目录
环境说明：
Python 版本：python 3.13.1
Pycharm 版本：Pycharm Professional 2024.3.2
👉大礼包🎁：Python安装包/pycharm教程免费分享👈
以下是Python和PyCharm详细安装流程。
一、安装Python
以下总共六个步骤，其中1-2步为Python安装包下载指引，4-5步为安装指引，第6步为验证是否安装成功。
第一步：安装包下载页面
进入官网https://www.python.org/，如果是通过百度搜索进入，一定要注意它的搜索结果并不一定是排在最前的，避免点了广告。
根据自己的电脑操作系统选择对应的版本，如果是Windows，直接进入以下网址：https://www.python.org/downloads/windows/
第二步：下载安装包
如果操作系统是64位那就选择64-bit,但是并不一定要选择最新版本，安装包可以选择相对早一点的版本，插件和包的兼容性会更好一些。
第三步：开始安装
安装可以选择自定义路径安装（Customize installation）,把下面的两个框框都勾选上。
第四步：进行安装
按照指引进入下一步，选择安装文件夹，开始安装。
第五步：安装成功
安装完成，显示安装成功即可退出安装程序。
第六步：验证是否成功
首先调出CMD：按下Windows键和R键（Win+R）：打开“运行”对话框，输入“cmd”按Enter键即可打开CMD窗口。
输入Python,按回车键，出现Python版本信息即为安装成功。
二、安装PyCharm
PyCharm Professional（专业版）是需要付费激活的，有30天试用期，PyCharm Community（社区版）本是可以直接下载使用。以下七个步骤介绍安装过程。
第一步：下载安装包
根据电脑的操作系统选择合适的安装包版本，下载地址：
https://www.jetbrains.com/zh-cn/pycharm/download/other.html
第二步：安装程序
下载安装包后直接进入安装流程，按照安装指引点击下一步即可。
第三步：重启电脑
安装完成后，重新启动电脑。
第四步：创建项目
启动PyCharm并进入界面，创建一个项目。
第五步：设置解释器
设置Python解释器，选择已经安装的Python程序。
第六步：设置中文界面
在设置界面中，找到并点击“Appearance&Behavior”（外观和行为）选项。
然后，在子菜单中选择“System Settings”（系统设置）或“Languages&Regions”（语言和地区），具体取决于你的PyCharm版本。
在这里，你会看到一个语言选择下拉菜单。在语言选择下拉菜单中，找到并选择 “Chinese(Simplified)”（简体中文）选项。
应用更改并重启：确认更改后，系统会提示你重新启动PyCharm以应用更改。点击“Restart”（重启）按钮来确认更改并重启PyCharm。
第七步：测试确认
测试代码，没有报错即可。
三、包管理工具
必要的依赖包
python语言强大之处就是在于开源很多的库，这些库通常被称为依赖包。它们可以帮助我们实现特定的功能。
最新版的Pycharm会自动安装好必要的依赖包。比如Pip是Python的包管理工具，用于安装和管理Python软件包。
如何安装其他依赖包
首先：进入 设置→项目→Python解释器→ 点击如下图所示的加号“+”
搜索需要安装的包，选择需要安装的包，点击“安装软件包”即可。
安装好的包就会出现在包管理列表中
也可以在打开的Terminal（中文：终端）中，你可以直接使用pip命令来安装包。你可以输入以下命令：
pip install requests
以上涉及安装相关的步骤就介绍完了。
下面是常用的Python依赖包。
一、数据处理与科学计算相关的包
-
numpy：提供高效的多维数组操作和数学函数，是许多数据科学和科学计算任务的基础库。
-
pandas：用于数据处理和分析，提供强大的数据结构如DataFrame和 Series，方便数据的读取、清洗、转换和分析。
-
scipy：科学计算库，涵盖优化、线性代数、统计等多个领域的功能，为科学研究和工程计算提供支持。
-
matplotlib：绘制静态、动态和交互式图表，可用于数据可视化，帮助用户更好地理解数据。
-
seaborn：基于matplotlib，提供更美观的统计图表，简化了创建复杂统计图表的过程。
-
statsmodels：专注于统计建模和计量经济学，提供各种统计模型和分析工具。
-
scikit-learn：强大的机器学习库，包含各种算法和工具，适用于分类、回归、聚类等任务。
-
tensorflow：深度学习框架，具有高度的灵活性和可扩展性，广泛应用于图像识别、自然语言处理等领域。
-
pytorch：流行的深度学习框架，以动态计算图和易用性著称，适合研究和开发。
-
xgboost：高效的梯度提升树算法库，在许多数据竞赛中表现出色。
-
dask：用于并行计算和处理大型数据集，提高计算效率。
-
numba：将 Python 代码编译为高效的机器码，显著提高代码的执行速度。
-
sympy：符号计算库，可进行数学公式的推导、化简等操作。
-
pymc3：概率编程库，用于贝叶斯统计建模和推断。
-
arviz：用于可视化和分析贝叶斯模型，帮助用户更好地理解模型结果。
二、网络与数据获取相关的包
-
requests：发送HTTP请求，简单易用，是进行网络数据获取的常用库。
-
beautifulsoup4：解析HTML和XML文档，方便从网页中提取所需信息。
-
scrapy：强大的网络爬虫框架，可用于大规模数据采集。
-
selenium：用于自动化浏览器操作，可模拟用户在浏览器中的行为。
-
httpx：现代的HTTP客户端，支持异步请求等高级功能。
-
aiohttp：异步HTTP客户端和服务器，适用于高并发的网络应用。
-
feedparser：解析 RSS 和 Atom feeds，方便获取新闻和博客等信息源。
-
tweepy：访问Twitter API，用于获取Twitter上的数据。
-
facebook-sdk：与Facebook API交互，可开发与Facebook相关的应用。
-
praw：Reddit API 客户端，方便获取Reddit上的内容。
-
pyquery：类似 jQuery 的 HTML 操作库，简化了对 HTML 文档的查询和修改。
-
lxml：高效的 XML 和 HTML 解析库，性能出色。
-
gevent：基于协程的网络库，提高网络应用的并发性能。
-
twisted：异步网络编程框架，适用于复杂的网络应用开发。
-
urllib：Python 标准库中的网络请求模块，提供基本的网络请求功能。
三、文件处理与数据存储相关的包
-
csv：处理CSV文件，方便读取和写入CSV 格式的数据。
-
pickle：对象序列化和反序列化，可将 Python 对象保存到文件中或从文件中读取。
-
h5py：操作 HDF5 文件，适用于存储大规模科学数据。
-
pymongo：与 MongoDB 数据库交互，方便进行非关系型数据库的操作。
-
sqlalchemy：数据库抽象层，支持多种数据库，简化数据库操作。
-
psycopg2：连接PostgreSQL 数据库，提供对 PostgreSQL 的高效访问。
-
mysql-connector-python：连接 MySQL 数据库，用于 MySQL 数据库的开发。
-
sqlite3：操作 SQLite 数据库，轻量级的数据库解决方案。
-
pyarrow：高效的数据序列化和处理库，提高数据处理效率。
-
feather：快速的跨语言数据存储格式，方便在不同语言之间共享数据。
-
parquet：列式存储格式库，适用于大规模数据分析。
-
openpyxl：操作 Excel 文件，支持读取、写入和修改 Excel 文件。
-
xlrd和xlwt：分别用于读取和写入 Excel 文件，功能较为简单。
-
pdfminer：解析 PDF 文件，提取 PDF 中的文本和其他信息。
-
pyPDF2：另一个处理 PDF 的库，提供不同的功能和接口。
四、自然语言处理相关的包
-
nltk：自然语言处理工具包，提供丰富的语料库和工具，适用于各种NLP任务。
-
spacy：高性能的自然语言处理库，具有快速的处理速度和准确的结果。
-
gensim：主题建模和文档相似性分析，可用于文本挖掘和信息检索。
-
textblob：简单的自然语言处理库，提供基本的文本处理功能。
-
stanza：斯坦福大学的自然语言处理库，支持多种语言的处理。
-
flair：强大的自然语言处理框架，提供先进的 NLP 模型和技术。
-
transformers：用于处理预训练语言模型，如 BERT、GPT 等。
-
jieba：中文分词库，适用于中文文本处理。
-
snowballstemmer：词干提取库，用于提取单词的词干。
-
wordcloud：生成词云，直观地展示文本中的关键词。
-
pycorenlp：连接 Stanford CoreNLP 服务器，利用其强大的 NLP 功能。
-
allennlp：深度学习自然语言处理库，提供各种先进的 NLP 模型和工具。
五、图形图像与多媒体处理相关的包
-
PIL（Pillow）：图像处理库，提供基本的图像操作功能，如裁剪、缩放、旋转等。
-
opencv-python：计算机视觉库，广泛应用于图像和视频处理、目标检测等领域。
-
moviepy：视频编辑库，可用于视频剪辑、合成等操作。
-
pydub：音频处理库，支持音频的读取、编辑和转换。
-
pygame：游戏开发库，提供丰富的游戏开发功能。
-
matplotlib-venn：绘制维恩图，用于展示集合之间的关系。
-
plotly：交互式数据可视化库，可创建动态和交互式的图表。
-
bokeh：另一个交互式可视化库，适用于大数据可视化。
-
altair：声明式统计可视化库，以简洁的语法创建美观的统计图表。
-
graphviz：绘制图形和流程图，方便展示数据结构和算法。
-
mayavi：三维可视化库，适用于科学数据的三维可视化。
-
mahotas：计算机视觉和图像处理，提供多种图像处理算法。
-
scikit-image：图像处理算法库，包含各种图像处理和分析工具。
六、测试与调试相关的包
-
pytest：强大的测试框架，具有丰富的功能和灵活的插件体系。
-
unittest：Python 标准库中的测试框架，提供基本的测试功能。
-
nose2：另一个测试框架，具有一些独特的功能和改进。
-
coverage：代码覆盖率工具，帮助评估测试的覆盖程度。
-
pdb：Python 调试器，可在代码执行过程中进行调试。
-
ipdb：增强版的调试器，提供更多功能和便利。
-
sentry-sdk：错误跟踪和监控工具，及时发现和解决应用中的错误。
-
logging：日志记录库，方便记录应用的运行状态和错误信息。
-
flaky：处理不稳定的测试，提高测试的稳定性。
-
mock：用于测试的模拟对象库，方便进行单元测试。
七、其他实用库相关的包
-
tqdm：进度条显示库，在长时间运行的任务中显示进度，提高用户体验。
-
colorama：在终端中输出彩色文本，使输出更加醒目。
-
click：命令行界面创建库，方便创建强大的命令行工具。
-
argparse：Python标准库中的命令行参数解析器，用于处理命令行参数。 cryptography：加密库，提供安全的加密和解密功能。
-
pycryptodome：另一个加密库，功能强大。 schedule：任务调度库，可按计划执行任务。
-
watchdog：文件系统监控库，实时监控文件系统的变化。
-
pyzmq：ZeroMQ 库的 Python 绑定，用于高性能的网络通信。
-
pyinstaller：将Python程序打包成可执行文件，方便分发和部署。
-
cx_Freeze：另一个打包工具，提供不同的打包选项。
-
autopep8：自动格式化 Python 代码，遵循 PEP8 规范。
-
yapf：另一个代码格式化工具，具有不同的格式化风格。
-
bitarray：高效的位数组操作库，节省内存空间。
-
typing：类型提示库，提高代码的可读性和可维护性。
-
enum：枚举类型支持库，方便定义枚举类型。标准库中的命令行参数解析器，用于处理命令行参数。
-
cryptography：加密库，提供安全的加密和解密功能。
-
pycryptodome：另一个加密库，功能强大。
-
schedule：任务调度库，可按计划执行任务。
-
watchdog：文件系统监控库，实时监控文件系统的变化。
-
pyzmq：ZeroMQ 库的 Python 绑定，用于高性能的网络通信。
-
pyinstaller：将Python程序打包成可执行文件，方便分发和部署。
-
cx_Freeze：另一个打包工具，提供不同的打包选项。
-
autopep8：自动格式化 Python 代码，遵循 PEP8 规范。
-
yapf：另一个代码格式化工具，具有不同的格式化风格。
-
bitarray：高效的位数组操作库，节省内存空间。
-
typing：类型提示库，提高代码的可读性和可维护性。
-
enum：枚举类型支持库，方便定义枚举类型。
这里分享Python 50G大礼包，里面还有Python面试真题，里面干货满满，一次全拿走！
01，Python大礼包
02，Python电子书
03，Python面试集锦
04，Python小白必备手册
05，Python安装包
06，数据分析全套资源
这只是冰山一角，想要完整版的小伙伴下图获取~
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
