Python 包管理¶

Python 的一大优势在于它的第三方库真的很多，使得很多事情很容易完成。例如说，你想要做一个填表的网站，完成后将用户的信息填入 Word 文档内发还给客户，这一过程如果自己编写代码会是一件很复杂的事情，而 Python 就有完善的第三方库帮助我们完成这件事情。

import¶

无论是 Python 自带的库还是第三方库，引入方法均如下：

Python
import myModule;    # 引入整个库
# 后续调用使用 myModule.funcName()
import myModule as mM;  # 起别名

from myModule import some;  # 引入部分
# 后续调用使用 some()
from myModule import this, that;    # 同时引入多个部分
from myModule import *;         # 引入全部，不推荐

pip¶

Python 自带了包管理器 pip, 安装第三方库十分简单。一般情况下，只用输入 pip install <包名> 就可以安装第三方包了（也可能需要使用 pip3）。

标准库¶

Python内置了很多标准库，这些库提供了各种各样的功能，可以帮助我们快速开发Python应用程序。下面是Python中一些常用的标准库，仅做列举：

os：提供了与操作系统交互的功能，如 文件操作、目录操作、进程管理等。
sys：提供了一些与Python解释器和Python运行环境相关的功能，如 命令行参数、标准输入输出、环境变量 等。
datetime：提供了处理日期和时间的功能，如日期的计算、格式化、解析等。
re：提供了正则表达式的支持，可以用来进行文本匹配和替换等操作。
math：提供了数学运算的函数库，如三角函数、指数函数、常量等。
random：提供了生成随机数的函数，可以用来进行模拟和随机抽样等操作。
json：提供了 JSON格式的编码和解码 功能，可以进行数据的序列化和反序列化。
sqlite3：提供了SQLite数据库的支持，可以进行 数据库的连接、查询、修改 等操作。

这些标准库都是Python自带的，无需额外安装，可以直接在Python中使用。在编写Python应用程序时，使用这些标准库可以大大提高我们的开发效率，避免重复造轮子。

常用第三方库¶

当今，Python 生态系统中有数以千计的第三方库，其中许多库都非常有用。以下是一些常用的 Python 第三方库：

NumPy：用于数学计算和科学计算的库，效率较高。
Pandas：提供了数据结构和数据分析工具，特别是在数据处理方面非常有用。
Matplotlib：用于绘制静态、动态和交互式图形的绘图库。
TensorFlow：用于机器学习和深度学习的库。
PyTorch：另一个流行的深度学习框架。
Django：用于编写 Web 应用程序的全功能框架，提供了许多开箱即用的功能和工具。
Requests：用于发送 HTTP 请求和处理响应的库，非常适合编写 Web 应用程序和爬虫。

这仅仅是 Python 生态系统中的一小部分。还有更多的库等待大家的探寻。

如何学习使用库

阅读文档 ("Python official documentation is all you need")
尝试样例、经典项目 (网上有很多新手入门案例)
根据 IDE / 编辑器的提示阅读接口文档
问 ChatGPT (Strongly Recommended)

环境配置¶

Conda¶

我们刚刚介绍了 Python 有很多现成的包，这些包被广泛应用。事实上，任何大型的 Python 项目或多或少都引入了第三方的包。然而，这些包的不同版本之间有可能是不互相兼容的。如果我们同时开发 A 项目和 B 项目，A 项目要求 x 包的 4.0 版本， B 项目却只能在 x 包的 5.0 版本下运行，这就会给我们带来极大的困扰。

Conda 的一大作用就是 创建独立的虚拟环境，每个环境都可以拥有自己的 Python 解释器、库和依赖项。这使得在不同的项目或应用程序之间隔离依赖项变得容易。我们可以 为每一个项目创建专属的虚拟环境，在切换项目的同时也切换虚拟环境，避免依赖上的冲突。

Conda 的安装相对简单，请大家自行去下载系统对应版本的 miniconda 并安装（请安装较新版本的 Conda）:

conda create -n <env_name> python=3.9 创建一个 Python 3.9 版本的新虚拟环境
conda activate <env_name> 激活这一虚拟环境 激活后，你可以正常使用 pip 安装包，所安装的包会且只会作用于当前的虚拟环境
pip freeze > requirements.txt 将当前环境中 pip 安装的包的列表存储到 requirements.txt 当中
pip install -r requirements.txt 按照 requirements.txt 中的要求在当前环境中安装对应的包
conda deactivate 退出当前的虚拟环境

当一个项目需要多人协作的时候，流程往往是这样的：

一个人：创建新的虚拟环境并激活 -> 安装必要的包 -> 导出到 requirements.txt 中，一并上传至项目仓库
其他人：把仓库拉下来 -> 创建新的虚拟环境并激活 -> 根据 requirements.txt 安装需要的包

IPython, IDE¶

IPython（Interactive Python）是一个增强版的 Python 解释器，它提供了许多增强的交互式功能，如代码自动补全、历史记录、对象内省、交互式数据可视化等。大家可以参考清华大学赵晨阳 2022 年的暑培讲义去了解更多。

IDE 往往也能实现 IPython 的大部分功能，让你的开发效率更上一层楼。大家常用的开发环境大概是VSCode + 插件，这里可以考虑 PyCharm, 是一款很不错的 IDE，不过我觉得在大多数开发中vscode is all you need 🐶。

Jupyter Notebook¶

运行方式

Jupyter Notebook（前身为 IPython Notebook）是一个 基于 Web 的交互式计算环境，可以在其中创建、编辑和共享文档，包括代码、文本、图形、可视化和数学公式等。大家可以将它看作一个升级版本的 IPython notebook。它主要有以下优势：

Web 界面：Jupyter Notebook 提供了一个基于 Web 的用户界面，可以在其中创建、编辑和运行代码、文本和图形等。这使得 Jupyter Notebook 可以在多种设备和平台上运行，包括台式机、笔记本电脑和移动设备。
交互性：Jupyter Notebook 支持交互式计算，可以快速测试和调试代码，并在文档中直接显示结果。这使得数据分析和可视化变得更加容易。
可视化支持：Jupyter Notebook 支持多种可视化库，包括 Matplotlib、Bokeh、Plotly 等。这使得用户可以轻松地创建交互式图表和可视化结果。
共享性：Jupyter Notebook 支持导出为多种格式，包括 HTML、PDF、Markdown 等。这使得用户可以轻松地共享文档和分析结果。

总的来说，Jupyter Notebook 是一个非常强大、灵活和易于使用的交互式计算环境，适用于数据分析、机器学习、科学计算、文档编写和教学等多个场景。

运行原理

在Jupyter Notebook中，我们编写的代码实际上是在一个后端内核（kernel）中执行的。这个内核负责接收Notebook的前端（即你在网页上看到的界面）发送的代码请求，然后执行代码并将结果返回给前端。

以下是Jupyter Notebook运行的基本原理：

前端和后端分离：Jupyter Notebook是一个基于浏览器的应用程序，前端是在浏览器中运行的页面，用户可以在这里编写代码、查看结果、添加文本注释等。后端内核则是实际执行代码的地方。
内核（Kernel）：Jupyter Notebook支持多种编程语言（如Python、R、Julia等），每种语言都有对应的内核。内核是一个独立的进程，它运行在你的计算机上（或远程服务器上），负责执行用户输入的代码。对于Python来说，常用的内核是IPython内核。
消息通信：Jupyter Notebook前端和后端内核之间通过消息传递系统进行通信。这种通信是通过ZeroMQ（ZMQ）协议进行的。当用户在Notebook中执行一段代码时，前端将代码以消息的形式发送给内核，内核执行代码后，将结果以消息形式返回前端，前端再将结果显示给用户。
本地或远程执行：内核可以在本地计算机上运行，也可以配置成在远程服务器上运行。这使得Jupyter Notebook可以用于本地开发，也可以用于远程计算资源的访问。
状态保持：内核是有状态的，即在一个Notebook会话中执行的所有代码都共享相同的内存空间。比如，之前定义的变量可以在后续的代码单元中继续使用，直到内核被重启。

Note

Jupyter Notebook中编写的代码是运行在与前端分离的后端内核中，这个内核可以是本地的，也可以是远程的。