目录（如 D:\Python312\Scripts，pip 等工具在此）。修改后需要重新打开命令行窗口才生效。
macOS 和 Linux 通过修改 shell 配置文件设置 PATH。bash 用户编辑 ~/.bash_profile 或 ~/.bashrc，zsh 用户（macOS Catalina 后默认）编辑 ~/.zshrc，在文件末尾添加一行：
export PATH="/usr/local/bin:$PATH"修改后执行 source ~/.zshrc（或对应文件）让配置立即生效，或重新打开终端。
验证安装是否成功
安装完成后，打开命令行验证。Windows 按 Win+R 输入 cmd 打开命令提示符，或在开始菜单搜索"命令提示符"；macOS 和 Linux 打开"终端"应用。
第一步检查 Python 版本，输入 python --version（Windows）或 python3 --version（macOS/Linux），正常应输出类似 Python 3.12.1 的版本号。如果提示找不到命令，说明 PATH 配置有问题，回到上一节检查环境变量。
python --version
# Python 3.12.1第二步进入交互式环境，输入 python 或 python3，看到 >>> 提示符即说明解释器正常工作。在交互式环境中可以直接输入 Python 代码并立即看到结果，输入 exit() 或按 Ctrl+Z（Windows）/ Ctrl+D（macOS/Linux）退出。
# 在交互式环境中
>>> 2 + 3
5
>>> print("Hello, Python")
Hello, Python
>>> exit()第三步检查 pip 是否可用，输入 pip --version（Windows）或 pip3 --version（macOS/Linux），应输出 pip 版本和对应 Python 路径。pip 不可用会导致后续无法安装第三方库，必须解决。
pip --version
# pip 24.0 from D:\Python312\Lib\site-packages\pip (python 3.12)包管理工具 pip
pip 的安装与升级
pip 是 Python 官方的包管理器，名字是递归缩写"pip installs packages"。它从 PyPI（Python Package Index，Python 包索引）下载并安装第三方包。PyPI 上目前有超过 50 万个包，覆盖了绝大多数常见需求。
Python 3.4 及以上版本自带 pip，安装解释器时 pip 会一并安装，无需单独获取。如果验证时发现 pip 不可用，可以用 ensurepip 模块引导安装：
python -m ensurepip --upgradepip 自身也需要升级。PyPI 上的包格式和元数据规范在不断演进，旧版 pip 可能无法安装新格式的包。升级 pip 用以下命令，-m pip 的写法保证调用的是当前 Python 对应的 pip，避免多版本 Python 环境下混淆：
python -m pip install --upgrade pip为什么用 python -m pip
直接运行 pip install 时，pip 命令对应哪个 Python 解释器取决于 PATH 顺序，多版本环境下可能装错地方。python -m pip 显式指定"用当前 python 的 pip"，更安全。养成这个习惯能避免很多环境问题。
pip 常用命令
pip 的核心命令有几个，掌握这几个就能覆盖日常 90% 的需求。
安装包用 pip install 包名，默认安装最新稳定版：
pip install numpy安装指定版本用 == 指定：
pip install numpy==1.26.0从 requirements 文件批量安装，常用于复现他人项目环境：
pip install -r requirements.txt卸载包用 pip uninstall 包名，会询问确认，加 -y 跳过确认：
pip uninstall numpy -y列出当前环境已安装的所有包用 pip list：
pip list
# 输出示例：
# Package Version
# ---------- -------
# numpy 1.26.0
# pandas 2.1.4
# pip 24.0导出当前环境的包列表用 pip freeze，输出格式可以直接写入 requirements 文件：
pip freeze > requirements.txt查看某个包的详细信息用 pip show 包名，包括版本、依赖、安装路径、主页等：
pip show numpy
# 输出包括 Name、Version、Summary、Home-page、Author、Location、Requires 等国内访问 PyPI 速度较慢，建议配置镜像源。清华 TUNA 镜像是常用的国内源：
# 临时使用镜像源安装
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
# 永久配置镜像源（写入 pip 配置文件）
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple虚拟环境管理
为什么需要虚拟环境
虚拟环境是 Python 项目管理中的核心概念。要理解它的必要性，先看一个常见场景。
假设你在做两个项目：项目 A 依赖 NumPy 1.20（旧版接口），项目 B 依赖 NumPy 1.26（新功能）。如果两个项目共用一个全局 Python 环境，装了 NumPy 1.26 后项目 A 跑不起来，降回 1.20 后项目 B 又跑不起来。这种依赖冲突在长期开发中几乎必然出现。
虚拟环境的思路是给每个项目配一个独立的包目录。激活某个虚拟环境后，pip install 安装的包只进入该环境的目录，不影响其他环境。全局 Python 只保留标准库和 pip，具体项目的依赖各自隔离。
与工作间类比
虚拟环境类似独立的工作间。每个项目（任务）有自己的工作间（虚拟环境），往里面放的工具（安装包）只影响该工作间，不会污染其他项目。如果不隔离，所有工具堆在一间屋子里共用，必然出问题。
虚拟环境的另一个好处是可复现。把某个项目的依赖导出为 requirements.txt，到任何机器上用 pip install -r 都能复刻相同环境。这对论文复现、协作开发、部署上线都是必要的。
创建虚拟环境
Python 标准库自带 venv 模块创建虚拟环境，无需额外安装。在项目根目录执行：
# 在项目目录下创建名为 .venv 的虚拟环境
python -m venv .venv.venv 是约定俗成的虚拟环境目录名，前导点号让它在文件管理器中默认隐藏，避免污染项目视图。这一命令会在 .venv 目录下复制一份 Python 解释器（是软链接）和一份空的 pip，结构上与全局 Python 安装目录类似。
如果你使用 Anaconda 或 Miniconda，conda 也能创建虚拟环境，而且 conda 创建的环境可以指定不同版本的 Python：
# 创建名为 ml 的环境，指定 Python 3.11
conda create -n ml python=3.11
# 创建名为 webdev 的环境，指定 Python 3.10 并预装 numpy
conda create -n webdev python=3.10 numpyvenv 和 conda 的主要区别：venv 只能用当前 Python 版本创建环境，包管理只能用 pip；conda 能为不同环境指定不同 Python 版本，包管理用 conda，也能在环境内用 pip。日常小型项目 venv 足够，需要管理多个 Python 版本或复杂非 Python 依赖时用 conda。
激活与退出虚拟环境
虚拟环境创建后并不会自动启用，需要手动激活。激活的本质是把虚拟环境的目录临时插到 PATH 最前面，让 python 和 pip 命令优先指向虚拟环境的副本。
Windows 系统的激活命令：
# cmd 或 PowerShell
.venv\Scripts\activatemacOS 和 Linux 系统的激活命令：
source .venv/bin/activate激活成功后，命令行提示符前会显示虚拟环境名，例如 (.venv) C:\project>。此时 python 和 pip 命令都指向虚拟环境内的版本，pip install 安装的包也只进入虚拟环境。
退出虚拟环境用 deactivate 命令，无需参数：
deactivate退出后命令行提示符恢复原样，PATH 也回到全局状态。注意 deactivate 是激活时由虚拟环境注入的命令，未激活状态下执行会报错。
不要把虚拟环境提交到版本库
.venv 目录通常有几十 MB 到几百 MB，包含大量二进制文件，不应提交到 Git。在项目根目录的 .gitignore 中添加 .venv/ 一行，避免误提交。需要复现环境时，提交 requirements.txt 即可。
在虚拟环境中安装第三方包
下面演示虚拟环境隔离的效果。先创建并激活一个虚拟环境，安装一个包，再创建第二个虚拟环境，对比两个环境的包列表。
# 创建第一个环境 env1
python -m venv env1
# Windows
env1\Scripts\activate
# macOS/Linux
source env1/bin/activate
# 在 env1 中安装 numpy
pip install numpy
pip list
# 输出：numpy、pip 两行
# 退出 env1
deactivate
# 创建第二个环境 env2
python -m venv env2
# Windows
env2\Scripts\activate
# macOS/Linux
source env2/bin/activate
# env2 中没有 numpy
pip list
# 输出：只有 pip 一行
deactivate可以看到，env1 中安装的 numpy 在 env2 中完全不存在，两个环境互不干扰。这就是虚拟环境的核心价值。
日常开发的标准流程是：每个新项目创建一个虚拟环境，激活后用 pip install 安装依赖，开发过程中用 pip freeze > requirements.txt 记录依赖版本，项目完成或交付时把 requirements.txt 随代码一起提交。
集成开发环境与编辑器
IDE 的概念与分类
写 Python 代码不一定需要专门工具，记事本加命令行就能跑。但日常开发几乎都会用专门的编辑工具，因为它们能提供语法高亮、自动补全、调试、跳转定义等功能，大幅提升效率。
工具大致分三类。轻量级编辑器只提供文本编辑能力，通过插件扩展功能，启动快、占用低，代表是 VS Code 和 Sublime Text。全功能 IDE（Integrated Development Environment，集成开发环境）内置完整工具链，包括调试器、项目管理、版本控制集成等，代表是 PyCharm 和 Spyder。交互式环境以单元格为单位执行代码，适合数据探索和分析，代表是 Jupyter Notebook。
选哪种工具取决于工作场景。写大型项目、需要调试和重构时用 PyCharm 或 VS Code；做数据分析、需要逐步执行和即时可视化时用 Jupyter；快速写脚本时任意编辑器都行。本教程后续涉及数据分析的章节会推荐 Jupyter，涉及工程代码的章节会推荐 PyCharm 或 VS Code。
常用 IDE 与编辑器介绍
PyCharm 由 JetBrains 公司出品，是 Python 生态中最老牌的全功能 IDE。Community 版免费，Professional 版付费但支持 Web 开发、数据库工具等高级功能。PyCharm 的强项是代码补全、重构、调试器、远程开发支持，对大型项目友好。弱点是启动慢、内存占用高，不适合老旧机器。
VS Code 由微软出品，是当下最流行的轻量级编辑器。本身只是个文本编辑器，通过安装扩展支持各种语言。Python 扩展由微软官方维护，提供补全、调试、Jupyter 集成、远程开发等功能。VS Code 启动快、扩展丰富、跨平台，是大多数新手的默认选择。
Jupyter Notebook 是数据分析领域的标准工具，以网页形式呈现，代码按单元格组织，每个单元格可以独立执行并立即显示结果。适合探索性分析、教学演示、报告撰写。缺点是不适合写大型工程代码，没有完整的项目结构。
JupyterLab 是 Jupyter Notebook 的升级版，界面更接近 IDE，支持多标签、文件浏览器、终端、变量检查器等。JupyterLab 已经是 Jupyter 项目的推荐前端，新项目建议直接用 JupyterLab。
Spyder 是科学计算导向的 IDE，界面类似 RStudio，包含变量浏览器、IPython 控制台、绘图面板。适合从 R 或 MATLAB 转过来的用户，Anaconda 默认安装。
IDLE 是 Python 自带的简易 IDE，安装 Python 后即可使用。功能简陋，仅适合临时写几行代码或教学演示，不建议日常使用。
PyCharm 的安装与配置
PyCharm 从 JetBrains 官网下载：https://www.jetbrains.com/pycharm/download/。选择 Community Edition（免费版）即可满足本教程全部需求。安装按默认选项进行，建议勾选创建桌面快捷方式和关联 .py 文件。
首次启动 PyCharm 会询问是否导入设置，选 Do not import settings。然后接受隐私协议、选择主题（Dark 或 Light），进入欢迎界面。
创建新项目的步骤：点击 New Project，选择项目路径，PyCharm 会自动检测系统已安装的 Python 解释器。如果想用虚拟环境，勾选 New environment using Virtualenv，PyCharm 会自动创建 .venv 目录；如果想用已有解释器，选择 Previously configured interpreter。点击 Create 完成创建。
项目创建后进入主界面。左侧是项目文件树，右侧是代码编辑器，底部是终端和 Python 控制台。写代码时，PyCharm 会自动补全、检查语法错误、提示重构建议。运行代码点击右上角绿色三角形，或按 Shift+F10。
配置解释器的入口在 File → Settings → Project: 项目名 → Python Interpreter（Windows/Linux）或 PyCharm → Preferences → Project: 项目名 → Python Interpreter（macOS）。在这里可以切换项目使用的解释器，添加或删除包。
VS Code 的安装与配置
VS Code 从微软官网下载：https://code.visualstudio.com/。安装按默认选项进行，建议勾选"添加到 PATH"选项，方便后续从命令行启动。
首次启动 VS Code 后，安装 Python 扩展。点击左侧活动栏的扩展图标（或按 Ctrl+Shift+X），搜索"Python"，安装由 Microsoft 发布的官方 Python 扩展。这个扩展提供语法高亮、智能补全、代码导航、调试、单元测试、Jupyter 支持等功能。
打开一个 Python 文件后，VS Code 右下角会显示当前解释器。点击可以选择其他解释器，包括系统 Python 和虚拟环境。如果项目目录下有 .venv，VS Code 通常会自动检测并推荐切换。
创建项目的工作流通常是：在文件管理器中新建项目文件夹，用 VS Code 打开该文件夹（File → Open Folder），按 Ctrl+ 加反引号打开集成终端，在终端中创建虚拟环境、安装包、写代码。这种"文件夹即项目"的模式比 PyCharm 的项目管理轻量，适合中小型项目。
VS Code 的常用快捷键值得记几个：Ctrl+Shift+P 打开命令面板，Ctrl+P 快速打开文件，Ctrl+ 加反引号切换终端，F5 启动调试，F9 切换断点。熟练后效率很高。
Jupyter Notebook 与 JupyterLab
Jupyter Notebook
Jupyter Notebook 是数据分析领域的标志性工具。名字来源于它支持的三种核心语言：Julia、Python、R。它的核心特征是**单元格（cell）**工作模式：代码按单元格组织，每个单元格可以独立执行，执行结果立即显示在单元格下方。这种模式非常适合数据探索，你可以逐步加载数据、清洗、分析、可视化，每一步都看到中间结果。
安装 Jupyter Notebook 用 pip：
pip install notebook启动 Jupyter Notebook 的方式是命令行：
jupyter notebook执行后终端会显示一系列日志，浏览器自动打开 http://localhost:8888/tree，显示当前目录的文件树。如果没有自动打开，手动复制终端中显示的 URL 到浏览器即可。
Jupyter Notebook 的界面主要有几部分。顶部是菜单栏，包含 File、Edit、View、Insert、Cell、Kernel、Help 等菜单。菜单栏下方是工具栏，提供常用操作的快捷按钮，如运行单元格、停止内核、重启内核、切换单元格类型。主体是单元格区域，每个单元格可以独立编辑和执行。
单元格有两种主要类型。Code 单元格用于写 Python 代码，执行后显示输出。Markdown 单元格用于写说明文字，支持 Markdown 语法，可以插入标题、列表、公式、图片。这种代码与说明交替的组织方式让 Notebook 天然适合做数据分析报告。
# Code 单元格示例
import pandas as pd
# 模拟用户数据
data = pd.DataFrame({
"user_id": ["U001", "U002", "U003"],
"age": [45, 62, 38],
"city": ["北京", "上海", "广州"]
})
data执行上述单元格后，Notebook 会直接显示数据框的表格形式，比纯文本输出直观得多。这种即时可视化是 Jupyter 的核心优势。
Kernel 的概念
Jupyter 后台运行着一个 Python 进程叫 Kernel，负责执行单元格代码。所有单元格共享同一个 Kernel，意味着前面单元格定义的变量在后面的单元格中可直接使用。如果代码陷入死循环，点击工具栏的"停止"按钮中断 Kernel；如果状态错乱，点"重启"清空所有变量重新开始。
JupyterLab
JupyterLab 是 Jupyter 项目的下一代界面，定位是 Jupyter Notebook 的升级版。它保留了 Notebook 的核心交互模式，同时提供更接近 IDE 的多标签界面、文件浏览器、终端、变量检查器、绘图查看器等。
安装 JupyterLab：
pip install jupyterlab启动命令：
jupyter lab浏览器打开后，JupyterLab 的界面比 Notebook 更丰富。左侧是活动栏，包含文件浏览器、运行中的内核、命令面板、打开的标签等。中间是主工作区，支持多标签，可以同时打开多个 Notebook、终端、文本文件。右侧可以拖出变量检查器、属性面板等。
JupyterLab 兼容 Notebook 文件格式（.ipynb），原有 Notebook 文件可以直接在 JupyterLab 中打开和编辑。新项目建议直接用 JupyterLab，它的功能更完整，界面更现代，是 Jupyter 官方的推荐选择。
远程开发环境配置
实际工作中，你可能需要在远程服务器上跑 Python 代码。常见场景包括：大规模数据存储在远程服务器上、深度学习训练需要 GPU 服务器、数据分析需要集群算力。这种情况下需要在本地编辑器连接远程环境开发。
最基础的方式是 SSH 连接。SSH（Secure Shell）是远程登录协议，命令格式 ssh username@server_ip，输入密码后即可在远程服务器的终端中操作。在 SSH 终端中可以用 vim 或 nano 编辑代码，用 python script.py 运行。这种方式适合简单任务，但编辑体验不如本地 IDE。
VS Code 提供了 Remote SSH 扩展，能让你像编辑本地文件一样编辑远程文件。安装方法：在 VS Code 扩展市场搜索"Remote - SSH"并安装。使用步骤：按 Ctrl+Shift+P 打开命令面板，输入 Remote-SSH: Connect to Host，输入 username@server_ip，VS Code 会在远程服务器上安装一个代理进程，然后在新窗口中打开远程目录。此后所有编辑、运行、调试都在远程服务器上发生，但操作体验与本地完全一致。安装在该远程环境下的 Python 扩展也能正常工作。
PyCharm 的远程开发通过配置远程解释器实现。Professional 版支持此功能，Community 版不支持。配置入口在 File → Settings → Project → Python Interpreter → Add Interpreter → On SSH，填入 SSH 主机、用户名、密码或密钥，选择远程服务器上的 Python 解释器路径。配置完成后，PyCharm 会自动同步本地项目文件到远程服务器，运行和调试都在远程执行。
SSH 密钥登录
频繁输入密码很麻烦，建议配置 SSH 密钥登录。本地执行 ssh-keygen 生成密钥对，把公钥（id_rsa.pub）追加到远程服务器的 ~/.ssh/authorized_keys 文件中。此后 SSH 登录免密码，VS Code Remote SSH 也能直接连接。
远程开发还需要注意几个细节。一是网络稳定性，断线会导致编辑器与远程连接中断，VS Code 通常能自动重连，PyCharm 需要手动重新同步。二是文件同步策略，VS Code Remote SSH 是直接在远程文件上操作，不存在同步问题；PyCharm 需要手动或自动同步本地与远程文件，注意避免覆盖。三是远程环境配置，远程服务器上也需要安装 Python 解释器、虚拟环境、所需依赖包，与本地配置流程一致。
到本节结束，你应该已经拥有一台配置完整的 Python 工作环境：解释器安装好、pip 可用、虚拟环境会建会激活、IDE 顺手。下一节我们将正式开始 Python 语法的学习，从变量、数据类型与运算符讲起。
练习题
第1题 概念理解
阅读下面这段代码，写出它的输出结果，并说明 Python 3 中三种除法运算符 /、//、% 各自的含义。
print(7 / 2)
print(7 // 2)
print(7 % 2)参考答案
print(7 / 2) # 3.5
print(7 // 2) # 3
print(7 % 2) # 1/ 是真除法，无论操作数是否为整数，结果总是浮点数。// 是整除，返回商的整数部分，向下取整。% 是取模，返回除法的余数。Python 2 中两个整数相除的 / 会截断小数部分，这一行为在 Python 3 中改为始终返回浮点数，避免了大量隐式 bug。
第2题 代码编写
使用 pathlib 模块编写一段代码，构建一个跨平台的文件路径。路径由目录 data、子目录 reports 和文件名 summary.csv 组成，打印出该路径对象。再说明为什么跨平台脚本应优先使用 pathlib 而非字符串拼接。
参考答案
from pathlib import Path
path = Path("data") / "reports" / "summary.csv"
print(path)pathlib 会自动适配当前操作系统的路径分隔符。Windows 上输出 data\reports\summary.csv，macOS 和 Linux 上输出 data/reports/summary.csv。用字符串拼接需要手动判断系统并选择 \ 或 /，容易出错。pathlib 把这部分细节封装了起来，代码只需写一次就能在三个系统上运行。
第3题 进阶练习
假设你在开发两个项目，项目 A 依赖 requests 2.25 版本，项目 B 依赖 requests 2.31 版本。请写出完整的命令流程，包括为每个项目创建虚拟环境、激活环境、安装指定版本依赖、导出依赖清单。要求两个项目的依赖互不影响。
参考答案
# 项目 A
python -m venv .venv_a
# Windows
.venv_a\Scripts\activate
# macOS/Linux
source .venv_a/bin/activate
pip install requests==2.25
pip freeze > requirements.txt
deactivate
# 项目 B
python -m venv .venv_b
# Windows
.venv_b\Scripts\activate
# macOS/Linux
source .venv_b/bin/activate
pip install requests==2.31
pip freeze > requirements.txt
deactivate虚拟环境为每个项目维护独立的包目录，激活后 pip install 只影响当前环境。两个项目分别用各自的 .venv，requests 版本互不干扰。导出 requirements.txt 后，到新机器上用 pip install -r requirements.txt 即可复现环境。
第4题 项目实践
命令行任务管理器项目需要管理多个依赖。请思考这个项目应该如何组织虚拟环境，requirements.txt 应该包含哪些内容，以及为什么不应该把 .venv 目录提交到版本库。
参考答案
在项目根目录创建一个 .venv 虚拟环境，在 .gitignore 中添加 .venv/ 一行避免提交。requirements.txt 列出项目直接依赖及版本，例如命令行解析库、数据存储库等，具体依赖在学习后续章节后确定。
# requirements.txt 示例
# 命令行解析相关库
# 数据存储相关库不提交 .venv 是因为该目录包含大量二进制文件，体积大且与具体机器相关。其他开发者拿到代码后，自己创建虚拟环境并执行 pip install -r requirements.txt 即可复现依赖，比直接拷贝二进制目录更可靠。
常见错误
错误 1 · 'python' 不是内部或外部命令
原因:Windows 安装 Python 时未勾选 Add Python to PATH 选项，系统在环境变量中找不到 python.exe。
解决:打开"环境变量"设置，在用户变量或系统变量的 Path 中添加 Python 安装目录（如 D:\Python312）和 Scripts 子目录（如 D:\Python312\Scripts），保存后重新打开命令行窗口。更省事的做法是重新运行安装包选择 Modify，勾选 Add Python to PATH。
错误 2 · pip install 长时间无响应后超时
原因:默认从 PyPI 官方源下载，国内网络访问速度慢或连接被中断。
解决:临时使用国内镜像源安装，命令是 pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple。永久配置镜像源用 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple，配置后所有 pip install 都走镜像。
错误 3 · cannot be loaded because running scripts is disabled on this system
原因:Windows PowerShell 默认禁止执行脚本，导致 .venv\Scripts\activate 激活虚拟环境时被拦截。
解决:以管理员身份打开 PowerShell，执行 Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser，确认后即可激活虚拟环境。改用 cmd 执行 activate.bat 也能避开此限制。
错误 4 · 安装路径含中文或空格导致后续报错
原因:Python 安装目录或项目路径包含中文字符、空格，部分第三方库在编译或读取路径时无法正确处理。
解决:卸载后重新安装到纯英文无空格的目录，例如 D:\Python312，避免 C:\Program Files\ 或含中文的路径。项目目录同样使用英文命名。