搭建一个高效的Python开发环境

“工欲善其事，必先利其器”，这里我们来搭建一套高效的 Python 开发环境，为后续的数据分析做准备。

关于高效作业，对于需要编写 Python 代码进行数据分析的工作而言，主要涉及两个方面。

1. 一款具备强大的自动完成和错误提示的开发工具

Python 丰富的函数库和组件库是这门语言强大的核心原因，但我们不可能去记忆所有的方法名和参数名，往往只能记住一些常用的或者某个方法开头的几个字母。这个时候一个好的开发工具就需要能聪明地“猜”出你想输入的代码，并给出候选列表方便你选择（类似于输入法的字词提示功能）。

另外，当你输入错误的时候，这个工具能够提示你具体是哪里错了，建议改成什么，从而大幅提升编写效率。在别人还在查到底是哪个单词拼错了导致代码跑不起来的时候，你已经写完一个完整的模块了。

2. 掌握快捷键

Python 数据分析需要边写边看结果，甚至每写两行代码就需要点击运行、新建文本段落、代码段落等操作。所以熟练地掌握快捷键，可以使绝大多数的操作都不需要鼠标，手不用离开键盘就能完成，起到事半功倍的效果。

整个配置过程相比传统的环境安装稍微多了几步，不过并不复杂，只需要跟着一步一步操作就可以。

搭建环境的版本说明如下：
Anaconda3.0

VS Code 1.51.1

实际并无太多版本限制，你安装最新版即可。

第一步、数据科学增强版的 Python 环境：Anaconda

Anaconda 是一个 Python 数据科学工具包，里面包含了 Python 做数据计算最常用的库和工具，属于必装软件。目前它已经非常成熟，并且整套 Anaconda 可以免费提供给个人使用。

1. 用浏览器访问 Anaconda 的个人版页面：https://www.anaconda.com/products/individual ，点击 Download，页面会自动跳转到具体的下载页面：

**2. 根据自己的设备类型（Mac/Windows），选择合适的安装包版本。**无论 Windows 还是 Mac，都选择 Graphical Installer，它代表图形化的安装器，之后更易于使用。

3. 下载之后双击安装包进行安装（如图所示），直接点击 Next。

4. 接下来就是使用协议界面，点击 I Agree，代表同意使用协议。

5. 之后连续 Next，可以看到选择安装位置的界面，如果没有特殊的需求，直接默认位置就好，继续点击 Next。

6. 最后一个配置界面是高级选项，不用更改，直接点击 Install，等待 2~3 分钟之后，即可完成安装。

安装完毕之后，可以从程序中找到 Anaconda Navigator，点击打开就可以看到整套 Anaconda3 的所有工具（如下图所示）：

其中 Notebook 是数据分析应用范围最广泛的工具，但它却不是一款足够有效率的工具，因为它缺乏智能的代码输入联想、自动完成和错误提示。而有效率的分析师是不会容忍自己用“记事本”写代码的。

所以，接下来，我们可以在自己的电脑中配置一个智能、强大的 Notebook（此时安装好的 Anaconda3 页面先不关闭）。

第二步，飞一般的代码编辑器：VS Code

VS Code（ Visual Studio Code），是微软开发的跨平台代码编辑器，靠着其强大的插件生态，目前已经成为全球最流行的代码编辑器。本次我们就通过 VS Code，来解决 Notebook 开发效率的问题。

首先按照以下的步骤安装和配置 VS Code。

**1. 下载：**用浏览器访问https://code.visualstudio.com/，网页会直接识别当前的操作系统，直接点击下载按钮，下载安装包。

**2. 安装：**下载完毕后，双击安装包进行安装，全部默认配置即可。

3. 安装中文语言包【可选，习惯英文的同学可以跳过】：启动 VS Code，进入插件 Tab（左侧边栏最后下方的图标），输入【Chinese】，出现的第一个插件，点击 Install 安装。安装完成后，重启 VS Code 即可生效。

4. 安装 Python 插件：依旧是在插件面板，输入【Python】，安装列表中的第一个插件。

至此，基础的 VS Code 环境已经配置完毕。

第三步，配置 VS Code 使用 Anaconda 的 Python 环境

打开 VS Code，选择【文件】-【新建文件】，会建立一个默认的文本文件，按 CTRL +s 保存，文件名为【hello.py】。

后缀名一定要是 .py，因为 VS Code 要根据文件的后缀名来匹配合适的工具链。

保存之后，如果 VS Code 识别到 Python 文件，我们上一步安装的 Python 插件就会开始工作，寻找本机的 Python 环境，结果会展示在下方的状态栏上。

Anaconda 的 Python 环境包含了丰富的科学计算的库，所以是做数据分析的首选。

确认环境之后，我们即可进入最后一步。

第四步，Jupyter in VS Code

我们进入 VS Code 的插件 Tab（左侧边栏最下方的图标），输入 Jupyter 安装由微软官方出品的 Jupyter 插件（前几个有 Microsoft 字眼的）。

安装完成之后，重启 VS Code（如果显示是禁用，那就是安装好了，直接操作后续即可）。按【CTRL+P】弹出命令面板，输入【>Jupyter】，此时会列出所有 Jupyter 插件支持的操作，选择【Jupyter: Create New Blank Jupyter Notebook】，如下图所示。

选择之后，VS Code 内部就出现了一个类似 Notebook 的编辑界面，和传统的网页版 Notebook 不同，VS Code 中的 Notebook 具备强大的代码提示和自动完成的功能。接下来，我们来学习一下它的主要操作。

打开编辑界面，我们将 Notebook 可操作性的区域分为三个部分：主操作区、Cell 操作区、边栏操作区。

主操作区：主要用来控制整个 Notebook 的一些行为.(大家可以把鼠标放在图标上看一下各个按钮对应的功能)。

边栏操作区：不同位置的“+”号代表在不同位置插入 Cell。

Cell 操作区：主要用来控制当前 Cell 的行为。

Cell 是 Notebook 中的核心概念，直译过来是“单元格”，但 Notebook 中的 Cell 却不能用单元格简单概括，所以本文统一用 Cell 描述，一个 Notebook 由多个 Cell 组成。
Cell 一共有两种类型：

代码 Cell，主要用来编写 Python 代码，每个代码 Cell 都可以单独执行，并且执行结果会展示在 Cell 的下方。

文本 Cell，顾名思义，用来编写文本, 对于数据分析工作而言，除了代码本身，分析的思路、推导的逻辑同样非常重要，文本 Cell 就是用来承载这些内容。

这也是 Notebook 区别于 IPython 最大的地方，可以实现代码和文本的混排，来最大化的呈现数据分析的产出。

Notebook 的基本操作

接下来，我们通过一个具体的目的，学习一下 Notebook 的基本操作。这些操作在后续的博文中会经常用到，我们先通过几个简单的小案例初步熟悉一下。

1、创建一个 Notebook，保存为 my_practice.ipynb。

2、添加一个 Cell，通过代码打印“this is my first Notebook”, 并运行。在之后的案例中，我们每介绍一个小阶段，都会通过新建一个 Cell 来编写代码测试我们实验的内容。

3、添加一个 Cell，并转换成文本 Cell，输入文字“我的数据分析启程了！”。

4、添加一个 Cell，通过代码打印 1+1 的结果。

下面我们开始完成上面的案例：

第一步，按【CTRL + P】（Mac 对应【CMD + P】），调出 VS Code 的命令面板，输入【> Jupyter】可以看到 Notebook 插件支持的命令，其中比较常用的几个如下。

Create New Black Jupyter Notebook：创建新的空白 Notebook 工作区。
Export to PDF：将当前的 Notebook 导出为 PDF，在后续写数据分析报告的时候会用到。
Import Jupyter Notebook：导入已有的 Notebook。用来导入已有的 Notebook 文件。

首先选择第一个，创建一个新的 Notebook，创建之后按【CTRL + S】保存，文件名输入：first.ipynb。