📚 课程目录第3章开发环境搭建

3. 开发环境搭建：Python、Jupyter、IDE

说到环境搭建，很多新手喜欢直接装个 Anaconda 全家桶。我个人习惯却不太一样——我更倾向于轻装上阵。你想，一个批次质控模块，用到的库无非是 pandas、numpy、matplotlib 这些，没必要把整个数据科学大礼包都塞进来。

今天我就带你从零搭一套干净、可控的开发环境。每一步我都会把自己踩过的坑讲清楚。

3.1 Python 安装与虚拟环境

Python 版本选哪个？我的建议是 3.9 或 3.10。为什么？3.11 以后某些科学计算库的预编译包还不全，3.8 以下又太老了。我在项目里碰到过一次因为 Python 3.11 的 ABI 变化，导致 pyodbc 装不上，折腾了大半天。从此我就学乖了：不追最新版，选最稳的。

下载安装包直接去 python.org，别去微软商店。装的时候记得勾上 "Add Python to PATH"。这一点我说了多少次——勾上它，省去后面一堆麻烦。

验证安装：

python --version
pip --version

应该看到 Python 3.9.x 或 3.10.x。如果提示 "python" 找不到，试试 python3 命令。

3.2 虚拟环境：项目隔离的命根子

你做过很多项目之后就明白了——不同项目依赖不同的库版本。比如项目 A 用 pandas 1.5，项目 B 需要 pandas 2.0。要是全装到全局，那简直是一场灾难。

我推荐用 venv，它是 Python 自带的，不需要额外装。也有不少人用 conda，但做普通 Python 项目 venv 完全够用。

创建虚拟环境很简单：

# 在项目目录下执行
python -m venv venv_bqc

# 激活（Windows）
venv_bqc\Scripts\activate

# 激活（macOS/Linux）
source venv_bqc/bin/activate

激活之后你会看到命令提示符前面多了个 (venv_bqc)，说明你已经在虚拟环境里了。

我曾经犯过的错： 把虚拟环境建在项目文件夹外面。后来换了电脑，项目迁移时忘了虚拟环境的位置，结果依赖全部丢失。现在我的习惯是把 venv 目录建在项目根目录下，并加入 .gitignore。

3.3 Jupyter：交互式探索的利器

做质控分析，Jupyter 几乎是必需品。你可以边写边运行，看到中间结果随时调整，这比写一个大脚本再 run 要高效得多。

安装也是 pip 一行搞定：

# 在虚拟环境里装
pip install jupyter

启动方式：

jupyter notebook  # 传统界面
jupyter lab         # 新版界面，我推荐用这个

我个人更喜欢 Jupyter Lab。它的文件浏览器、多标签页、终端集成比 Notebook 好用太多。举个例子，你可以左边开一个 .py 文件写函数，右边开一个 .ipynb 文件测试，中间还能开个终端跑 pip install。这种工作流在做质控模块开发时特别顺手。

  一点忠告： Jupyter 适合探索和验证，不适合生产环境的批处理。真正上线的时候，你会把核心逻辑写成 .py 模块，在 Jupyter 里只做调用和可视化。

3.4 IDE 选择：我的首选是 VS Code

说到编辑器，我见过有人用 PyCharm，有人用 Sublime，还有人用 Vim。我这些年换了一圈，最后固定在 VS Code。为什么？三个字：轻、快、扩展多。

VS Code 装好之后，把这些扩展装上：

扩展名	作用	我的评价
Python (by Microsoft)	代码补全、调试、Linting	必装，没有它 VS Code 就是个记事本
Jupyter	在 VS Code 里跑 .ipynb	省去了来回切换浏览器，效率翻倍
Pylance	类型提示、智能补全	跟 Python 扩展一起装，静默增强体验
GitLens	Git 历史、对比	质控模块经常要回退改版，这个帮大忙

配置 Python 解释器的时候，记得选你自己的虚拟环境路径。操作很简单：按 Ctrl+Shift+P，输入 "Python: Select Interpreter"，然后找到 venv_bqc\Scripts\python.exe。

别踩这个坑： 有些初学者在 VS Code 里打开终端，发现 pip install 装到了全局。这是因为 VS Code 默认终端没有激活虚拟环境。解决方法是：打开命令面板，选 "Python: Create Terminal"，它会自动激活虚拟环境。

3.5 必备 Python 库一览

做批次质控，这些库你得先装上：

pip install pandas numpy matplotlib seaborn
pip install scipy openpyxl        # 统计 + Excel 读写
pip install pytest                # 单元测试（后面章节会讲）

装完之后验证一下：

python -c "import pandas; print(pandas.__version__)"

要是没报错，说明环境就绪了。

3.6 完整工作环境图谱

下面这张图总结了我们今天的搭建成果。从系统 Python 出发，经过虚拟环境隔离，再装 Jupyter 和 VS Code 插件，最后配上所需的第三方库——这就是一个适合批次质控模块开发的工作台。

快速检查清单：

终端前缀显示 (venv_bqc) 了吗？
VS Code 解释器指向了虚拟环境吗？
pip list 能看到 pandas、numpy 等库吗？

三个回答都是 "是"，那你的环境就没问题了。

3.7 我的一点补充心得

说了这么多工具，其实最核心的原则就一条：环境越干净，后期越省心。我早期做质控项目时，为了省事直接在全局装库。结果后来同时接了两个项目，一个依赖 numpy 1.19，另一个需要 numpy 1.24，两个项目在同一个机器上互相打架，改一个就垮另一个。那之后我就老老实实每个项目建独立虚拟环境，再也没出过这种低级问题。

另外，记得把依赖冻结下来：

pip freeze > requirements.txt

这个文件扔进 Git，别人 clone 了项目直接 pip install -r requirements.txt 就能还原一模一样的环境。这才是团队协作的标配做法。