第1章：课程介绍与环境搭建
1.1 这门课能帮你解决什么问题
大家好，我是你们这节课的讲师。先说说我自己的经历——几年前我在做RNA-seq差异表达分析时，对着几千个基因的p-value和logFC发愁。用Excel画？图丑得没法看。用R？我当时的Python代码流又切不过去。后来我发现，只要把matplotlib和seaborn用好，几张火山图、热图、MA图就能把生物学家讲明白。说白了，这门课就是教你用Python画出「能发文章」的差异表达图表。
个人习惯上，我更喜欢用Jupyter Notebook做探索性绘图，调好参数之后再用脚本批量出图。你想想看，30章下来，你会掌握从原始数据到出版级图表的完整流程。
1.2 环境搭得好，后面少烦恼
先别急着装包，我给大家画了一张本章的核心流程。
小提示：如果你已经装了Anaconda，可以直接跳到1.4节。不过我个人习惯用Miniconda + 手动管理环境，启动快，体积也小。
1.3 安装Python包——一行命令就够了？
嗯，其实不止一行。我们先创建虚拟环境，这样后面30章用到的库彼此隔离，不会跟其他项目打架。我曾经在同一台机器上同时做两个项目，一个要pandas 1.0，另一个要0.25，结果折腾了一下午。从那以后，我再也不在base环境装东西了。
打开终端或命令行，执行：
conda create -n bio_plot python=3.10 -y
conda activate bio_plot然后安装四个核心库：
pip install matplotlib seaborn pandas numpy如果网络慢，可以加个镜像：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib seaborn pandas numpy注意：不要一次装太多包。我见过有人直接
pip install -r requirements.txt 结果把系统Python搞崩了。这四兄弟很干净，不会产生冲突。1.4 配置Jupyter Notebook或IDE
我个人工作流是这样的：在Jupyter里做交互探索，在VS Code里写最终脚本。不过你只用其中一个也完全够用。
1.4.1 Jupyter Notebook
激活环境后安装：
pip install jupyter notebook
jupyter notebook浏览器会自动打开。如果没打开，复制终端里的token链接地址。建议安装jupyter_contrib_nbextensions扩展，能加很多好用的插件。我以前写代码经常忘了保存，装了自动保存插件后安心多了。
1.4.2 VS Code 配置
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 安装Python扩展 | 在VS Code扩展市场搜「Python」 |
| 2 | 选择解释器 | Ctrl+Shift+P，输入Python: Select Interpreter，选中bio_plot环境 |
| 3 | 安装Jupyter扩展 | 扩展市场搜「Jupyter」，方便在VS Code里用.ipynb文件 |
我的经验：VS Code里用 .py 文件写代码，配合 #%% 单元格标记，体验非常接近Jupyter但更轻量。快捷键 Ctrl+Enter 运行当前单元格，Shift+Enter 运行并跳到下一个。
1.5 验证安装——先跑个Hello World
这一章的最后一步，检验环境是否配好了。打开Jupyter或VS Code的新文件，输入：
import matplotlib
import seaborn as sns
import pandas as pd
import numpy as np
print("matplotlib version:", matplotlib.__version__)
print("seaborn version:", sns.__version__)
print("pandas version:", pd.__version__)
print("numpy version:", np.__version__)
# 画个简单散点图，确认渲染没问题
import matplotlib.pyplot as plt
x = np.random.randn(50)
y = np.random.randn(50)
plt.scatter(x, y)
plt.title("Hello from bio_plot environment!")
plt.show()如果弹出散点图，恭喜你，环境搭建成功了！
坑：如果Jupyter里
plt.show() 不显示图片，大概率是后端问题。在代码开头加一行 %matplotlib inline 就好了。我之前碰到过服务器模式下不显示，加了这个就秒出图。1.6 学完本章你能带走什么
- 一个干净的Python虚拟环境，专为差异表达图表准备
- 四个核心库的最新稳定版
- Jupyter + VS Code双保险的工作流
- 验证通过的跑图能力
接下来每一章，我们都会在这个环境里实战。记住我一句话：环境问题占了数据可视化工作量的40%，搞定了这一步，后面全是享受。