首先安装python官方解释器并添加至path，验证版本后使用venv创建虚拟环境隔离依赖，通过pip管理包并导出requirements.txt，推荐用vs code或pycharm开发，配合black、flake8等工具提升代码质量，科学计算项目可选conda管理多环境与重型库。
选择并安装 Python 解释器
Python 官网（python.org）是获取官方解释器的首选。进入官网后，根据操作系统下载对应版本。建议选择最新的稳定版本（如 Python 3.11 或 3.12），避免使用已停止维护的 Python 2。
安装时注意勾选 Add Python to PATH，这样可以在命令行直接运行 python 命令。Windows 用户可通过“开始菜单”搜索“Python”确认是否安装成功。macOS 和 Linux 用户通常自带旧版 Python，但仍建议升级为新版独立环境。
验证安装：
立即学习“Python免费学习笔记（深入）”；
python --version # 或 python3 --version
若返回版本号（如 Python 3.12.0），说明基础环境已就绪。
使用虚拟环境隔离项目依赖
多个项目可能依赖不同版本的库，共用全局环境容易冲突。Python 内置 venv 模块可创建轻量级虚拟环境。
创建和激活虚拟环境：
-
python -m venv myproject_env—— 创建名为 myproject_env 的环境 - Windows：
myproject_env\Scripts\activate - macOS/Linux：
source myproject_env/bin/activate
激活后，命令行提示符前会显示环境名，此时 pip 安装的包仅作用于当前环境。退出使用 deactivate。
包管理与依赖控制
pip 是 Python 默认的包管理工具。常用命令包括：
这本书给出了一份关于python这门优美语言的精要的参考。作者通过一个完整而清晰的入门指引将你带入python的乐园，随后在语法、类型和对象、运算符与表达式、控制流函数与函数编程、类及面向对象编程、模块和包、输入输出、执行环境等多方面给出了详尽的讲解。如果你想加入 python的世界，David M beazley的这本书可不要错过哦。 (封面是最新英文版的,中文版貌似只译到第二版)
-
pip install requests—— 安装库 -
pip uninstall requests—— 卸载库 -
pip list—— 查看已安装包 -
pip freeze > requirements.txt—— 导出依赖列表 -
pip install -r requirements.txt—— 从文件批量安装
保持 pip 自身更新：pip install --upgrade pip。对于复杂项目，推荐使用 pip-tools 或 poetry 实现更精细的依赖管理。
集成开发环境（IDE）与代码工具
初学者可用 IDLE（随 Python 安装）或 VS Code 配合 Python 插件。VS Code 支持语法高亮、调试、Git 集成，并能自动识别虚拟环境。
进阶用户可选用 PyCharm（专业版功能强大）、Jupyter Notebook（适合数据分析）或 Vim/Neovim 搭配插件。
代码质量工具建议配置：
- black：自动格式化代码
- flake8：检查代码风格和错误
- pylint：深度静态分析
这些工具可通过 pip 安装，并集成到编辑器中实现保存时自动修复。
进阶：使用 Conda 管理多环境与科学计算栈
数据科学或机器学习项目常使用 Conda（Anaconda 或 Miniforge）。它不仅能管理 Python 包，还能管理非 Python 依赖（如 C 库、R 环境）。
常用 Conda 命令：
-
conda create -n ml_env python=3.11—— 创建新环境 -
conda activate ml_env—— 激活环境 -
conda install numpy pandas—— 安装包 -
conda env export > environment.yml—— 导出完整环境配置
Conda 适合需要 NumPy、SciPy、TensorFlow 等重型库的场景，尤其在跨平台部署时更稳定。
