Data Science for Beginners 环境安装配置完全指南：从零搭建数据科学学习环境-开发者社区

Data Science for Beginners 环境安装配置完全指南：从零搭建数据科学学习环境

【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

本篇技术指南围绕开源课程仓库 Data Science for Beginners 的安装文档展开，系统讲解如何从零搭建一套可用于学习 20 节课、10 周数据科学课程（含 Jupyter Notebook 实战、40 道课前/课后测验 Quiz 与离线文档）的完整本地开发环境。读完本文，你将掌握 Git 克隆、Python/Jupyter 环境配置、数据科学依赖库安装、Vue Quiz 应用启动以及 Docsify 离线文档服务的完整实操流程，并了解仓库底层配置对各项命令的支撑原理。

安装前置条件

在开始安装之前，建议先确认自己具备以下基础条件，这决定了后续流程能否顺利推进：

命令行/终端的基本操作能力：后续的克隆、虚拟环境激活、包管理命令都在终端中完成；
一个 GitHub 账号（免费）：用于克隆仓库，并支持后续通过 Codespaces 云端开发或提交 Issue 获取帮助；
稳定的网络连接：首次安装需要下载 Git、Python、Node.js 以及若干 Python 包和 npm 依赖。

快速开始：两种方式任选

安装文档提供了两条路径：云端零配置的 Codespaces 方案（适合初学者）和本地完整安装方案（适合深度定制）。

方式一：GitHub Codespaces（初学者推荐）

Codespaces 会在浏览器中直接启动一个预装全部依赖的开发环境，省去所有本地安装步骤：

打开本课程仓库主页；
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）。

初始化完成后，环境中已预装全部依赖，可直接打开任意一课对应的.ipynb文件开始学习。

方式二：本地开发环境

如果需要在自己电脑上长期、稳定地使用课程资源（例如配合翻译版课程离线学习），请按下文八个步骤完整搭建。下文命令与仓库实际结构一一对应，可放心复制执行。

本地安装八步走

第 1 步：安装 Git

Git 用于克隆仓库并跟踪你的改动，是后续所有操作的基础。

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

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

brew install git

Linux（按发行版选择）：

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

安装后可用git --version验证版本。

第 2 步：克隆仓库

# 克隆课程仓库 git clone https://github.com/microsoft/Data-Science-For-Beginners.git # 进入仓库目录 cd Data-Science-For-Beginners

克隆完成后，仓库根目录包含六个课程单元目录（1-Introduction至6-Data-Science-In-Wild）、data/数据集目录、quiz-app/测验应用、sketchnotes/图解笔记，以及translations/下 40+ 语言的翻译版课程（例如translations/de/德语版、translations/zh-CN/简体中文版），完整目录结构可参见仓库根目录的 README.md。

第 3 步：安装 Python 与 Jupyter

数据科学课程要求Python 3.7 或更高版本，课程中的 Notebook 均基于该版本编写。

Windows：从 python.org 下载安装包，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：

python --version

macOS：

brew install python3 python3 --version

Linux（多数发行版预装 Python 3）：

python3 --version # 若未安装，则按发行版安装： # Debian/Ubuntu sudo apt-get install python3 python3-pip # Fedora sudo dnf install python3 python3-pip

第 4 步：创建 Python 虚拟环境

推荐使用虚拟环境隔离依赖，避免污染系统 Python 环境：

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

激活后，终端提示符会显示(venv)前缀，表示当前所有 Python 命令均来自该虚拟环境。

第 5 步：安装数据科学 Python 包

一次性安装课程所需的全部核心库：

pip install jupyter pandas numpy matplotlib seaborn scikit-learn

各库在课程中的用途与仓库佐证如下：

jupyter：运行课程全部.ipynbNotebook（如 1-Introduction/01-defining-data-science/notebook.ipynb 中的文本挖掘实战、3-Data-Visualization/09-visualization-quantities/notebook.ipynb 中的图表绘制）；
pandas / numpy：课程第 7 课 "Working with Python" 的核心依赖，用于 DataFrame 数据探索与数值计算，README.md 中明确列出其用于 Python 数据探索；
matplotlib / seaborn：第 9～13 课可视化专题使用，仓库 data/ 目录下的birds.csv、honey.csv、mushrooms.csv等数据集即用于这些绘图练习；
scikit-learn：课程第 15 课数据分析（4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb）中用于建模与分析的机器学习库。

如需按课程单元增量安装，可参考各课 README 中的导入语句按需补充。

第 6 步：安装 Node.js 与 npm（Quiz 测验应用需要）

测验应用（Quiz App）基于 Vue 2 构建，需要 Node.js 与 npm 运行。

Windows/macOS：从 nodejs.org 下载 LTS 版本安装包，运行安装程序即可。

Linux：

# Debian/Ubuntu # 注意：将网络脚本直接管道到 bash 存在安全风险，建议先下载审阅再执行： # curl -fsSL https://deb.nodesource.com/setup_lts.x -o setup_lts.x # less setup_lts.x # sudo -E bash setup_lts.x # # 若接受上述风险，可使用下面的一行命令： curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # Fedora sudo dnf install nodejs # 验证安装 node --version npm --version

第 7 步：安装 Quiz 应用依赖

仓库的 quiz-app/package.json 声明了测验应用的依赖与脚本，从中可以看到该应用的核心技术栈：vue（2.6）、vue-router（路由）、vue-i18n（多语言），以及@vue/cli-service提供的serve/build/lint三个脚本。安装依赖：

# 进入 quiz-app 目录 cd quiz-app # 安装全部依赖（生成 node_modules） npm install # 返回仓库根目录 cd ..

第 8 步：安装 Docsify（可选，用于离线阅读文档）

若希望在无网络环境下离线浏览课程文档，可全局安装 Docsify CLI：

npm install -g docsify-cli

Docsify 的配置在仓库根目录 index.html 中可见：页面通过window.$docsify配置了name: 'Data Science for Beginners'与relativePath: true，配合docsify.min.js运行时即可将全部 Markdown 文档渲染为可浏览的站点，这正是docsify serve命令能够工作的底层依据。

验证安装是否成功

验证 Python 与 Jupyter

# 若虚拟环境尚未激活，先激活 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 启动 Jupyter Notebook jupyter notebook

浏览器会自动打开 Jupyter 界面。此时可导航到任一课程的.ipynb文件，例如 1-Introduction/01-defining-data-science/notebook.ipynb，点击单元格并运行，验证 Python 内核与 pandas 等依赖是否工作正常。

验证 Quiz 测验应用

cd quiz-app npm run serve

npm run serve对应 quiz-app/package.json 中的vue-cli-service serve命令。启动后测验应用默认运行在http://localhost:8080（若 8080 端口被占用会自动切换其他端口）。该应用入口为 quiz-app/src/main.js，其中通过vue-i18n将默认语言设为en，并挂载了路由与根组件，可在浏览器中看到 40 道课前/课后测验（编号 0～39）的交互界面。

验证文档服务

# 在仓库根目录执行 docsify serve

文档站点默认运行在http://localhost:3000，基于 index.html 中的 Docsify 配置渲染全部课程 Markdown，适合课堂离线教学场景。

使用 VS Code Dev Containers 开发

若已安装 Docker，可采用容器化方案，环境隔离更彻底：

安装 Docker Desktop；
安装 Visual Studio Code；
安装 Remote - Containers 扩展；
在 VS Code 中打开仓库；
按F1选择Remote-Containers: Reopen in Container；
等待容器构建完成（仅首次需要，之后秒级启动）。

容器内会提供一致的依赖环境，避免不同操作系统带来的差异问题。

安装后的下一步

环境就绪后，建议按以下路径继续：

阅读仓库根目录 README.md 了解课程全貌与六单元结构（数据科学导论 → 数据处理 → 可视化 → 生命周期 → 云端数据科学 → 真实世界案例）；
查看 USAGE.md 了解常见学习工作流：逐课顺序学习、按主题选学（如仅学习 3-Data-Visualization 的第 9～13 课）、项目驱动学习以及云端数据科学路径；
若在安装或运行中遇到问题，先查阅 TROUBLESHOOTING.md 中的常见问题排查方案；
若希望为课程贡献翻译或内容，参考 CONTRIBUTING.md 的贡献流程（仓库中translations/目录下已有 40+ 语言版本可对照参考）。