Python开发环境搭建：Anaconda+VSCode+Jupyter完整指南

很多刚开始接触 Python 的朋友，包括我自己当年入坑的时候，最头疼的往往不是语法本身，而是搭环境。官网下载 Python、配环境变量、装 pip 包、再找一个趁手的编辑器……每一步单独看都不难，但串在一起，代码还没写一行，热情先消了一半。今天我把这套我用了很多年、也推荐过无数次给身边同事的组合——Anaconda + VSCode + Jupyter Notebook，从下载到日常使用，一路的坑和技巧全部摊开来讲。这套组合基本覆盖了从写脚本、做数据分析到跑深度学习实验的绝大多数场景。

1. 为什么是这三件套？先搞清楚各自的分工

在动手安装之前，先花三分钟理清这三个工具在整条工作流里的角色。很多人装完之后用得别扭，往往就是因为没搞明白它们之间的协作关系。

1.1 Python 环境、写代码的地方、交互式笔记，各司其职

Anaconda 是一个 Python 发行版，它的核心价值不在于“能跑 Python”，而在于它内置了 conda 这个包管理和环境管理工具。你可以把 Anaconda 理解成一个精心配好的厨房，锅碗瓢盆（NumPy、Pandas 这些常用库）都给你备齐了，还附带了一个叫做 conda 的智能储物柜，想要什么调料，一句话就给你取出来，而且不同的菜（项目）可以拥有各自独立的调料架，互不干扰。这正是虚拟环境的意义：A 项目需要 TensorFlow 2.x，B 项目要求 TensorFlow 1.x，用 conda 建两个独立环境，各自安好，不用为了兼容性焦头烂额。

VSCode 则是那个“切菜台”。它是微软推出的一款免费开源编辑器，轻量但扩展性极强。装上 Python 插件后，它就变成了一个功能完整的 Python IDE，有代码高亮、智能补全（IntelliSense）、断点调试、Git 集成、远程开发等等。你日常写.py脚本，绝大多数工作都是在 VSCode 里完成的。

Jupyter Notebook 则是一个“试菜台”。它以网页形式呈现，将代码、运行结果、富文本说明、可视化图表全部整合在一个文档里。这种“交互式笔记”的工作方式非常符合数据分析、算法探索的场景——你写一小段代码，立刻看到输出，然后基于输出调整下一步，整个思考过程被完整记录下来。Notebook 文件（.ipynb）本身是 JSON 格式，用文本编辑器打开也能看到里面的代码和输出。

这三者的配合逻辑是：用 Anaconda 管理 Python 解释器和各种第三方库；用 VSCode 作为统一入口，打开写好的.py脚本，也可以直接编辑和运行.ipynb笔记；用 Jupyter Notebook（无论是 VSCode 内嵌的还是浏览器里打开的）进行交互式数据分析。其实 Jupyter 也可以独立运行，但在 VSCode 里运作的优势在于，你不需要来回切换窗口，代码补全、变量查看、Git 版本管理都能在同一个界面里完成。

1.2 这套组合适合哪些人，解决了什么问题

如果你是这几类人，这套组合可以直接“抄作业”：

• 数据方向的初学者：刚学 Pandas、Matplotlib、Scikit-learn，需要在 Notebook 里边写边看图表，Anaconda 预装的数据分析库能让你跳过漫长的依赖安装过程。
• 经常做算法实验的工程师：需要在不同版本的 PyTorch/TensorFlow 之间切换，conda 的虚拟环境是成本最低的隔离方案。
• 教师、博主或喜欢记录的技术作者：Notebook 是一个很好的载体，代码和讲解放在一起，导出成 HTML 或 Markdown 也很方便。
• 已经在用 Pycharm 但觉得笨重的老手：VSCode 启动更快、占用资源更少，在配置好后，写脚本的体验完全不输给 PyCharm。

这套组合解决的核心痛点有三个：一是环境管理混乱，二是写代码和看数据结果之间的割裂感，三是初学者装包时的挫败感。接下来我从零开始，把每一步的安装和配置都过一遍。

2. Anaconda 下载安装与国内镜像配置，别在第一步就卡住

Anaconda 的安装是整套流程的基础，但恰恰是这一步，很多人栽了跟头。最典型的两个问题：官方下载速度慢得像蜗牛；装完以后 conda 命令在终端里根本找不到。

2.1 官方源与清华镜像源的选择

Anaconda 官方网站的服务器在国外，国内用户直接下载安装包，速度经常只有几 KB/s，甚至中途断掉。这里我不推荐硬等，直接用清华大学开源软件镜像站是绝大多数国内开发者的标准做法。你可以在清华镜像站找到 Anaconda 的安装包列表，选择对应你系统的最新版本（比如 Anaconda3-2024.xx-xxx-x86_64.exe 这种命名格式）。注意区分 64 位和 32 位，现在基本都是 64 位系统，选x86_64结尾的即可。

安装包大概 500MB 到 1GB 左右，用浏览器直接下载可能还是会觉得慢，这里教大家一个小技巧：把安装包的下载链接复制到迅雷或者 IDM 这类多线程下载工具里，速度会快很多。另外，安装时建议选择“Just Me”而不是“All Users”，避免后续权限问题。安装路径尽量不要包含中文和空格，比如D:\Anaconda3就比D:\软件\Anaconda 3稳妥得多。

2.2 安装过程中必须注意的两个关键点

安装到一半，界面会有一个勾选项，问是否要添加 Anaconda 到 PATH 环境变量。这里是一个经典分歧点。不同教程给出的建议不一样，我个人的建议是：如果这是你唯一的一个 Python 发行版，电脑上也没有预装过其他 Python（或者你很清楚自己在做什么），可以勾选“Add Anaconda3 to my PATH environment variable”，它会帮你搞定环境变量，之后在任何终端窗口里都能直接输入conda命令。

但如果你电脑上装了多个 Python，或者你使用的 IDE（比如 PyCharm）自己有解释器管理逻辑，我建议不要勾选，手动配置。因为勾选后，base环境会被默认加入 PATH，在某些情况下会抢劫系统中其他工具的 Python 依赖，造成莫名其妙的冲突（比如conda命令能用，但pip指向了另一个 Python）。我自己的习惯是，装完后手动把D:\Anaconda3、D:\Anaconda3\Scripts、D:\Anaconda3\Library\bin这三个路径单独添加到系统环境变量 PATH 中，这样既不影响其他软件，也能让 conda 生效。

安装完成后，打开命令行（Win+R 输入 cmd 回车），输入：

conda --version

如果能输出类似conda 24.x.x的版本号，说明安装成功。如果提示“conda 不是内部或外部命令”，说明环境变量没配好，按上面的路径去系统环境变量里补上，然后重新打开一个终端窗口。

2.3 配置国内镜像源，让装包速度起飞

Anaconda 的默认官方源同样是国外服务器，用 conda 装包时经常出现解析依赖卡半天或者速度只有几十 KB 的情况。这里必须在安装后立刻做一件事：把 conda 的下载源切换成清华源。在命令行里依次执行：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main 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/r conda config --set show_channel_urls yes

执行完后，可以查看一下配置文件确认是否生效（Windows 在用户目录下的.condarc文件）。这里要特别注意一点：2024 年中之后，清华源对 Anaconda 仓库（尤其是conda-forge）的同步策略有过调整，如果你发现某些包报 404，可以在.condarc文件里再增加https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge这个频道。注意，如果配置了自定义频道，默认的defaults往往会被覆盖，所以在.condarc里最好把defaults也列上，确保有的包在本地镜像找不到时还能去官方源拉。

虽然 conda 也可以用作 pip 的镜像源，但更稳妥的做法是，pip 也单独设置清华源。在用户目录下创建pip.ini（Windows）或pip.conf（Linux/macOS），写入：

[global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple [install] trusted-host = pypi.tuna.tsinghua.edu.cn

这样后续pip install装包时，速度直接拉满。

3. VSCode 安装与 Python 开发环境打磨，把编辑器练成主力 IDE

VSCode 本身是个空壳子，装上合适的插件就蜕变为 IDE。这个环节我重点讲三个东西：安装与汉化、Python 解释器关联、以及哪些插件值得在 2024 年配置。

3.1 下载、安装和基础设置

VSCode 官网下载地址是code.visualstudio.com，同样是国外服务器，但 VSCode 的安装包比 Anaconda 小很多（大概 100MB 左右），直接用浏览器下载问题不大。如果实在慢，也可以把下载链接扔到下载工具里加速。安装时基本一路 Next 就行，但有几个勾选建议注意一下：勾选“添加到 PATH”，这样你可以在任意终端里输入code .快速打开当前目录；勾选“添加‘使用 VSCode 打开’操作到文件和目录上下文菜单”，这样在文件夹上右键就能直接打开，很省事。

装好后的第一件事，我一般是按Ctrl+Shift+X打开扩展商店，搜索“Chinese (Simplified)”，安装微软官方的简体中文语言包。安装完右下角会提示重启，点击就变成中文界面了。如果不想安装中文包，也可以在右下角语言选项里切换，但我还是建议习惯英文界面的同学直接上了，毕竟看惯了英文界面，查英文报错、看英文文档会稍微顺一点点。

3.2 配置 Python 解释器，这是 VSCode 识别 Anaconda 的关键

VSCode 装好 Python 扩展（搜索"Python"，认准发布者为 Microsoft 的那个）后，还差最关键的一步：让它知道该用哪个 Python 解释器。如果你是先装 Anaconda 再装 VSCode，VSCode 有很大概率会自动检测到 Anaconda 的 base 环境，但为了确保万无一失，建议手动指定一次。

按下Ctrl+Shift+P，输入Python: Select Interpreter，回车。这时候会列出 VSCode 扫描到的所有 Python 解释器，包括系统自带的 Python、Anaconda 的各个虚拟环境。选择对应 Anaconda 的python.exe（通常名称类似Anaconda3\python.exe）。如果列表里没有，点击“输入解释器路径”，手动浏览到 Anaconda 安装目录下的python.exe即可。

这里有个细节：当你选中 Anaconda 的解释器后，VSCode 会自动激活对应的 conda 环境。在终端里创建一个新的终端窗口（Ctrl+Shift+``），你会看到命令行前缀变成了(base)` 或你当前选中环境的名称，这说明 conda 环境已经和 VSCode 的终端整合了。如果你之前没用过 conda 环境，这个提示可能会困惑你一会儿，但这其实是正常现象，表示你当前终端位于 base 环境里。

3.3 2024 年 VSCode 的实用插件组合

除了 Python 官方插件，下面这几个插件是我日常开发中觉得非常值得装的：

• Pylance：Python 官方插件的搭档，提供更智能的类型检查和自动补全。它是 Python 插件自带的，不用单独安装，但最好确认一下没有把它禁用掉。
• Jupyter：允许你在 VSCode 里直接创建、编辑、运行.ipynb文件，这篇文章后面会详细讲这套工作流。同样由微软官方提供。
• GitLens：在代码行内显示最近一次提交的作者和时间，团队协作时排查代码归属特别方便。个人项目也建议装，能帮你理清自己的改动脉络。
• Python Debugger：以前叫 Python Debug，现在拆成独立扩展了，提供调试功能，包括断点、变量监视、调用堆栈。用图形化界面调试比用print大法高效得多。
• Remote - SSH（按需）：如果你需要连到远程服务器开发，这个插件几乎必备。它可以让你在本地 VSCode 窗口里操作远程机器的文件、跑终端命令，体验和本地开发一样。

这些插件我建议按需安装，不要一口气装几十个。插件装多了，不仅启动慢，还会增加潜在的冲突风险。基础体验先搞定：Python + Pylance + Jupyter + GitLens，就可以愉快地写代码了。

4. conda 虚拟环境实操：从创建到删除，彻底搞懂环境隔离

环境管理是 Anaconda 的灵魂。很多初学者搞不清 base 环境、虚拟环境、Co py 之间的关系，导致后面项目多了，环境乱成一锅粥。这一节我把常用的 conda 命令和实际使用场景整理出来。

4.1 创建并激活你的第一个虚拟环境

假设你现在要开始一个新项目，需要 Python 3.11 和 PyTorch，此时不应该直接在 base 环境里装。因为 base 是 Anaconda 的根环境，动它容易牵连其他包。正确的做法是：

conda create -n pytorch_env python=3.11

其中-n指定环境名称，这里是pytorch_env，后面跟要安装的 Python 版本。执行后 conda 会检查依赖并询问是否下载安装，输入y即可。等待安装完成后，激活这个环境：

conda activate pytorch_env

激活后，命令行前缀会从(base)变成(pytorch_env)，此时python --version会显示 3.11。在这个环境里用pip或conda安装的一切包，都只存在于pytorch_env环境内部，不会干扰到 base 或其它环境。这个隔离能力太有用了，相当于每家店铺都配了独立的储物柜，补给互不串味。

要退出当前环境，用：

conda deactivate

4.2 环境克隆、导出与删除，应对换电脑和备份场景

如果遇到“这个环境配置得好好的，我换了台电脑，怎么原样搬家”的场景，conda 提供了导出功能。

在激活的环境里执行：

conda env export > environment.yml

生成的environment.yml文件里记录了所有包名及其版本，甚至还有下载源。在新电脑上，用：

conda env create -f environment.yml

就能重建一个一模一样的环境。但注意，conda env export有时会把当前系统的路径、构建信息等给打包进去，在跨平台（Windows 到 Linux）迁移时可能会报错。更稳妥的方案是只导出显式安装的包，用：

conda env export --from-history > environment.yml

这样只包含你明确安装的包，忽略依赖层级，跨平台兼容性会好很多。

当环境彻底不用了，删除命令是：

conda env remove -n pytorch_env

删除前务必确认环境名，误删了重建可要费不少功夫。顺便说一句，conda list可以查看当前环境里都有哪些包和版本，排查冲突时很有用。

4.3 conda 与 pip 混用时的注意事项

一个很常见的坑：在 conda 环境里，同时又用了 pip 装了一些包，结果再执行conda install时，把环境搞崩了，或者包版本对不上。严格讲，conda 和 pip 各自管理自己的包元数据，混用时确实能共存，但优先级不一样。绝大多数情况下，我建议在 conda 环境内部优先用conda install，如果 conda 源里没有某个包（比如一些只在 PyPI 上分发的最新包），再用pip install代替。

但有几个雷区：不要在 conda 里用pip install装那些已经有 conda 版本的包，因为两者的依赖解析方式不同，可能导致环境里的某些二进制库版本被覆盖；不要在不同环境之间共用 site-packages 缓存，除非你很清楚后果。只要记住“conda 优先，pip 兜底”这个原则，环境基本不会出大乱子。

5. Jupyter Notebook 的使用进阶，从基础快捷键到让体验变好的技巧

Jupyter Notebook 是这三件套里对新手最友好的东西。它让写代码变得像写字一样线性：一个单元格写一段代码，运行一下，看结果，然后继续下一个单元格。这种交互式体验极大降低了试错成本。但实际用起来，很多人会觉得它不如写脚本顺手——原因往往是快捷键不熟，或者缺了关键插件。这一节我把入门到进阶的用法梳理一遍。

5.1 在 VSCode 中使用 Jupyter Notebook

以前打开 Anaconda Navigator 再启动 Jupyter，然后浏览器开页面，体验确实有点重。现在我已经习惯直接在 VSCode 里新建一个.ipynb文件了。操作很简单：在 VSCode 中Ctrl+N新建文件，点击右下角语言模式，选择 “Jupyter Notebook”，然后保存成.ipynb后缀即可。编辑器会切换成 Notebook 界面：上方是工具栏，下面是一些单元格，可以选择 Cell 类型为 Code 或 Markdown。

在这里写 Python 代码和浏览器里的 Jupyter 体验高度一致，但额外享受到了 VSCode 的代码补全和语法高亮。注意，Notebook 也需要选择一个 Python 解释器，右上角有内核选择按钮，把它指到你的 Anaconda 虚拟环境即可。如果没有指定，它默认会选当前 VSCode 选中的解释器，这也就是为什么我建议在 VSCode 里先配置好全局的解释器。

如果需要在浏览器里使用 Jupyter（有些情况下浏览器界面确实更方便，比如你要嵌入网页链接，或依赖浏览器端插件），可以在终端中激活环境后，输入：

jupyter notebook

VSCode 端和浏览器端各有优劣，日常我基本固定在 VSCode 里操作，毕竟所有工作都在一个窗口里。但 Jupyter 网页版有一个很实用的功能——分享链接让别人直接预览你的 Notebook，这一点 VSCode 端目前还做不到。

5.2 必会的快捷键与 Markdown 用法

Notebook 用起来顺手的核心在于快捷键。我在入职后带过好几位新人，无一例外，第一次看到我手指在键盘上上下翻飞都很惊讶。这里把最核心的几个排序：

• Shift + Enter：运行当前单元格并跳到下一个
• Ctrl + Enter：运行当前单元格，但不往下跳
• A/B：在当前单元格上方/下方新建一个单元格
• M：把单元格切换为 Markdown 模式（用于写注释说明）
• Y：把单元格切回 Code 模式
• DD（连续按两次 D）：删除当前单元格
• Tab：代码补全或缩进
• ?：在对象后加问号并运行，显示该函数的文档字符串，这在查函数说明时特别好用

除了快捷键，在 Notebook 里写说明文档也几乎是必备技能。Markdown 单元格里可以通过#符号写标题，用**加粗，用三个反引号围起代码块。我经常用到的还有目录功能：在 VSCode 的 Notebook 界面右侧有一个大纲（Outline）视图中，会解析 Markdown 标题自动生成目录，方便在大篇幅文档中快速跳转。如果你想在网页版 Jupyter 里生成目录，可以安装jupyter_contrib_nbextensions扩展，然后启用 Table of Contents 模块。

博客文章、教程类 Notebook 里，Markdown 写得好不好直接决定阅读体验，建议花半小时把所有 Markdown 符号过一遍。

5.3 让代码自动补齐更好用：配置和扩展

Jupyter 自带的补全在很多老版本里比较弱，但在新版（Jupyter Notebook 7.x 以及 VSCode 的 Jupyter 扩展）里，补全体验已经改善了很多。主要是基于内核的 Completer 以及 VSCode 端的 Pylance 加持，绝大多数情况下代码能自动弹出选项。

如果你觉得网页版 Jupyter 补全不够聪明，老牌方案是安装jupyterlab-lsp和python-lsp-server。安装命令：

pip install jupyterlab-lsp python-lsp-server

然后重启 Jupyter，在设置里启用 LSP 功能。但在 VSCode 里其实不需要这些，因为 VSCode 的 IntelliSense 本来就匹配的是编辑器的能力，不是用自己的，所以体验比网页版好很多。如果你在 VSCode 里发现 Notebook 的代码补全不明显，建议检查一下状态栏左下角的 Python 解释器是否选对了，如果误选了系统自带的 Python，补全和类型检查都会弱很多。

5.4 单元格执行没反应？大概率是内核的问题

“单元格执行代码没有任何反应”是热词搜索里频率相当高的问题，我在实际中遇到也遇到过好几次。大部分情况下，不是代码本身写得有问题，而是 Jupyter 内核（Kernel）挂了。解决办法很简单：在 VSCode 的 Notebook 界面右上角点击内核选择器，选择“Python Environments”中的目标环境；如果还是不行，先点击“重新启动内核”（Restart），或者直接切换到另一个 Python 解释器后再切回来，强制刷新内核连接。

在浏览器版 Jupyter 中，类似的菜单是 Kernel -> Restart。如果网页版一直执行但不出结果，还有一个常见原因是浏览器缓存或者旧内核未释放：关掉页面，在终端里Ctrl+C终止运行中的 Jupyter，再重新jupyter notebook启动。别小看这种重启大法，它在 80% 的怪问题时都是最省事的解药。

6. 常见问题与排查技巧，把踩过的坑一次说完

这套组合虽然好用，但安装和日常使用中总免不了各种意外。我把这几年遇到的高频问题、以及向同事答疑时看到的一些典型错误整理成一份速查表。遇到问题时，先别急着搜乱七八糟的教程，按这个表走一遍，大概率能定位。

6.1 ImportError: DLL load failed 的深度排查

这个报错我在 Windows 上见到过太多次了，出现的场景往往是import pandas或import numpy时直接崩掉。它的本质是：你当前环境中某个包编译时链接到的二进制库（比如 MKL、OpenBLAS）和你在用的 Python 运行时对不上号。最常见的罪魁祸首是——先用 conda 装了 numpy，然后又用 pip 装了另一个版本的 pandas，导致二进制接口漂移。

遇到这个报错，我建议不要自己手动去删 DLL 文件或者在网上找一个.dll手动拷贝，那都是拆东墙补西墙。最可靠的是回到 conda 的一致性管理：在目标环境里执行：

conda install numpy pandas scipy --force-reinstall

如果这个环境里还混装了 PyTorch 或 TensorFlow，建议把深度学习框架也一并用 conda 重装，比如conda install pytorch torchvision torchaudio cpuonly -c pytorch。只有当某个包确实没有 conda 版本时，才考虑在conda先把核心依赖装好之后，再用 pip 装它，而且装完立刻复测导入，避免问题扩散。

6.2 VSCode 里调试 Python 时的几个隐性坑

很多人用 VSCode 跑脚本没问题，但一按 F5 想调试，却提示“launch.json 配置有误”或“无法启动调试程序”。原因大多是当前没有创建launch.json。最好的办法不是手动新建这个 JSON，而是按Ctrl+Shift+D打开运行和调试面板，点击“创建 launch.json 文件”，选择“Python”，VSCode 会自动生成一个模板。模板内容大概长这样：

{ "version": "0.2.0", "configurations": [ { "name": "Python: 当前文件", "type": "debugpy", "request": "launch", "program": "${file}", "console": "integratedTerminal" } ] }

这里program默认是${file}，意思就是调试当前正在编辑的文件。如果你需要接收命令行参数，可以加一行"args": []。另一个新手常见的问题是按 F5 后，提示“无法在初始化之前访问 'sys'”，这通常不是代码问题，而是launch.json里指定了错误的解释器。在调试面板右侧的齿轮里确认一下"python"字段是否指向了conda环境中的解释器路径。

还有一个常被忽略的坑：如果你在调试模式下运行一个本来就运行很久的循环，VSCode 默认有超时限制。如果遇到调试器卡死，检查右下角是否有“取消 pydevd 超时”之类的提示，在配置里把"justMyCode": false改为true（意思是只调试你自己的代码，不进入第三方库内部），绝大部分卡顿都会消失。

6.3 在 VSCode 中使用 WSL 的那点事

这是个高频需求：本地是 Windows，但项目需要跑在 Linux 环境里，尤其是一些深度学习框架在 Windows 上支持不完善。以前你可能需要开虚拟机或者双系统，现在 WSL 2（Windows Subsystem for Linux）成熟了，在 VSCode 里用 WSL 也异常方便。你只需要在 Windows 商店里安装一个 Ubuntu 发行版，然后在 Ubuntu 里安装 Anaconda，接着回到 VSCode，安装 Remote - WSL 扩展。重启 VSCode 后，左下角会出现一个绿色的“><”图标，点击它选择“连接到 WSL”，VSCode 会重新加载并连接到 Linux 子系统的文件系统，终端也自动变成 bash。此时你再选择 Python 解释器，就能找到 Ubuntu 里 Anaconda 的环境了。

这个方案最舒服的地方在于，文件保存在 Windows 的硬盘上（比如D:\projects），但代码运行在 Linux 环境里，两边互不干扰。如果你是做深度学习又有 N 卡，WSL 2 里配置 CUDA 的流程也比原生 Windows 下顺畅不少。不过要注意，跨文件系统读写（比如从 Windows 路径访问 WSL 里的文件）性能很差，建议建立好规范：Python 源码放在 WSL 家目录里，通过\\wsl$访问。

6.4 别忽略 conda 自身的更新和维护

最后聊一个容易被忽略的点：很多人装好 Anaconda 之后，就再也没管过它。过个一年半载，发现 conda 装任何包都报错，一看是 conda 版本太旧。定期更新 conda 本身也是个好习惯，在 base 环境里执行：

conda update conda conda update anaconda

但不建议频繁升级基础包（比如把 Python 从 3.11 升到 3.12），因为升级会连带一堆包重新编译，容易出问题。还有一个习惯值得培养：每当你安装一个新的、比较重的库之前，先执行conda env export > environment_before_install.yml，万一环境弄坏了，可以快速回滚到之前的依赖状态。这个习惯花不了半分钟，却能在关键时刻省下几小时的排查时间。

7. 日常使用心法：把写代码这件事变得更顺手

工具装好了、坑也踩得差不多了，最后分享几个我用这套组合写代码时形成的工作习惯。这些不是为了炫技，是真真确确提高了效率的东西。

在 VSCode 里，我一般按下Ctrl+Shift+P然后输入Python: Create Python File，创建脚本文件。还会把工作区保存为一个 Code Workspace（.code-workspace），把特定项目关联到特定 conda 环境，这样每次打开工作区，解释器就自动选好了，不用每次重新设置。结合 Git 使用的话，推荐在.gitignore里把*.ipynb的检查点文件（.ipynb_checkpoints/）加进去，避免污染仓库。

Jupyter Notebook 方面，我建议养成一个习惯：项目中的关键研究结果用 Notebook 记录，但项目最终交付的正式代码，还是写成.py模块。原因在于.ipynb是 JSON 格式，代码复用的便利性远不如.py文件，而且 git diff 时非常难看。我通常是先在 Notebook 里做探索性分析和画图，等验证完逻辑，就把核心函数整理成.py脚本放进项目的src/目录里，再用测试用例去保护这个逻辑。这既兼顾了探索效率和工程规范性，也不至于让 Notebook 变成“只可运行不可维护”的代码坟场。

还有一个很多人不知道的小技巧：在 VSCode 里按Ctrl+Shift+P输入Jupyter: Export to Python Script，可以把当前 Notebook 里的所有代码单元格直接导出成一个.py文件，注释里会自动附带每个单元格的来源位置，方便你快速把草稿转成正式脚本。

这套 Anaconda + VSCode + Jupyter 的组合，乍一看需要配置的东西不少，但一旦搭建完成，它会默默支撑起你接下来几个月甚至几年的编码工作。我在帮很多同事配完这套环境后，他们最常说的一句话是：“原来写 Python 可以这么省心。”希望这篇从安装到实战、从常见报错到使用心法的长文，也能帮你把开发环境一次配得明明白白。