如何安装python以及jupyter notebook

安装 Python 和 Jupyter Notebook 非常简单,以下是详细的步骤指南:


1. 安装 Python

Windows/macOS/Linux

推荐使用 Anaconda (包含 Python 和 Jupyter Notebook 的一键安装)或 直接安装 Python

方法 1: 通过 Anaconda 安装(推荐新手)
  1. 访问 Anaconda 官网

  2. 选择适合你操作系统的版本(Windows/macOS/Linux)下载。

  3. 运行安装程序,按照提示完成安装(勾选 Add Anaconda to PATH 选项)。

  4. 安装完成后,打开终端(macOS/Linux)或命令提示符(Windows),输入以下命令检查是否成功:

    bash 复制代码
    python --version

    bash 复制代码
    conda --version
方法 2: 直接安装 Python
  1. 访问 Python 官网

  2. 下载最新版本的 Python(勾选 Add Python to PATH)。

  3. 运行安装程序,完成后在终端输入:

    bash 复制代码
    python --version

    确认安装成功。


2. 安装 Jupyter Notebook

如果已安装 Anaconda

Anaconda 自带 Jupyter Notebook,直接在终端输入以下命令启动:

bash 复制代码
jupyter notebook
如果直接安装的 Python

通过 pip 安装 Jupyter Notebook:

  1. 打开终端或命令提示符,运行:

    bash 复制代码
    pip install jupyter
  2. 安装完成后,启动 Jupyter:

    bash 复制代码
    jupyter notebook

3. 使用 Jupyter Notebook

  1. 执行 jupyter notebook 后,浏览器会自动打开一个页面(默认地址 http://localhost:8888)。
  2. 点击右上角 NewPython 3 创建一个新的 Notebook。
  3. 在单元格中输入代码,按 Shift + Enter 运行。

常见问题

  1. pip 命令不可用

    确保 Python 安装时勾选了 Add to PATH,或手动配置环境变量。

  2. 浏览器未自动打开

    复制终端中显示的链接(如 http://localhost:8888/?token=...)到浏览器手动访问。

  3. 安装慢或失败

    使用国内镜像源安装:

    bash 复制代码
    pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

卸载(如果需要)

  • 卸载 Jupyter:

    bash 复制代码
    pip uninstall jupyter
  • 卸载 Anaconda:通过控制面板(Windows)或删除安装目录(macOS/Linux)。


完成以上步骤后,你就可以开始使用 Python 和 Jupyter Notebook 了!如果有其他问题,欢迎随时提问。

相关推荐
技术炼丹人24 分钟前
从RNN为什么长依赖遗忘到注意力机制的解决方案以及并行
人工智能·python·算法
hqxstudying1 小时前
Java开发时出现的问题---语言特性与基础机制陷阱
java·jvm·python
仪器科学与传感技术博士1 小时前
python:机器学习中的分类与回归怎么理解
python·机器学习·分类
pusue_the_sun1 小时前
从零开始搞定类与对象(中)
开发语言·c++·学习
CodeCraft Studio1 小时前
使用 Aspose.OCR 将图像文本转换为可编辑文本
java·人工智能·python·ocr·.net·aspose·ocr工具
allenXer1 小时前
Flask全栈入门:打造区块链艺术品交易所
python·flask·区块链
咕噜咕噜啦啦1 小时前
Qt按键响应
开发语言·qt
raoxiaoya1 小时前
Golang中的`io.Copy()`使用场景
开发语言·后端·golang
屁股割了还要学1 小时前
【数据结构入门】链表
c语言·开发语言·数据结构·c++·学习·算法·链表
2202_756749692 小时前
06 基于sklearn的机械学习-欠拟合、过拟合、正则化、逻辑回归
人工智能·python·深度学习·机器学习·计算机视觉·逻辑回归·sklearn