【Python数据处理】如何搭建友好的python环境（一）

本文链接：https://blog.csdn.net/sinat_41393249/article/details/133563945

关键字：Python环境变量、数据处理、conda

前言

很多初学者没有办法去配置好自己电脑的环境变量总是会通过一些其他方式，比如说直接安装Python来进行代码的运行。

这样我们是很难去进行环境隔离，所以本篇文章会教大家怎样从搭建对开发者友好的python环境出发，一步步进行python的数据处理。

conda架构

在这里插入图片描述

conda是一个开源的软件包管理系统和环境管理系统，它可以帮助用户安装、配置和管理不同版本的软件包和环境。以下是一些常见的conda配置问题：

配置源：默认情况下，conda使用官方源进行软件包的下载和安装。但是，有时候官方源的下载速度可能很慢，可以通过添加第三方源来加快下载速度。可以使用命令行添加源，例如：

conda config --add channels conda-forge。

conda create --name myenv python=3.6

配置环境变量：某些软件包需要环境变量才能正常运行，在conda中也可以设置环境变量。可以使用conda的activate.d和deactivate.d目录，在每次激活或停用环境时自动加载或取消加载环境变量。
配置conda-forge：conda-forge是一个社区驱动的软件包仓库，提供了许多高质量的软件包。可以通过conda config命令将conda-forge添加到系统。
配置代理：如果在使用conda时遇到了网络连接问题，可能需要配置代理。可以使用conda config命令配置代理，例如：

conda config --set proxy_servers.http http://user:password@proxy_server:port

使用 Conda 可以轻松地创建和管理多个独立的 Python 环境，每个环境可以拥有不同的 Python 版本和不同的依赖库，以及独立的命令。这样可以确保项目之间的依赖不会相互干扰，也可以方便地在不同的环境中测试和运行代码。

使用 Conda 创建新环境可以通过以下命令：

conda create --name env_name python=X.X

其中 env_name 是环境名称，X.X 是 Python 的版本号。创建成功后，可以通过以下命令激活该环境：

conda activate env_name

激活后，可以使用 conda install 命令安装需要的包，也可以使用 conda list 查看当前环境中已经安装的包。如果想退出当前环境，可以使用以下命令：

conda deactivate

通过 conda info -e 可以看到conda的环境信息
conda环境信息

通过这些操作，即可以进行环境的切换，进而在对应的环境中去进行库的安装

我们可以通过命令

pip install <package-name>

对于这些库进行安装，只需要把<package-name>替换成需要安装的库，既可以完成安装。

NumPy：用于处理大型多维数组和矩阵的库，支持高级数学函数和线性代数操作。
Pandas：用于数据分析和操作库，提供了数据结构和函数，支持数据清洗、转换、聚合和统计分析等操作。
Matplotlib：用于绘制2D图表和图形可视化库，支持各种类型的图表和图像。
Seaborn：基于matplotlib的数据可视化库，提供更高级别的图表、主题和样式。
SciPy：用于科学计算和技术计算的Python库，包含各种统计分析、插值、信号处理等函数。
Scikit-learn：用于机器学习的Python库，提供各种监督和无监督学习算法、数据预处理和模型评估函数等。
Statsmodels：用于统计建模和分析的Python库，提供了多种统计模型的拟合、预测和模型评估函数等。
NetworkX：用于复杂网络分析的Python库，提供各种图形算法、图形生成和可视化函数等。
Keras：基于tensorflow的高级神经网络API，实现了多种深度学习模型和算法。
TensorFlow：用于机器学习和深度学习的开源软件库，支持包括卷积神经网络、循环神经网络等各种前沿方式，也可以用于图像、语音、自然语言等各种数据类型的处理。1. NumPy：用于处理大型多维数组和矩阵的库，支持高级数学函数和线性代数操作。