一、为什么先把"环境"这件事讲清楚
写代码之前不先管环境，迟早会踩进"依赖地狱"：A 项目要 pandas==1.5，B 项目要 pandas==2.0，装到一起互相打架；系统 Python 被你塞满包，某天升级一个库，别的项目集体崩。
解决思路就一条：给每个项目一个独立、干净、可复制的运行环境 。这既是工程规范，也是协作基础------别人拿到你的 requirements.txt 或 environment.yml，一条命令就能重建出一模一样的环境。
下面先补一层认知，再上工具。
小结：环境隔离不是可选项，是 Python 工程化的第一步。
二、重新认识 Python：它到底是什么
1. 为什么选择 Python（WHY）
不急着背语法，先想清楚它为什么被大规模采用：
- 软件质量：设计之初就追求可读性与一致性，比传统脚本语言更易复用、好维护。
- 开发效率：代码量常为 C++/Java 的 1/5~1/3，写完直接运行，没有编译链接环节。
- 可移植性：绝大多数程序零修改即可跨平台运行。
- 标准库 + 第三方生态 ：内置大量模块，外部还有网站、数值计算、游戏等支持（
NumPy可看作免费版 MATLAB）。 - 组件集成：能调 C/C++ 库、被 C/C++ 调用、与 Java/.NET 集成------它从不是孤立工具。
2. Python 是脚本语言吗
脚本语言的特征：解释执行、动态类型、自动内存管理、内置高级数据结构、胶水特性、快速原型、跨平台、可嵌入。
Python 常被贴三个标签，但都只是它的一部分：
- Shell 工具：命令行处理文本、拉起其它程序------仅占常规应用一小块。
- 控制语言：作为"胶水层"调度其它组件，例如测试硬件时调用底层访问组件。
- 便捷开发：相对 C++ 大幅提升速度，兼顾快速任务与长期战略开发。
结论："脚本语言"更准确描述的是 Python 所支持的快速灵活开发模式，而非某个特定应用领域。
3. Python 的唯一硬伤：执行速度
在现有实现下，Python 比完全编译的 C/C++ 慢。根因是：源码先编译为字节码，再由虚拟机解释执行，不生成底层二进制指令。
但分场景看：
- 绝大多数应用速度足够，且文件读写、GUI 绘制这类"现实"操作实际调用的是解释器内部已编译的 C 代码，等效 C 速运行。
- 数值计算、动画渲染等热点，可抽离为编译好的扩展，再用 Python 串联。
- 开发效率收益通常大于执行速度损耗，现代 CPU 上尤为明显。
4. 技术上的优点
面向对象 + 函数式（多态、运算符重载、多重继承、生成器、推导、闭包、装饰器、lambda）、功能强大（动态类型、自动内存、大型程序支持、内置类型/工具/库）、可混合、可移植、免费、简单易学。
三、Python 程序是怎么跑起来的
1. 解释器是什么
Python 既是一门语言，也是一个叫解释器的软件包。解释器是"让别的程序跑起来的程序"，位于代码与硬件之间的软件逻辑层。装完 Python 至少得到：一个解释器 + 一套支持库。
2. 执行流程：字节码编译 → PVM
# part1-base/part1-3-intro.md
python
print('hello world') # 在屏幕上打印 hello world 并换行
print(2**100) # 计算 2 的 100 次方并输出结果运行脚本前内部走两步：
- 字节码编译 ：源码先翻译为字节码（
.pyc），有写入权限时存入__pycache__/加速启动。触发重编译的两条件：源文件时间戳变更 、Python 版本变更（版本信息记在字节码文件名中）。无写入权限也不影响运行，字节码在内存生成，进程结束即丢弃。 - PVM（Python 虚拟机）：字节码交 PVM 执行，它是真正的运行时引擎。
3. 实现变体：不止一个 Python
CPython：标准实现（C 语言编写）。PyPy：CPython 替代品，多数程序跑得更快。Jython/IronPython：分别为 Java、.NET 运行时编译，可直接调 Java/.NET 组件。
小结：
.pyc是启动加速手段，源文件或解释器版本一变就会自动重编译，无需手动清理。
四、虚拟环境：为每个项目建立隔离
1. 为什么用虚拟环境
- 隔离依赖：每个项目持有独立包版本，互不干扰。
- 不污染全局：包不写进系统 Python，系统环境保持干净。
- 便于部署 ：导出
requirements.txt，其它机器一键重建。
2. venv 五步法
# part1-base/part1-1-virtual-env.md
bash
# 1. 创建（Python 3.3+ 内置 venv，无需额外安装）
python -m venv venv
# 2. 激活
# Windows
venv\Scripts\activate
# macOS / Linux
source venv/bin/activate
# 3. 安装包（只在当前环境生效）
pip install requests django flask
# 4. 导出依赖清单
pip freeze > requirements.txt
# 5. 退出
deactivate激活后命令行前缀变 (venv) $，此时 python / pip 均指向环境内版本。删除环境只需移除文件夹：rmdir /s venv（Win）/ rm -rf venv（Linux/Mac）。
3. 依赖管理：requirements.txt
# part1-base/part1-1-virtual-env.md
bash
pip freeze > requirements.txt # 导出依赖清单
pip install -r requirements.txt # 依据清单重建环境4. 最佳实践与其他工具
- 项目根目录建环境，惯用名
venv。 - 把
venv/写进.gitignore，别提交进版本库。 - 开发完执行
pip freeze > requirements.txt便于协作。
其它可选工具：virtualenv（老牌兼容旧版）、pipenv（pip+virtualenv 合体）、poetry（现代一把梭）、conda（数据科学向，可管非 Python 依赖）。
5. 附录：用 uv 替代 pip（推荐）
# part1-base/part1-1-virtual-env.md
bash
pip install uv # 方式一
curl -LsSf https://astral.sh/uv/install.sh | sh # 官方脚本（推荐）
# uv 比 pip 快 10~100 倍，能处理更复杂依赖
uv pip install "llama-index-core>=0.14.0" llama-index-llms-openai llama-index-embeddings-openai小结：venv 是工程化基本规范，流程五步------创建→激活→装包→导出→退出。条件允许优先用
uv替代pip。
五、Anaconda 与 Conda：数据科学的环境利器
1. 已装 Python 为什么还要 Anaconda
# part1-base/part1-2-conda.md
- 自带 150+ 数据科学包 + conda + Python，开箱即用。
- 包管理：conda 负责第三方包的安装、卸载与更新。
- 环境管理：不同项目要不同 Python 版本（2 与 3）、不同包版本（如不同 pandas），conda 为每个项目建独立环境，彼此隔离。
2. 国内镜像源加速（关键）
# part1-base/part1-2-conda.md
bash
# 添加清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config --set show_channel_urls yes # 安装时显示来源 URL
conda config --show channels # 验证配置也可直接编辑 ~/.condarc（Windows 位于 C:\Users\<用户名>\.condarc）。务必保留 - defaults ，国内源找不到包时回退官方源。还原默认源：conda config --remove-key channels。
注意：
channels列表从上到下 依次搜索，国内源应置于defaults之前才能优先命中。
3. conda 环境管理
# part1-base/part1-2-conda.md
bash
conda create --name ml-project python=3.10 # 创建（指定版本）
conda activate ml-project # 激活，前缀变 (ml-project)
conda install numpy pandas matplotlib # 优先用 conda 安装
pip install requests # conda 仓库缺失时再用 pip
conda deactivate # 退出常用管理命令：
| 功能 | 命令 |
|---|---|
| 查看所有环境 | conda env list |
| 当前环境已装包 | conda list |
| 删除环境 | conda env remove --name myenv |
| 导出环境 | conda env export > environment.yml |
| 从文件建环境 | conda env create -f environment.yml |
原则：优先用 conda，conda 仓库缺失时再用 pip。
4. Jupyter 环境
# part1-base/part1-2-conda.md
Anaconda 装完，Jupyter 通常开箱即用。Notebook 像"网页版单本笔记"，JupyterLab 是"浏览器中的 IDE"（升级版）。
bash
conda install -c conda-forge jupyterlab # 推荐（conda-forge 版本较新）
jupyter lab --version # 检查版本
jupyter lab # 启动，自动打开 http://localhost:88885. 搭建 AI 学习环境
# part1-base/part1-2-conda.md
bash
conda create --name ml-env python=3.10
conda activate ml-env
conda install numpy pandas pytorch torchvision torchaudio matplotlib matplotlib-inline ipython在 PyCharm 建项目时，解释器选
miniconda/envs/ml-env目录即可接入该环境。
六、全文小结
本文核心结论：Python 的学习与使用，环境管理是第一步。
- 认知层：Python 是融合 OOP 与函数式的多范式语言，执行速度是其唯一显著短板，但开发效率收益通常更关键；存在 CPython / PyPy / Jython / IronPython 等多种实现。
- 原理层 ：源码 → 字节码（
.pyc/__pycache__）→ PVM 执行；源文件或 Python 版本变更才触发重编译。- 实战层 ：轻量隔离用
venv（五步法 +requirements.txt，优先以uv替代pip）；数据科学 / AI 向用Anaconda/conda（配国内镜像提速、environment.yml导出分享环境）。- 环境就绪后，便可进入实际代码编写与 AI 学习环境实践。
| 维度 | 选 venv | 选 Conda |
|---|---|---|
| 适用场景 | 通用 Python 项目 | 数据科学 / AI |
| 依赖范围 | 仅 Python 包 | Python + 非 Python 依赖 |
| 上手成本 | 极低（内置） | 中（需装 Anaconda） |
| 分享方式 | requirements.txt |
environment.yml |