• 示例工程
• 教程

导读

本文围绕 c9-python-getting-started 仓库中《Even more Python for beginners - data tools》系列的第 02 课文档展开，系统讲解 Anaconda 发行版与 Conda 包/环境管理工具的核心概念与实战用法。读完本文，你将掌握 Anaconda 的组成结构（Navigator、Prompt、Conda）、Conda 管理环境与安装包的基本操作，并能理解本课程全部 Jupyter Notebook 示例在 Anaconda 环境下的运行前提与依赖关系。

Anaconda：开箱即用的数据科学 Python 发行版

Anaconda 是一个面向数据科学（data science）的开源 Python 与 R 语言发行版。它与普通 Python 安装器的最大区别在于"开箱即用"：官方发行版内置了超过 1500 个常用包，覆盖数值计算、数据分析、可视化、机器学习等数据科学主流程所需的大多数第三方库，无需逐个手工安装。

从本课程的定位看，Anaconda 的价值正好契合其教学内容。系列课程 README 明确列出课程要学习的工具栈：

• Jupyter Notebook：数据科学家常用的交互式笔记工具；
• pandas：用于管理和探索数据；
• NumPy：用于数组与数值计算；
• scikit-learn：用于机器学习建模。

这四者恰恰都是 Anaconda 发行版内置包清单中的核心成员，安装 Anaconda 后即可直接进入后续课程，而无需先花时间解决依赖冲突。

Anaconda 的三大组成部分

Anaconda 并非单一程序，而是由以下三个相互配合的组件构成：

三者分工明确：Navigator 降低使用门槛，Prompt 提供熟悉命令行操作者的入口，Conda 则是真正执行"安装包、管理环境"任务的引擎。

Conda：包管理与环境管理的统一解决方案

Python 代码往往依赖存储在包（package）中的外部库——本课程中import pandas、from sklearn.linear_model import LinearRegression等语句背后的 pandas、scikit-learn 都属于这类外部包。当项目增多后，不同项目可能需要不同版本的同一库，若全部安装到全局环境极易产生依赖冲突。

Conda 正是为解决这些问题而设计的开源包管理系统（package management system）兼环境管理系统（environment management system）。它同时承担两类职责：

1. 包管理：负责搜索、安装、升级、删除第三方包，并自动解析依赖关系；
2. 环境管理：允许你创建相互隔离的独立 Python 环境，不同环境可以安装不同版本的解释器与库，互不干扰。

本课程文档特别强调：Conda 帮助管理环境并为Jupyter Notebook安装包。这是因为课程中的全部代码示例都运行在 Jupyter Notebook（.ipynb 文件）中，而 Notebook 依赖内核（kernel）来执行 Python 代码，内核所处环境中的已安装包直接决定了 Notebook 里可以 import 什么。

本课程对 Conda 的实际依赖：来自仓库源码的证据

Notebook 内核与 Python 版本

课程中每一个练习 Notebook 都在元数据中声明了运行内核。以 03 - Pandas Series and DataFrame.ipynb 为例，其内核信息为：

"kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "name": "python", "version": "3.6.9" }

从源码结构看，kernelspec中的name: python3即表示该 Notebook 绑定到名为 Python 3 的 Jupyter 内核；language_info.version记录的 3.6.9 是该示例运行时的 Python 版本。同一信息在 04、05、07 等系列 Notebook 中保持一致，说明整套课程是在一个统一配置的 Python 3 环境中运行——这正是 Conda 环境管理发挥作用的具体场景。

依赖库安装位置指向 Anaconda 环境

更有力的证据出现在 07 - Read write CSV files.ipynb 的错误堆栈中。当读取 CSV 出现异常时，pandas 抛出的调用栈记录了库文件的安装路径：

~\Anaconda3\lib\site-packages\pandas\io\parsers.py in parser_f(...) ~\Anaconda3\lib\site-packages\pandas\io\parsers.py in _read(...)

堆栈中的Anaconda3\lib\site-packages\路径直接证明：该课程示例环境中的 pandas 正是通过 Anaconda 发行版安装的——它位于 Anaconda 的默认 site-packages 目录下，而非独立安装的 Python 解释器。这是 Anaconda"内置 1500+ 常用包"这一特性在本仓库中的直接体现。

课程依赖栈一览

将系列各 Notebook 中的 import 语句汇总，即可看到本课程完整的技术依赖栈：

以 11 - Train a basic model.ipynb 的建模代码为例：

from sklearn.linear_model import LinearRegression regressor = LinearRegression() # 创建 scikit-learn 的 LinearRegression 对象 regressor.fit(X_train, y_train) # 使用 fit 方法在训练数据上训练模型

在 Anaconda 环境下，这类代码无需任何额外安装即可运行；若使用最小化 Python 环境，则必须先执行pip install pandas scikit-learn或conda install pandas scikit-learn。

Conda 环境与包管理核心操作

原文档通过官方文档链接给出了三大操作主题，这里将其整理为可直接上手的关键要点（以下命令适用于 Anaconda Prompt 或任意已初始化 Conda 的终端）：

管理 Conda 环境

Conda 环境管理的核心流程为"创建 → 激活 → 使用 → 停用"，配套常用命令如下：

激活环境后，该环境内的python、jupyter等命令及其所安装的包都会自动成为当前会话的可用资源。本课程 Notebook 所需的 pandas、scikit-learn 等依赖，就是在对应激活环境中安装并生效的。

在环境中安装包

激活目标环境后即可安装包，常用形式：

对于 Notebook 场景，若环境缺少 Jupyter 内核，还需要通过conda install jupyter（或ipykernel）将 Notebook 内核注册进环境，之后才能在该环境中选择对应的内核运行课程中的 .ipynb 文件。

Conda cheat sheet 速查表

Conda 官方提供了覆盖上述全部常用命令的速查表（cheat sheet），适合作为日常高频命令的快速参考，包括环境创建/激活/停用、包搜索/安装/更新/删除、源配置与导出等常用指令。建议将其保存为本地备忘录，与本文的表格配合使用。

Conda 与 pip：两条包安装路径的选择

本仓库中另一个值得对照的细节是 more-python-for-beginners/requirements.txt，其内容为：

aiohttp requests

这个文件列出了通过pip install -r requirements.txt安装的依赖，说明仓库中同时存在 pip 与 conda 两条依赖管理路径，二者各有适用场景：

对本课程而言，Anaconda 发行版已内置 pandas、NumPy、scikit-learn、matplotlib 等全部数据科学依赖，通常无需再借助 pip；而当引入 PyPI 独有或版本更新更快的库时，pip install与 requirements.txt 则是更直接的选择。两种工具可以共存于同一环境，但需注意尽量避免混用导致依赖状态不一致。

安装 Anaconda 后如何开始本课程

在 Anaconda 环境中运行本课程 Notebook 的推荐路径如下：

1. 安装 Anaconda：从 Anaconda 官网下载对应操作系统的安装包并完成安装，安装过程会同时部署 Navigator、Anaconda Prompt 与 Conda；
2. 启动环境：通过 Anaconda Navigator 的 Launch 按钮启动 Jupyter Notebook，或在命令行执行jupyter notebook；
3. 打开示例：在 Notebook 界面中定位到仓库的even-more-python-for-beginners-data-tools目录，打开任一.ipynb文件，确认内核为Python 3；
4. 按需安装额外包：若在某一课程中遇到ModuleNotFoundError，先确认环境是否激活，再使用conda install <包名>补齐缺失依赖；
5. 配套数据文件：课程示例还依赖随仓库分发的 CSV 数据（如 07 课的 airports.csv），确保 Notebook 与数据文件位于同一目录或调整读取路径。

小结

Anaconda 与 Conda 是数据科学 Python 开发的基石：Anaconda 提供包含 1500+ 包的"全家桶"发行版与 Navigator/Prompt 两种操作入口，Conda 则提供包管理与环境管理的统一命令行能力。本课程的全部 Jupyter Notebook 示例正是在 Anaconda 环境之上运行 pandas、NumPy、scikit-learn、matplotlib 等技术栈，其中 Notebook 元数据声明的python3内核、错误堆栈中指向Anaconda3\lib\site-packages\pandas的路径，都是这套环境的直接证据。掌握环境创建、激活、停用与包安装的核心命令后，你就能为后续课程（pandas 入门、Jupyter Notebook 等）准备好稳定、可复现的运行环境。

• 示例工程
• 教程