一：pycharm下载与安装
1.1 pycharm介绍
PyCharm 是由 JetBrains 开发的 Python 集成开发环境（IDE），广泛应用于 Python 开发中，特别是在数据科学、Web 开发、自动化测试和机器学习等领域。PyCharm 提供了丰富的功能，可以显著提高开发效率。以下是一些核心特点：
智能代码补全：支持 Python 的智能代码补全，帮助开发者快速编写代码。
代码检查与自动修复：内置代码检查和自动修复功能，可以帮助开发者发现潜在的代码错误和改进点。
调试器：提供强大的图形化调试工具，可以逐步执行代码、检查变量、设置断点，帮助开发者快速定位和修复 bug。
版本控制：内置 Git、Mercurial、Subversion 等版本控制支持，方便团队协作开发。
集成测试：支持单元测试框架，如 unittest、pytest 等，可以直接在 IDE 中运行测试，查看测试结果。
集成虚拟环境：支持创建和管理 Python 虚拟环境（如 venv 和 conda），使得每个项目都可以在独立的环境中运行，避免依赖冲突。
代码重构：支持智能重构功能，如重命名、提取函数等，帮助开发者更好地组织代码。
跨平台支持：PyCharm 支持 Windows、macOS 和 Linux，开发者可以在多平台上使用。
1.2 软件下载
PyCharm 有两个版本：
Community Edition（社区版）：免费开源，适合普通的 Python 开发。
Professional Edition（专业版）：付费版本，提供更强大的 Web 开发和数据库支持，适合复杂项目开发。
（日常学习下载社区版即可，如需要下载专业版可付费，也可查阅其他永久激活的博文）
官网：pycharm官网下载链接
PyCharm 现在是一个统一的产品！
现在所有用户均可自动获得为期一个月的 Pro 免费试用。试用期结束后，您可以订阅 Pro 版本，或继续免费使用核心功能（现已包含 Jupyter 支持）。
选择系统版本点击Download即可下载。
1.3 软件安装
-
打开下载包路劲
-
双击安装包，打开安装程序，并点击下一步。
-
选择pycharm需要安装的目录，可自行选择安装路径，并点击下一步。
-
安装选项，建议勾选全部，并点击下一步。
-
点击安装进行程序安装。
-
等待安装进度条完成，随后选择立即重启或稍后重启即可。
-
重启后，此时pycharm已经下载成功，并可以免费使用30天pro版功能，我们暂且不做任何处理，先进行anaconda的下载与安装，后续再说明环境配置及使用。
二：anaconda下载与安装
2.1 anaconda介绍
Anaconda 是一个开源的 Python 和 R 数据科学平台，旨在简化科学计算、数据分析和机器学习的环境管理和包管理。它包含了众多用于数据科学的常用工具和库，比如 NumPy、Pandas、Matplotlib、SciPy、Jupyter Notebook 等。Anaconda 还包括 Conda，一个用于管理包和环境的强大工具，可以方便地创建虚拟环境、安装依赖和管理软件包。
Anaconda的特点：
包管理：通过 conda 工具可以管理 Python 和 R 的第三方库，并且支持安装不同版本的包。
环境管理：通过 Conda 可以轻松创建、管理、切换虚拟环境，使得不同项目间的依赖不会相互影响。
数据科学工具：包含了 Jupyter Notebook、Spyder 等开发工具，以及用于科学计算的核心库。
跨平台支持：可以在 Windows、macOS 和 Linux 上使用。
易于安装：安装包内含所有必要的工具和库，省去单独安装的麻烦。
2.2 anaconda下载
(1) 官网下载：
anaconda官方下载
官网首页，可以选择直接跳过注册进行下载
可以看到有两个选项：
- Distribution Installers： 包含了大量的常用数据科学工具和库，如 NumPy、Pandas、Matplotlib 等，适合需要预装一系列库的用户。
- Miniconda Installers：一个轻量级的 Anaconda 发行版，包含了最基本的 Python 环境和 conda 包管理工具，适合那些不需要完整 Anaconda 环境，只想使用 conda 管理包和环境的用户。
一般来说我们选择下载完整的anaconda，选择对应系统进行下载（官网如果不科学上网可能下载的比较慢）
(2) 历史版本下载：
历史版本下载
可以在这里下载所需的历史版本conda
(3) 国内镜像源下载：
清华镜像源
选择所需的版本进行下载，我们这里选择了Anaconda3-2024.10-1-Windows-x86_64进行下载
2.3 anaconda安装
-
打开安装包，并选择next
-
I Agree
-
根据需求，个人电脑一般选择所有用户
-
选择下载路径
-
安装相关选项，依据个人需求进行选择
-
Create shortcuts (supported packages only)
含义：创建 Anaconda 快捷方式（如 Anaconda Navigator、Anaconda Prompt 等）
建议：保留勾选（推荐），方便你从开始菜单快速打开。 -
Register Anaconda3 as the system Python 3.13
含义：将 Anaconda 的 Python 3.13 注册为系统默认的 Python
影响：
会影响 python 命令指向 Anaconda 的 Python 解释器；其他程序（如 VSCode、PyCharm）会默认使用 Anaconda 环境；可能和你已有的 Python 安装冲突。
建议：
如果你只打算使用 Anaconda 的 Python，并希望它是默认的版本：✅勾选。
如果你电脑上已经有其他 Python 安装（例如用来开发系统工具等），并不希望切换默认解释器：❌不勾选（推荐）。 -
Clear the package cache upon completion
含义：安装后清理临时下载的包缓存，以节省磁盘空间
建议：
如果你空间紧张，或者不需要再次安装相同的包：✅可勾选。
如果你将来可能多次创建环境或使用相同包：❌不勾选也可以（保留缓存可加快速度）。
总体推荐设置（新手建议）：
Create shortcuts
Register Anaconda3 as the system Python 3.13（建议不勾）
Clear the package cache upon completion（可选）
-
等待安装结束，点击NEXT
-
NEXT
-
Finish
-
环境配置
右击“此电脑”，选择“属性”，点击“高级系统设备”
选择环境，变量，并且在系统变量点击“path”并点击编辑
通过点击新建按钮，根据刚才安装路径，添加下述地址，并连续点确定
conda --version三：anaconda虚拟环境创建与配置
Anaconda Prompt 是一个由 Anaconda 提供的命令行终端，预配置了 Python 和 Conda 环境相关的路径变量。你可以在里面方便地运行 Python 脚本、管理包、创建虚拟环境等。
我们首先点击打开Anaconda Prompt
3.1 查看conda环境配置
输入下方指令查看当前镜像源信息
conda config --show
由于此前未添加镜像源所以可看到channel处只有默认
3.2 添加国内镜像源
默认情况下，Anaconda 使用的是国外官方源（如 https://repo.anaconda.com/），而从国内访问这些源时：下载速度可能很慢，有时甚至会出现连接超时或失败，配置国内镜像（如清华、中科大、阿里等），可以显著提升如下操作的速度：安装/更新 conda 包；创建环境时自动下载依赖；安装 pip 包时的依赖解析。
方法一：临时使用（不修改配置）
conda install PACKAGE_NAME -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
方法二：永久添加（推荐）
（1）添加镜像源
本人添加的是清华镜像源，需在命令行窗口输入以下命令
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/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud//pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro/
conda config --set show_channel_urls yes #设置搜索时显示通道地址
（2）查询镜像源
执行相应命令后，可输入下方命令查阅镜像源是否配置成功
conda config --show channels
（其实在后续使用者发现有时候获取包很慢，可以找到C:\Users\用户名中的.condarc文件，将清华镜像源的https都改成http）
（3）删除下载源
管理员模式打开Anaconda Prompt才能进行删除
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --remove channels https://repo.anaconda.com/pkgs/main
conda config --remove channels https://repo.anaconda.com/pkgs/r
conda config --remove channels https://repo.anaconda.com/pkgs/msys2
（4）指定envs和pkgs路径
为了方便虚拟环境管理，以及后续可能的开发环境迁移，我们可以通过以下指令指定envs和pkgs路径
conda config --add envs_dirs D:\Anaconda\envs
conda config --add pkgs_dirs D:\Anaconda\pkgs
执行完后，可以执行下方路径查看是否添加成功
（5）查询envs和pkgs地址
conda config --show envs_dirs pkgs_dirs //查看envs和pkgs
（6）更新一下conda
conda update conda
输入"y"，再按Enter即可更新
3.3 创建工作虚拟环境
我们在这里创建一个用于学习人工智能基础库的虚拟环境
环境名：LLMStudy
python版本：3.13
conda create -n LLMStudy python=3.13
3.4 查看环境列表
conda env list
可以看到LLMStudy的虚拟环境已经创建
3.5 激活环境
activate LLMStudy
从“base”切换至“LLMStudy”
3.6 查看环境库列表
conda list
3.7 下载人工智能学习基础关联库
（1）pandas
- 功能：提供高效的数据结构 Series 和 DataFrame，用于数据清洗、分析、变换、统计、输入输出等。
- 常用场景：
表格数据处理（CSV、Excel）
数据透视表
时间序列分析 - 依赖：依赖 numpy，常与 matplotlib, seaborn 联合使用。
conda install pandas
（2）numpy
- 功能：提供多维数组对象（ndarray）和大量数学操作函数。
- 常用场景：
数值计算、矩阵运算、线性代数
与机器学习框架（如 TensorFlow、PyTorch）交互 - 依赖：为许多科学库的基础，如 pandas, scipy, xgboost。
conda install numpy
（3）onnxruntime
- 功能：跨平台、高性能的 ONNX 模型推理引擎。
- 常用场景：
用于部署训练好的 PyTorch、TensorFlow 模型（转换为 .onnx 格式后）
在服务端或边缘设备高效推理 - 依赖：不依赖训练框架，只运行 ONNX 模型。
conda install onnxruntime
（4）scipy
- 功能：科学计算库，包含数值积分、优化、插值、傅里叶变换、统计、稀疏矩阵等模块。
- 常用场景：
数学建模、信号处理
工程和科研中的数值计算 - 依赖：基于 numpy，常与 matplotlib 一起可视化结果。
conda install scipy
（5）openpyxl
- 功能：用于读取和写入 Excel .xlsx 文件。
- 常用场景：
数据导入导出（报表系统、财务数据）
自动化表格处理 - 依赖：可与 pandas 配合使用（pandas.read_excel 使用它作为 backend）。
conda install openpyxl
（6）seaborn
- 功能：基于 matplotlib 的统计可视化库，风格美观，内置主题。
- 常用场景：
数据探索性分析（EDA）
统计图（分布图、箱线图、热力图） - 依赖：matplotlib, pandas, numpy
conda install seaborn
（7）pillow
- 功能：图像处理库，支持打开、编辑、保存多种图像格式。
- 常用场景：
图像预处理（缩放、裁剪、旋转）
图片合成、滤镜 - 依赖：标准库的扩展；是 PIL 的分支项目。
conda install pillow
（8）xgboost
- 功能：极其高效的梯度提升树（GBDT）实现，常用于结构化数据建模。
- 常用场景：
Kaggle 竞赛、金融风控、点击率预测
特征重要性评估、集成模型 - 依赖：可调用 numpy、scipy 数据结构；支持 sklearn API。
conda install xgboost
（9）imblearn (imbalanced-learn)
- 功能：处理不平衡数据（如二分类数据中正负样本极不平衡）。
- 常用场景：
欠采样、过采样（SMOTE、ADASYN）
结合 sklearn 管道进行自动化建模 - 依赖：numpy, scikit-learn, scipy
conda install imbalanced-learn
（10）matplotlib
- 功能：基础绘图库，用于创建各种静态、动态和交互式图表。
- 常用场景：
折线图、柱状图、散点图、热力图等
与 GUI 框架集成（如 Tkinter、Qt） - 依赖：numpy 是主要依赖。
conda install matplotlib
四：pycharm配置anaconda环境
-
打开下载的pycharm，并选择新建项目，选择项目存储路径，解释器类型暂且默认先创建
-
点击左上方“文件”点击“设置”
-
打开设置界面，选择项目->python解释器，在添加解释器下拉菜单点击“添加本地解释器”
-
选择“选择现有”，并选择conda
-
根据anaconda安装选择对应路径，再点击重新加载环境，再从环境选择需要添加的虚拟环境，最后点击确定
-
确定后会在python解释器里看到虚拟环境对应包含的库及版本信息，再点击确定
-
在工程左下角等待环境Updating结束，则表示工程配置了所需虚拟环境
-
测试代码
右击项目，选择新建“python文件”，创建一个测试“test.py”文件
使用下方示例代码测试
import numpy as np
# 一维数组
a = np.array([1, 2, 3])
print("一维数组:", a)
# 二维数组
b = np.array([[1, 2], [3, 4]])
print("二维数组:\n", b)
# 创建全0、全1、单位矩阵
zeros = np.zeros((2, 3))
ones = np.ones((2, 3))
eye = np.eye(3)
print("全0:\n", zeros)
print("全1:\n", ones)
print("单位矩阵:\n", eye)
右击界面，点击运行“test”，或点击红框编译运行按钮，运行结束后，在下方输出打印运行结果
五：jupyter notebook环境配置
5.1 名词解释
Jupyter Notebook：可以通过 Anaconda 安装和运行，用于交互式编程和数据分析，特别适合数据科学和机器学习的实验。
ipykernel：ipykernel 是 Jupyter Notebook 或 JupyterLab 背后用于执行 Python 代码的 内核（kernel）。它是 Jupyter 架构的一部分，允许你在 Notebook 或其他前端界面中运行 Python 代码。
5.2 激活所需环境
通过“激活”虚拟环境来间接指定，也就是说：哪个 Python 解释器在当前环境中被调用，就会把那个虚拟环境注册为 Jupyter 的内核。
activate LLMStudy
5.2 安装 ipykernel
在激活环境中，执行指令下载ipykernel
conda install ipykernel
5.3 创建一个新ipykernel内核
python -m ipykernel install --user --name LLMStudykernel --display-name "Python (LLMStudy)"
- user：安装到当前用户的 Jupyter 配置目录（不影响系统范围）。
- name：内核的内部名称（用于系统标识，不显示给用户）。可以是任意英文名。
- display-name：在 Jupyter UI 中显示的内核名称，建议用清晰的描述，例如项目名或环境名。
5.4 列出内核列表
jupyter kernelspec list
5.5 打开Jupyter Notebook
直接命令窗体打开Jupyter Notebook，第一次会让你选择打开的浏览器，因人而异，随意选择即可
Jupyter Notebook
5.6 创建实验窗体
new LLMStudy的实验窗体
5.7 代码测试
使用测试代码
import numpy as np
# 一维数组
a = np.array([1, 2, 3])
print("一维数组:", a)
# 二维数组
b = np.array([[1, 2], [3, 4]])
print("二维数组:\n", b)
# 创建全0、全1、单位矩阵
zeros = np.zeros((2, 3))
ones = np.ones((2, 3))
eye = np.eye(3)
print("全0:\n", zeros)
print("全1:\n", ones)
print("单位矩阵:\n", eye)
点击运行按钮，下发则会显示输出结果，jupyter notebook可以按步运行，所以方便学习
