Data Science for Beginners 环境搭建全指南：从零配置 Git、Python、Jupyter 与 Quiz 应用-开发者社区

Data Science for Beginners 环境搭建全指南：从零配置 Git、Python、Jupyter 与 Quiz 应用

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

导读

本指南以仓库中的安装指南（希腊语翻译版）为骨架，系统讲解 "Data Science for Beginners"（10 周 20 课时的开源数据科学课程）的完整环境搭建流程。无论你是完全零基础的新手，还是想在本机复现课程的开发者，读完本文都能独立完成：Git 安装与仓库克隆、Python 3.7+ 与 Jupyter Notebook 配置、数据科学依赖库安装、Vue 驱动的 Quiz 测验应用本地运行，以及可选的 Docsify 离线文档服务与 VS Code Dev Containers 容器化开发环境。文章同时结合仓库源码（quiz-app/package.json、docs/_sidebar.md 等）给出实现级佐证，确保每一步都可验证、可落地。

环境前置准备

开始之前，请确认你具备以下基础条件：

命令行/终端基本操作能力：安装过程涉及git clone、pip install、npm install等命令，需要熟悉终端的基本使用；
一个免费的 GitHub 账号：用于访问仓库、可选地创建 Codespaces 云端开发环境，以及后续 fork 仓库完成课程作业；
稳定的网络连接：首次安装需要下载 Git、Python、Node.js 及各语言包依赖。

以上三点是官方安装指南明确列出的前置要求，其余环节均在下面分步展开。

快速启动选项：两条路线二选一

路线一：GitHub Codespaces（官方推荐给初学者）

如果不想在本机折腾环境，Codespaces 是成本最低的入口——它在浏览器中提供一套预装全部依赖的完整开发环境。操作步骤：

打开课程仓库页面；
点击Code下拉菜单；
切换到Codespaces标签页；
点击Create codespace on main；
等待环境初始化完成（约 2～3 分钟）。

环境就绪后即自带课程所需的全部依赖，可直接打开各课的.ipynbnotebook 开始学习，无需任何本机安装。

路线二：本机本地开发（详细步骤见下文）

如果希望在自己的电脑上长期学习、做笔记或提交作业，请按下面 "本地安装" 的 8 个步骤逐项操作。

本地安装：8 步完整流程

步骤 1：安装 Git

Git 用于克隆仓库并在本地跟踪你的改动，是后续所有步骤的基础。

Windows从 git-scm.com 下载 Windows 版安装包，按默认设置完成安装。

macOS通过 Homebrew 安装：brew install git，或从 git-scm.com 下载 macOS 版。

Linux（按发行版选择对应包管理器）：

# Debian/Ubuntu sudo apt-get update sudo apt-get install git # Fedora sudo dnf install git # Arch sudo pacman -S git

安装完成后可用git --version验证。

步骤 2：克隆仓库

# 克隆仓库（含完整课程与翻译内容） git clone https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners.git # 进入仓库目录 cd Data-Science-For-Beginners

针对大仓库的优化建议：本仓库包含 50+ 语言的翻译目录（translations/）与翻译图片（translated_images/），体积较大。如果只想学习而不需要翻译内容，官方 README 提供了sparse checkout稀疏检出方式，可显著加快下载速度：

# Bash / macOS / Linux git clone --filter=blob:none --sparse https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners.git cd Data-Science-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

:: CMD (Windows) git clone --filter=blob:none --sparse https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners.git cd Data-Science-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

这样只拉取课程主内容，即可快速完成下载并开始学习。

步骤 3：安装 Python 与 Jupyter

课程的数据科学部分要求Python 3.7 或更高版本。

Windows

从 python.org 下载 Python 安装包；
安装时务必勾选"Add Python to PATH"，否则命令行无法直接调用python；
验证安装：

python --version

macOS

# 通过 Homebrew 安装 brew install python3 # 验证安装 python3 --version

Linux

# 大多数发行版自带 Python，先检查 python3 --version # 若未安装： # Debian/Ubuntu sudo apt-get install python3 python3-pip # Fedora sudo dnf install python3 python3-pip

步骤 4：配置 Python 虚拟环境

官方指南强烈建议使用虚拟环境隔离项目依赖，避免污染系统 Python：

# 创建虚拟环境（在仓库根目录执行） python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate

激活后，命令行提示符会带上(venv)前缀，表示后续安装的包都只作用于该环境。

步骤 5：安装 Python 数据科学依赖包

一次性安装课程各 notebook（分布在1-Introduction、2-Working-With-Data、3-Data-Visualization等课程目录下的.ipynb文件）所需的全部核心库：

pip install jupyter pandas numpy matplotlib seaborn scikit-learn

各库在课程中的典型用途：

库	用途	仓库中的使用示例
jupyter	运行与编辑 notebook	各课程的`notebook.ipynb`，如 1-Introduction/01-defining-data-science/notebook.ipynb
pandas	表格数据读取与处理	课程数据集位于 data/，如 data/birds.csv、data/honey.csv
numpy	数值计算	概率统计、分布计算相关 notebook
matplotlib / seaborn	数据可视化	`3-Data-Visualization`各课绘制的柱状图、直方图、箱线图等
scikit-learn	机器学习基础	生命周期与真实案例课程的建模练习

步骤 6：安装 Node.js 与 npm（用于 Quiz 测验应用）

课程配套的 Quiz 测验应用是一个Vue 2 单页应用，源码位于 quiz-app/，运行它需要 Node.js 与 npm。

Windows / macOS：从 nodejs.org 下载安装包（建议使用LTS 长期支持版），运行安装程序即可。

Linux：

# Debian/Ubuntu # ⚠️ 安全提示：将互联网脚本直接管道到 bash 存在安全风险， # 官方建议先下载并审查脚本内容再执行： # curl -fsSL https://deb.nodesource.com/setup_lts.x -o setup_lts.x # less setup_lts.x # 审查通过后执行： # sudo -E bash setup_lts.x sudo apt-get install -y nodejs # Fedora sudo dnf install nodejs # 验证安装 node --version npm --version

关于 Node.js 版本的源码依据：从 quiz-app/package.json 可以看到，该应用基于 Vue^2.6.11、Vue CLI~4.5.0构建，属 Vue 2 生态，安装 LTS 版 Node 即可满足构建要求。

步骤 7：安装 Quiz 应用依赖

# 进入 quiz-app 目录 cd quiz-app # 安装依赖（依据 package.json 的 dependencies/devDependencies） npm install # 返回仓库根目录 cd ..

依赖安装成功后，quiz-app/src/main.js 定义的 Vue 入口即可被构建工具正确解析（测验题目数据位于 quiz-app/src/assets/ 下的 JSON 文件）。

步骤 8：安装 Docsify（可选）

如需离线访问课程文档，可全局安装 Docsify CLI，本地以静态站点方式浏览仓库中的全部 Markdown 文档：

npm install -g docsify-cli

仓库文档的导航结构定义在 docs/_sidebar.md，它按 "Introduction / Working With Data / Data Visualization / Data Science Lifecycle / Data Science in the Cloud / Data Science in the Wild" 六大模块组织 20 节课程，安装后可沿此目录离线阅读。

安装验证：三项冒烟测试

环境配置完成后，务必按以下三项逐一验证，确保一切就绪。

验证 Python 与 Jupyter

# 若尚未激活虚拟环境： # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 启动 Jupyter Notebook jupyter notebook

浏览器应自动打开 Jupyter 界面，此时即可导航到任意课程的.ipynb文件开始练习。

验证 Quiz 测验应用

# 进入 quiz-app 目录 cd quiz-app # 启动开发服务器（对应 package.json 中 "serve": "vue-cli-service serve"） npm run serve

测验应用默认运行在http://localhost:8080（若 8080 端口被占用会自动换用其他端口）。另外两个常用脚本也记录在 quiz-app/package.json 中：

npm run build # 编译并压缩，生成生产环境产物（输出到 dist/） npm run lint # 检查并修复代码规范问题

验证 Docsify 文档服务器

# 在仓库根目录执行 docsify serve

文档站点默认运行在http://localhost:3000，可离线浏览全部课程文档。

进阶：使用 VS Code Dev Containers 容器化开发

如果本机已安装 Docker，可以通过 VS Code Dev Containers 获得与 Codespaces 一致的容器化体验，无需在宿主机装 Python/Node 环境：

安装 Docker Desktop；
安装 Visual Studio Code；
安装Remote - Containers扩展；
在 VS Code 中打开仓库目录；
按F1调出命令面板，选择"Remote-Containers: Reopen in Container"；
等待容器首次构建完成（仅第一次需要，之后秒开）。

容器内将提供统一的开发环境，适合团队协作或需要复现统一环境的场景。

常见问题与获取帮助

若安装过程中遇到问题，按以下优先级处理：

查阅仓库根目录的 TROUBLESHOOTING.md 故障排查指南，其中收录了安装与运行阶段的常见问题与解决方案；
在仓库的 Issues 区搜索是否已有相同问题；
加入课程官方 Discord 社区向维护者与学习者求助；
以上均无效时，新建一个 issue，并附上完整的错误信息、操作系统版本与已执行命令，便于快速定位。

下一步学习路径

环境搭建完成后，推荐按以下顺序进入课程：

通读 README.md 了解 10 周 20 课的整体课程结构与教学法（课前/课后测验、项目驱动式练习）；
阅读 USAGE.md 学习常见工作流，例如单课学习节奏：先做课前测验 → 读课程正文 → 打开对应 notebook 完成练习 → 做课后测验；
动手从第一课开始：1-Introduction/01-defining-data-science/README.md，期间可参考 examples/ 下的 5 个入门脚本快速热身；
若打算参与共建，阅读 CONTRIBUTING.md 了解贡献规范。