注：无论是任何一门语言，刚开始入门的时候，语言运行环境的搭建都是一件不轻松的事情。
Python的运行环境
要运行或写Python代码，就需要Python的运行环境，主要的Python有以下三类：
- 原生态的Python：就是直接从Python的官网下载，然后安装使用。这类方法最简单直接，但是后期不容易维护；
- 一些其他类型的Python发行本：这种类型的Python一般与一些package和其他工具整合在一起，类似于定制版的Python，易于安装和使用，例如用的比较多的Anaconda发行版；
- 使用docker来提供Python的运行环境：使用该方法，不用在自己电脑上直接安装Python的，只用在docker中构建好相应的Python的image就好了。
回想自己使用Python的过程，一开始也是直接到Python的官网上下载最新版本的安装包。安装完Python后，添加环境变量，在cmd中用pip一个一个安装需要使用的package。每次都是重复这样的过程，有时候会遇到一些莫名其妙的问题，比如某些package无法安装成功；有时候只能下源码自己编译安装。有时候还会需要不同版本的Python，电脑里就会出现多个版本的Python。
现在后面两类方法用的比较多。
关于开发环境
还记得有段时间接触到Java，一直分不清楚JRE和JDK的区别。现在终于搞明白了，JRE是运行是Java运行环境（Java Runtime Environment），可以用来运行Java的代码；JDK是Java开发工具包（Java Developer's Kit），即Java的开发环境，主要用来写代码。
写代码时，有一个好的集成开发环境（integrated development environment，IDE）会让我们事半功倍，包括但不限于以下这些优点：
- 语法检查；
- 提示及命令补全；
- 好看的配色和字体；
- 强大的debug功能；
- 对大型project的管理功能。
我用的比较多的IDE包括：PyCharm，Spyder和Jupyter notebook.
- PyCharm在开发大型项目时是首选，但是平时分析数据时就显得有些笨重了；
- Spyder主要用于科学计算(与RStudio非常像，可以单行运行)；但是对内存要求比较大，数据量比较大的时候容易崩溃；
- Jupyter notebook算是新生代的数据科学界的IDE，非常适合做数据分析。
Anaconda发行版
Anaconda是一种Python语言的免费增值开源发行版，用于进行大规模数据处理, 预测分析, 和科学计算, 致力于简化包的管理和部署。Anaconda使用软件包管理系统Conda进行包管理。——wiki
上面是wiki中对Anaconda Python发行版的介绍，其特点就是：为数据科学而定制的版本，利用conda来管理package比原生态的pip更方便。
完整版本的Anaconda
完整版本的Anaconda比较大，最新版的600多兆(windows, 64-Bit, Python3.6)，该版本不仅包括Python，还有预装好的100多个package，省去了自己安装包的麻烦。但是体积比较大，通常很多包都用不到。
下载链接：https://www.anaconda.com/download/
Miniconda
Minicoda只包含conda, Python和少量的包，大小只有50几兆。安装好Miniconda后，可以使用conda install来安装其他python的包
下载链接：https://conda.io/miniconda.html
下面以Miniconda为例，安装和配置Python的运行环境及开发环境（windows 7, 64位）
1. 安装miniconda
打开上面的链接，下载想要安装的版本后进行安装。
更多参考安装指南：https://conda.io/docs/user-guide/install/index.html
安装完成后，在开始菜单可以看到下面的标志：
2. 安装需要的package
点击上面的Anaconda Prompt，打开anaconda的命令行工具。在这个命令行中可以直接使用conda：
- conda env list: 列出所有的虚拟环境；
- conda list: 列出当前虚拟环境中已经安装的包；
- conda search packagex: 搜索包packagex，会返回不同版本的包，可以使用"packagex==x.y"来指定安装x.y版；
- conda install packagex: 安装包packagex.
由上图可以看到，现在只有一个虚拟环境——base，在这个环境中有30个预装的包。
下面安装常用的几个用于数据分析的工具包：
指定安装0.19.1版的scikit-learn: conda install scikit-learn==0.19.1
conda作为anaconda中Python包管理工具，还有其他很多功能，可参考：
https://conda.io/docs/commands.html
https://conda.io/docs/_downloads/conda-cheatsheet.pdf
3. 安装jupyter notebook
安装jupyter notebook的命令：conda install jupyter
安装后，可以看到开始菜单多了一个图标：
4. 运行jupyter notebook
使用时，可以直接从开始菜单中的"Jupyter Notebook"启动，或是在命令行中输入jupyter notebook。打开后，会在浏览器中打开一个页面：
链接默认为：http://localhost:8888/tree
界面如下：
点击图中框出来的"New"菜单，选择"Python 3"就可以打开一个新的notebook
界面如下：
这时就可以写代码了！
退出时，关闭相应的cmd窗口就可以了。
Jupyter Notebook
对于Jupyter Notebook，完全值得单独拿出来说说。
jupyter notebook是一个交互式的IDE，虽然不像PyCharm这种重型IDE那么强大，但是仍然可以当做IDE来用，而且有一些特色非常适合用来进行数据分析：
- 可以单行运行代码，这样就可以一行一行的检查代码，查看运行结果，反复尝试；
- 每次运行后变量都保存在内存中，因此可以重复使用（这对于一些比较耗时的计算过程，尤其有用）；
- 可以写markdown格式的注释，这样就可以将整个分析过程非常清晰的表达出来；
- 可以利用Mathjax展示数学公式；
- 可以插入图片等，可以制作出图和代码并茂的非常精致的笔记和文档（有很多已经出版的书都是完全使用notebook来写作的）.
但是个人感觉jupyter notebook并不适用代码量比较大的工程类项目。
自己最近几个月一直在使用这个工具，但是还没有系统的研究过。这里先放几个链接，后面再来补充：
- 知乎上的一个介绍：https://www.zhihu.com/question/37490497/answer/212044783(你为什么使用 jupyter ，进行分析，而不是用 python 脚本或仅仅利用 excel ？ - 子珂的回答)
- datacamp中介绍Jupyter Notebook的文章（包括如何运行R代码）：https://www.datacamp.com/community/tutorials/tutorial-jupyter-notebook
- 另一篇文章（包括快捷键，其他注意事项等）：https://www.dataquest.io/blog/jupyter-notebook-tutorial/
此外，JupyterLab:被称为下一代Jupyter，对原来的Jupyter Notebook做了很多改进。
参考文档：https://jupyterlab.readthedocs.io/en/latest/
安装：conda install -c conda-forge jupyterlab
运行：jupyter lab
<完>
