很多刚开始接触 Python 的朋友包括我自己当年入坑的时候最头疼的往往不是语法本身而是搭环境。官网下载 Python、配环境变量、装 pip 包、再找一个趁手的编辑器……每一步单独看都不难但串在一起代码还没写一行热情先消了一半。今天我把这套我用了很多年、也推荐过无数次给身边同事的组合——Anaconda VSCode Jupyter Notebook从下载到日常使用一路的坑和技巧全部摊开来讲。这套组合基本覆盖了从写脚本、做数据分析到跑深度学习实验的绝大多数场景。1. 为什么是这三件套先搞清楚各自的分工在动手安装之前先花三分钟理清这三个工具在整条工作流里的角色。很多人装完之后用得别扭往往就是因为没搞明白它们之间的协作关系。1.1 Python 环境、写代码的地方、交互式笔记各司其职Anaconda 是一个 Python 发行版它的核心价值不在于“能跑 Python”而在于它内置了 conda 这个包管理和环境管理工具。你可以把 Anaconda 理解成一个精心配好的厨房锅碗瓢盆NumPy、Pandas 这些常用库都给你备齐了还附带了一个叫做 conda 的智能储物柜想要什么调料一句话就给你取出来而且不同的菜项目可以拥有各自独立的调料架互不干扰。这正是虚拟环境的意义A 项目需要 TensorFlow 2.xB 项目要求 TensorFlow 1.x用 conda 建两个独立环境各自安好不用为了兼容性焦头烂额。VSCode 则是那个“切菜台”。它是微软推出的一款免费开源编辑器轻量但扩展性极强。装上 Python 插件后它就变成了一个功能完整的 Python IDE有代码高亮、智能补全IntelliSense、断点调试、Git 集成、远程开发等等。你日常写.py脚本绝大多数工作都是在 VSCode 里完成的。Jupyter Notebook 则是一个“试菜台”。它以网页形式呈现将代码、运行结果、富文本说明、可视化图表全部整合在一个文档里。这种“交互式笔记”的工作方式非常符合数据分析、算法探索的场景——你写一小段代码立刻看到输出然后基于输出调整下一步整个思考过程被完整记录下来。Notebook 文件.ipynb本身是 JSON 格式用文本编辑器打开也能看到里面的代码和输出。这三者的配合逻辑是用 Anaconda 管理 Python 解释器和各种第三方库用 VSCode 作为统一入口打开写好的.py脚本也可以直接编辑和运行.ipynb笔记用 Jupyter Notebook无论是 VSCode 内嵌的还是浏览器里打开的进行交互式数据分析。其实 Jupyter 也可以独立运行但在 VSCode 里运作的优势在于你不需要来回切换窗口代码补全、变量查看、Git 版本管理都能在同一个界面里完成。1.2 这套组合适合哪些人解决了什么问题如果你是这几类人这套组合可以直接“抄作业”数据方向的初学者刚学 Pandas、Matplotlib、Scikit-learn需要在 Notebook 里边写边看图表Anaconda 预装的数据分析库能让你跳过漫长的依赖安装过程。经常做算法实验的工程师需要在不同版本的 PyTorch/TensorFlow 之间切换conda 的虚拟环境是成本最低的隔离方案。教师、博主或喜欢记录的技术作者Notebook 是一个很好的载体代码和讲解放在一起导出成 HTML 或 Markdown 也很方便。已经在用 Pycharm 但觉得笨重的老手VSCode 启动更快、占用资源更少在配置好后写脚本的体验完全不输给 PyCharm。这套组合解决的核心痛点有三个一是环境管理混乱二是写代码和看数据结果之间的割裂感三是初学者装包时的挫败感。接下来我从零开始把每一步的安装和配置都过一遍。2. Anaconda 下载安装与国内镜像配置别在第一步就卡住Anaconda 的安装是整套流程的基础但恰恰是这一步很多人栽了跟头。最典型的两个问题官方下载速度慢得像蜗牛装完以后 conda 命令在终端里根本找不到。2.1 官方源与清华镜像源的选择Anaconda 官方网站的服务器在国外国内用户直接下载安装包速度经常只有几 KB/s甚至中途断掉。这里我不推荐硬等直接用清华大学开源软件镜像站是绝大多数国内开发者的标准做法。你可以在清华镜像站找到 Anaconda 的安装包列表选择对应你系统的最新版本比如 Anaconda3-2024.xx-xxx-x86_64.exe 这种命名格式。注意区分 64 位和 32 位现在基本都是 64 位系统选x86_64结尾的即可。安装包大概 500MB 到 1GB 左右用浏览器直接下载可能还是会觉得慢这里教大家一个小技巧把安装包的下载链接复制到迅雷或者 IDM 这类多线程下载工具里速度会快很多。另外安装时建议选择“Just Me”而不是“All Users”避免后续权限问题。安装路径尽量不要包含中文和空格比如D:\Anaconda3就比D:\软件\Anaconda 3稳妥得多。2.2 安装过程中必须注意的两个关键点安装到一半界面会有一个勾选项问是否要添加 Anaconda 到 PATH 环境变量。这里是一个经典分歧点。不同教程给出的建议不一样我个人的建议是如果这是你唯一的一个 Python 发行版电脑上也没有预装过其他 Python或者你很清楚自己在做什么可以勾选“Add Anaconda3 to my PATH environment variable”它会帮你搞定环境变量之后在任何终端窗口里都能直接输入conda命令。但如果你电脑上装了多个 Python或者你使用的 IDE比如 PyCharm自己有解释器管理逻辑我建议不要勾选手动配置。因为勾选后base环境会被默认加入 PATH在某些情况下会抢劫系统中其他工具的 Python 依赖造成莫名其妙的冲突比如conda命令能用但pip指向了另一个 Python。我自己的习惯是装完后手动把D:\Anaconda3、D:\Anaconda3\Scripts、D:\Anaconda3\Library\bin这三个路径单独添加到系统环境变量 PATH 中这样既不影响其他软件也能让 conda 生效。安装完成后打开命令行WinR 输入 cmd 回车输入conda --version如果能输出类似conda 24.x.x的版本号说明安装成功。如果提示“conda 不是内部或外部命令”说明环境变量没配好按上面的路径去系统环境变量里补上然后重新打开一个终端窗口。2.3 配置国内镜像源让装包速度起飞Anaconda 的默认官方源同样是国外服务器用 conda 装包时经常出现解析依赖卡半天或者速度只有几十 KB 的情况。这里必须在安装后立刻做一件事把 conda 的下载源切换成清华源。在命令行里依次执行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/free conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r conda config --set show_channel_urls yes执行完后可以查看一下配置文件确认是否生效Windows 在用户目录下的.condarc文件。这里要特别注意一点2024 年中之后清华源对 Anaconda 仓库尤其是conda-forge的同步策略有过调整如果你发现某些包报 404可以在.condarc文件里再增加https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge这个频道。注意如果配置了自定义频道默认的defaults往往会被覆盖所以在.condarc里最好把defaults也列上确保有的包在本地镜像找不到时还能去官方源拉。虽然 conda 也可以用作 pip 的镜像源但更稳妥的做法是pip 也单独设置清华源。在用户目录下创建pip.iniWindows或pip.confLinux/macOS写入[global] index-url https://pypi.tuna.tsinghua.edu.cn/simple [install] trusted-host pypi.tuna.tsinghua.edu.cn这样后续pip install装包时速度直接拉满。3. VSCode 安装与 Python 开发环境打磨把编辑器练成主力 IDEVSCode 本身是个空壳子装上合适的插件就蜕变为 IDE。这个环节我重点讲三个东西安装与汉化、Python 解释器关联、以及哪些插件值得在 2024 年配置。3.1 下载、安装和基础设置VSCode 官网下载地址是code.visualstudio.com同样是国外服务器但 VSCode 的安装包比 Anaconda 小很多大概 100MB 左右直接用浏览器下载问题不大。如果实在慢也可以把下载链接扔到下载工具里加速。安装时基本一路 Next 就行但有几个勾选建议注意一下勾选“添加到 PATH”这样你可以在任意终端里输入code .快速打开当前目录勾选“添加‘使用 VSCode 打开’操作到文件和目录上下文菜单”这样在文件夹上右键就能直接打开很省事。装好后的第一件事我一般是按CtrlShiftX打开扩展商店搜索“Chinese (Simplified)”安装微软官方的简体中文语言包。安装完右下角会提示重启点击就变成中文界面了。如果不想安装中文包也可以在右下角语言选项里切换但我还是建议习惯英文界面的同学直接上了毕竟看惯了英文界面查英文报错、看英文文档会稍微顺一点点。3.2 配置 Python 解释器这是 VSCode 识别 Anaconda 的关键VSCode 装好 Python 扩展搜索Python认准发布者为 Microsoft 的那个后还差最关键的一步让它知道该用哪个 Python 解释器。如果你是先装 Anaconda 再装 VSCodeVSCode 有很大概率会自动检测到 Anaconda 的 base 环境但为了确保万无一失建议手动指定一次。按下CtrlShiftP输入Python: Select Interpreter回车。这时候会列出 VSCode 扫描到的所有 Python 解释器包括系统自带的 Python、Anaconda 的各个虚拟环境。选择对应 Anaconda 的python.exe通常名称类似Anaconda3\python.exe。如果列表里没有点击“输入解释器路径”手动浏览到 Anaconda 安装目录下的python.exe即可。这里有个细节当你选中 Anaconda 的解释器后VSCode 会自动激活对应的 conda 环境。在终端里创建一个新的终端窗口CtrlShift你会看到命令行前缀变成了(base) 或你当前选中环境的名称这说明 conda 环境已经和 VSCode 的终端整合了。如果你之前没用过 conda 环境这个提示可能会困惑你一会儿但这其实是正常现象表示你当前终端位于 base 环境里。3.3 2024 年 VSCode 的实用插件组合除了 Python 官方插件下面这几个插件是我日常开发中觉得非常值得装的PylancePython 官方插件的搭档提供更智能的类型检查和自动补全。它是 Python 插件自带的不用单独安装但最好确认一下没有把它禁用掉。Jupyter允许你在 VSCode 里直接创建、编辑、运行.ipynb文件这篇文章后面会详细讲这套工作流。同样由微软官方提供。GitLens在代码行内显示最近一次提交的作者和时间团队协作时排查代码归属特别方便。个人项目也建议装能帮你理清自己的改动脉络。Python Debugger以前叫 Python Debug现在拆成独立扩展了提供调试功能包括断点、变量监视、调用堆栈。用图形化界面调试比用print大法高效得多。Remote - SSH按需如果你需要连到远程服务器开发这个插件几乎必备。它可以让你在本地 VSCode 窗口里操作远程机器的文件、跑终端命令体验和本地开发一样。这些插件我建议按需安装不要一口气装几十个。插件装多了不仅启动慢还会增加潜在的冲突风险。基础体验先搞定Python Pylance Jupyter GitLens就可以愉快地写代码了。4. conda 虚拟环境实操从创建到删除彻底搞懂环境隔离环境管理是 Anaconda 的灵魂。很多初学者搞不清 base 环境、虚拟环境、Co py 之间的关系导致后面项目多了环境乱成一锅粥。这一节我把常用的 conda 命令和实际使用场景整理出来。4.1 创建并激活你的第一个虚拟环境假设你现在要开始一个新项目需要 Python 3.11 和 PyTorch此时不应该直接在 base 环境里装。因为 base 是 Anaconda 的根环境动它容易牵连其他包。正确的做法是conda create -n pytorch_env python3.11其中-n指定环境名称这里是pytorch_env后面跟要安装的 Python 版本。执行后 conda 会检查依赖并询问是否下载安装输入y即可。等待安装完成后激活这个环境conda activate pytorch_env激活后命令行前缀会从(base)变成(pytorch_env)此时python --version会显示 3.11。在这个环境里用pip或conda安装的一切包都只存在于pytorch_env环境内部不会干扰到 base 或其它环境。这个隔离能力太有用了相当于每家店铺都配了独立的储物柜补给互不串味。要退出当前环境用conda deactivate4.2 环境克隆、导出与删除应对换电脑和备份场景如果遇到“这个环境配置得好好的我换了台电脑怎么原样搬家”的场景conda 提供了导出功能。在激活的环境里执行conda env export environment.yml生成的environment.yml文件里记录了所有包名及其版本甚至还有下载源。在新电脑上用conda env create -f environment.yml就能重建一个一模一样的环境。但注意conda env export有时会把当前系统的路径、构建信息等给打包进去在跨平台Windows 到 Linux迁移时可能会报错。更稳妥的方案是只导出显式安装的包用conda env export --from-history environment.yml这样只包含你明确安装的包忽略依赖层级跨平台兼容性会好很多。当环境彻底不用了删除命令是conda env remove -n pytorch_env删除前务必确认环境名误删了重建可要费不少功夫。顺便说一句conda list可以查看当前环境里都有哪些包和版本排查冲突时很有用。4.3 conda 与 pip 混用时的注意事项一个很常见的坑在 conda 环境里同时又用了 pip 装了一些包结果再执行conda install时把环境搞崩了或者包版本对不上。严格讲conda 和 pip 各自管理自己的包元数据混用时确实能共存但优先级不一样。绝大多数情况下我建议在 conda 环境内部优先用conda install如果 conda 源里没有某个包比如一些只在 PyPI 上分发的最新包再用pip install代替。但有几个雷区不要在 conda 里用pip install装那些已经有 conda 版本的包因为两者的依赖解析方式不同可能导致环境里的某些二进制库版本被覆盖不要在不同环境之间共用 site-packages 缓存除非你很清楚后果。只要记住“conda 优先pip 兜底”这个原则环境基本不会出大乱子。5. Jupyter Notebook 的使用进阶从基础快捷键到让体验变好的技巧Jupyter Notebook 是这三件套里对新手最友好的东西。它让写代码变得像写字一样线性一个单元格写一段代码运行一下看结果然后继续下一个单元格。这种交互式体验极大降低了试错成本。但实际用起来很多人会觉得它不如写脚本顺手——原因往往是快捷键不熟或者缺了关键插件。这一节我把入门到进阶的用法梳理一遍。5.1 在 VSCode 中使用 Jupyter Notebook以前打开 Anaconda Navigator 再启动 Jupyter然后浏览器开页面体验确实有点重。现在我已经习惯直接在 VSCode 里新建一个.ipynb文件了。操作很简单在 VSCode 中CtrlN新建文件点击右下角语言模式选择 “Jupyter Notebook”然后保存成.ipynb后缀即可。编辑器会切换成 Notebook 界面上方是工具栏下面是一些单元格可以选择 Cell 类型为 Code 或 Markdown。在这里写 Python 代码和浏览器里的 Jupyter 体验高度一致但额外享受到了 VSCode 的代码补全和语法高亮。注意Notebook 也需要选择一个 Python 解释器右上角有内核选择按钮把它指到你的 Anaconda 虚拟环境即可。如果没有指定它默认会选当前 VSCode 选中的解释器这也就是为什么我建议在 VSCode 里先配置好全局的解释器。如果需要在浏览器里使用 Jupyter有些情况下浏览器界面确实更方便比如你要嵌入网页链接或依赖浏览器端插件可以在终端中激活环境后输入jupyter notebookVSCode 端和浏览器端各有优劣日常我基本固定在 VSCode 里操作毕竟所有工作都在一个窗口里。但 Jupyter 网页版有一个很实用的功能——分享链接让别人直接预览你的 Notebook这一点 VSCode 端目前还做不到。5.2 必会的快捷键与 Markdown 用法Notebook 用起来顺手的核心在于快捷键。我在入职后带过好几位新人无一例外第一次看到我手指在键盘上上下翻飞都很惊讶。这里把最核心的几个排序Shift Enter运行当前单元格并跳到下一个Ctrl Enter运行当前单元格但不往下跳A/B在当前单元格上方/下方新建一个单元格M把单元格切换为 Markdown 模式用于写注释说明Y把单元格切回 Code 模式DD连续按两次 D删除当前单元格Tab代码补全或缩进?在对象后加问号并运行显示该函数的文档字符串这在查函数说明时特别好用除了快捷键在 Notebook 里写说明文档也几乎是必备技能。Markdown 单元格里可以通过#符号写标题用**加粗用三个反引号围起代码块。我经常用到的还有目录功能在 VSCode 的 Notebook 界面右侧有一个大纲Outline视图中会解析 Markdown 标题自动生成目录方便在大篇幅文档中快速跳转。如果你想在网页版 Jupyter 里生成目录可以安装jupyter_contrib_nbextensions扩展然后启用 Table of Contents 模块。博客文章、教程类 Notebook 里Markdown 写得好不好直接决定阅读体验建议花半小时把所有 Markdown 符号过一遍。5.3 让代码自动补齐更好用配置和扩展Jupyter 自带的补全在很多老版本里比较弱但在新版Jupyter Notebook 7.x 以及 VSCode 的 Jupyter 扩展里补全体验已经改善了很多。主要是基于内核的 Completer 以及 VSCode 端的 Pylance 加持绝大多数情况下代码能自动弹出选项。如果你觉得网页版 Jupyter 补全不够聪明老牌方案是安装jupyterlab-lsp和python-lsp-server。安装命令pip install jupyterlab-lsp python-lsp-server然后重启 Jupyter在设置里启用 LSP 功能。但在 VSCode 里其实不需要这些因为 VSCode 的 IntelliSense 本来就匹配的是编辑器的能力不是用自己的所以体验比网页版好很多。如果你在 VSCode 里发现 Notebook 的代码补全不明显建议检查一下状态栏左下角的 Python 解释器是否选对了如果误选了系统自带的 Python补全和类型检查都会弱很多。5.4 单元格执行没反应大概率是内核的问题“单元格执行代码没有任何反应”是热词搜索里频率相当高的问题我在实际中遇到也遇到过好几次。大部分情况下不是代码本身写得有问题而是 Jupyter 内核Kernel挂了。解决办法很简单在 VSCode 的 Notebook 界面右上角点击内核选择器选择“Python Environments”中的目标环境如果还是不行先点击“重新启动内核”Restart或者直接切换到另一个 Python 解释器后再切回来强制刷新内核连接。在浏览器版 Jupyter 中类似的菜单是 Kernel - Restart。如果网页版一直执行但不出结果还有一个常见原因是浏览器缓存或者旧内核未释放关掉页面在终端里CtrlC终止运行中的 Jupyter再重新jupyter notebook启动。别小看这种重启大法它在 80% 的怪问题时都是最省事的解药。6. 常见问题与排查技巧把踩过的坑一次说完这套组合虽然好用但安装和日常使用中总免不了各种意外。我把这几年遇到的高频问题、以及向同事答疑时看到的一些典型错误整理成一份速查表。遇到问题时先别急着搜乱七八糟的教程按这个表走一遍大概率能定位。问题现象可能原因排查与解决思路命令行找不到 conda未配置环境变量检查 PATH 里是否包含 Anaconda3 和 Scripts 目录修改后需重开终端conda 安装包速度极慢默认官方源配置清华源注意配置conda-forge频道以防部分包 404pip 安装慢或超时默认 PyPI 源配置 pip 使用清华 PyPI 镜像方法见 2.3 节运行 Jupyter 报 ImportError: DLL load failed升级包后二进制不匹配常见于 numpy/scipy 等在该环境里执行conda install numpy scipy --force-reinstall尽量用 conda 重装这些二进制包不要混用 pipJupyter 网页版打不开 404端口被占用或浏览器缓存异常终端 CtrlC 强制停止重开或指定端口jupyter notebook --port9999单元格执行后没有输出也不报错内核连接中断或内核未同步VSCode 中重启内核或切换解释器强制重连网页版 Kernel - Restartconda create 时长时间卡在 “Solving environment”依赖解析慢换用清华源后一般会改善也可以加--channel conda-forge指定频道VSCode 终端报 “Warning: This Python interpreter is in a conda environment...”这是提示不是错误确认环境名后正常使用如果提示来自错误的 conda 环境重新选择解释器激活环境时出现 “This is a warning... please activate conda”conda init 未初始化在终端执行conda init重开终端即可6.1 ImportError: DLL load failed 的深度排查这个报错我在 Windows 上见到过太多次了出现的场景往往是import pandas或import numpy时直接崩掉。它的本质是你当前环境中某个包编译时链接到的二进制库比如 MKL、OpenBLAS和你在用的 Python 运行时对不上号。最常见的罪魁祸首是——先用 conda 装了 numpy然后又用 pip 装了另一个版本的 pandas导致二进制接口漂移。遇到这个报错我建议不要自己手动去删 DLL 文件或者在网上找一个.dll手动拷贝那都是拆东墙补西墙。最可靠的是回到 conda 的一致性管理在目标环境里执行conda install numpy pandas scipy --force-reinstall如果这个环境里还混装了 PyTorch 或 TensorFlow建议把深度学习框架也一并用 conda 重装比如conda install pytorch torchvision torchaudio cpuonly -c pytorch。只有当某个包确实没有 conda 版本时才考虑在conda先把核心依赖装好之后再用 pip 装它而且装完立刻复测导入避免问题扩散。6.2 VSCode 里调试 Python 时的几个隐性坑很多人用 VSCode 跑脚本没问题但一按 F5 想调试却提示“launch.json 配置有误”或“无法启动调试程序”。原因大多是当前没有创建launch.json。最好的办法不是手动新建这个 JSON而是按CtrlShiftD打开运行和调试面板点击“创建 launch.json 文件”选择“Python”VSCode 会自动生成一个模板。模板内容大概长这样{ version: 0.2.0, configurations: [ { name: Python: 当前文件, type: debugpy, request: launch, program: ${file}, console: integratedTerminal } ] }这里program默认是${file}意思就是调试当前正在编辑的文件。如果你需要接收命令行参数可以加一行args: []。另一个新手常见的问题是按 F5 后提示“无法在初始化之前访问 sys”这通常不是代码问题而是launch.json里指定了错误的解释器。在调试面板右侧的齿轮里确认一下python字段是否指向了conda环境中的解释器路径。还有一个常被忽略的坑如果你在调试模式下运行一个本来就运行很久的循环VSCode 默认有超时限制。如果遇到调试器卡死检查右下角是否有“取消 pydevd 超时”之类的提示在配置里把justMyCode: false改为true意思是只调试你自己的代码不进入第三方库内部绝大部分卡顿都会消失。6.3 在 VSCode 中使用 WSL 的那点事这是个高频需求本地是 Windows但项目需要跑在 Linux 环境里尤其是一些深度学习框架在 Windows 上支持不完善。以前你可能需要开虚拟机或者双系统现在 WSL 2Windows Subsystem for Linux成熟了在 VSCode 里用 WSL 也异常方便。你只需要在 Windows 商店里安装一个 Ubuntu 发行版然后在 Ubuntu 里安装 Anaconda接着回到 VSCode安装 Remote - WSL 扩展。重启 VSCode 后左下角会出现一个绿色的“”图标点击它选择“连接到 WSL”VSCode 会重新加载并连接到 Linux 子系统的文件系统终端也自动变成 bash。此时你再选择 Python 解释器就能找到 Ubuntu 里 Anaconda 的环境了。这个方案最舒服的地方在于文件保存在 Windows 的硬盘上比如D:\projects但代码运行在 Linux 环境里两边互不干扰。如果你是做深度学习又有 N 卡WSL 2 里配置 CUDA 的流程也比原生 Windows 下顺畅不少。不过要注意跨文件系统读写比如从 Windows 路径访问 WSL 里的文件性能很差建议建立好规范Python 源码放在 WSL 家目录里通过\\wsl$访问。6.4 别忽略 conda 自身的更新和维护最后聊一个容易被忽略的点很多人装好 Anaconda 之后就再也没管过它。过个一年半载发现 conda 装任何包都报错一看是 conda 版本太旧。定期更新 conda 本身也是个好习惯在 base 环境里执行conda update conda conda update anaconda但不建议频繁升级基础包比如把 Python 从 3.11 升到 3.12因为升级会连带一堆包重新编译容易出问题。还有一个习惯值得培养每当你安装一个新的、比较重的库之前先执行conda env export environment_before_install.yml万一环境弄坏了可以快速回滚到之前的依赖状态。这个习惯花不了半分钟却能在关键时刻省下几小时的排查时间。7. 日常使用心法把写代码这件事变得更顺手工具装好了、坑也踩得差不多了最后分享几个我用这套组合写代码时形成的工作习惯。这些不是为了炫技是真真确确提高了效率的东西。在 VSCode 里我一般按下CtrlShiftP然后输入Python: Create Python File创建脚本文件。还会把工作区保存为一个 Code Workspace.code-workspace把特定项目关联到特定 conda 环境这样每次打开工作区解释器就自动选好了不用每次重新设置。结合 Git 使用的话推荐在.gitignore里把*.ipynb的检查点文件.ipynb_checkpoints/加进去避免污染仓库。Jupyter Notebook 方面我建议养成一个习惯项目中的关键研究结果用 Notebook 记录但项目最终交付的正式代码还是写成.py模块。原因在于.ipynb是 JSON 格式代码复用的便利性远不如.py文件而且 git diff 时非常难看。我通常是先在 Notebook 里做探索性分析和画图等验证完逻辑就把核心函数整理成.py脚本放进项目的src/目录里再用测试用例去保护这个逻辑。这既兼顾了探索效率和工程规范性也不至于让 Notebook 变成“只可运行不可维护”的代码坟场。还有一个很多人不知道的小技巧在 VSCode 里按CtrlShiftP输入Jupyter: Export to Python Script可以把当前 Notebook 里的所有代码单元格直接导出成一个.py文件注释里会自动附带每个单元格的来源位置方便你快速把草稿转成正式脚本。这套 Anaconda VSCode Jupyter 的组合乍一看需要配置的东西不少但一旦搭建完成它会默默支撑起你接下来几个月甚至几年的编码工作。我在帮很多同事配完这套环境后他们最常说的一句话是“原来写 Python 可以这么省心。”希望这篇从安装到实战、从常见报错到使用心法的长文也能帮你把开发环境一次配得明明白白。