跳到主要内容

Jupyter Notebook

学习目标​

  • 理解 Jupyter Notebook 是什么、适合做什么
  • 安装和启动 Jupyter Notebook
  • 掌握 Cell 类型和基本操作
  • 熟悉最常用的快捷键
  • 学会使用魔法命令
  • 理解 Notebook 和 .py 文件的区别

Jupyter Notebook 是什么？​

Jupyter Notebook 是一种交互式编程环境——你可以写一段代码、立刻运行、看到结果，然后再写下一段。代码、输出、图表、文字说明全部混在一个文件里。

它长什么样？​

想象一个笔记本，每一页（叫做 Cell）可以是：

  • 一段可以运行的代码
  • 一段 Markdown 文字（标题、说明、公式）
  • 代码运行后的输出（数字、表格、图表）

它们按顺序排列在一起，形成一个"可运行的文档"。

什么场景最适合用 Jupyter？​

场景用 Jupyter用 .py 文件
探索性数据分析（EDA）✅ 最佳❌
画图和可视化✅ 图直接显示在下方❌ 需要弹窗
学习和实验✅ 逐步运行，边学边试❌
展示成果（给老板看）✅ 代码+图+文字一体❌
正式项目代码❌✅ 更好维护
调试复杂程序❌✅
团队协作❌ 合并冲突多✅

一句话：学习和实验用 Jupyter，写正式代码用 .py 文件。 本课程的前几个阶段会大量使用 Jupyter。

安装和启动​

安装​

确保你在正确的 conda 环境里：

conda activate ai-course

# 安装 Jupyter Notebook
pip install jupyter

# （可选）安装 JupyterLab——Jupyter 的增强版，界面更现代
pip install jupyterlab

启动​

# 启动 Jupyter Notebook（经典版）
jupyter notebook

# 或启动 JupyterLab（推荐）
jupyter lab

运行后，终端会输出类似这样的信息：

[I 10:00:00 NotebookApp] Serving notebooks from local directory: /Users/zhangsan
[I 10:00:00 NotebookApp] http://localhost:8888/?token=abc123...

浏览器会自动打开，你就能看到 Jupyter 的界面了。

在 VS Code 里用 Jupyter

如果你安装了 VS Code 的 Jupyter 扩展，可以直接在 VS Code 里创建和运行 .ipynb 文件，不需要启动浏览器版本。新建一个 .ipynb 文件就行。后续课程中两种方式都可以用。

创建新 Notebook​

在 Jupyter 界面里：

  1. 点击右上角的 New → Python 3（经典版）
  2. 或点击左侧的 + 号，选择 Python 3 Notebook（JupyterLab）

一个新的空白 Notebook 就创建好了。

Cell（单元格）基础​

Notebook 由一个一个的 Cell 组成。每个 Cell 有两种类型：

Code Cell（代码单元格）​

用来写和运行 Python 代码：

# Cell 1：定义变量
name = "AI 全栈学习"
year = 2026

按 Shift + Enter 运行。

# Cell 2：使用上面定义的变量
print(f"欢迎来到 {name} 课程！现在是 {year} 年。")

输出：

欢迎来到 AI 全栈学习教程！现在是 2026 年。

重要特性： Cell 之间共享变量。你在 Cell 1 里定义的 name，在 Cell 2 里可以直接用。

Markdown Cell（文字单元格）​

用来写文字说明、标题、列表、公式等。切换方法：

  • 选中 Cell，按 M 键切换为 Markdown
  • 按 Y 键切换回 Code

Markdown Cell 里可以写：

## 第一步：加载数据

我们使用 **Iris 数据集**进行探索性分析。

- 150 个样本
- 4 个特征
- 3 个类别

数学公式：$y = wx + b$

运行后会渲染成漂亮的格式化文字。

案例：一个典型的数据分析 Notebook 结构​

[Markdown]  # Iris 数据集探索性分析
[Markdown]  ## 1. 导入库
[Code]      import numpy as np
            import pandas as pd
            import matplotlib.pyplot as plt

[Markdown]  ## 2. 加载数据
[Code]      from sklearn.datasets import load_iris
            iris = load_iris()
            df = pd.DataFrame(iris.data, columns=iris.feature_names)
            df['species'] = iris.target
            df.head()

[Output]    （显示一个表格）

[Markdown]  ## 3. 数据概览
[Code]      df.describe()

[Output]    （显示统计摘要表格）

[Markdown]  ## 4. 可视化
[Code]      plt.figure(figsize=(10, 6))
            plt.scatter(df.iloc[:, 0], df.iloc[:, 1], c=df['species'])
            plt.xlabel('sepal length')
            plt.ylabel('sepal width')
            plt.title('Iris Dataset')
            plt.show()

[Output]    （直接显示散点图）

[Markdown]  ## 5. 结论
            花瓣长度和花瓣宽度是区分三个品种最有效的特征。

代码、图表、文字解释，全在一个文件里。这就是 Jupyter 的魅力。

快捷键​

Jupyter 有两种模式：

  • 命令模式（Cell 外框是蓝色）：按 Esc 进入，用于管理 Cell
  • 编辑模式（Cell 外框是绿色）：按 Enter 进入，用于编辑内容

命令模式快捷键（按 Esc 后使用）​

快捷键操作
Shift + Enter运行当前 Cell 并跳到下一个（最最最常用）
Ctrl + Enter运行当前 Cell 但不跳转
A在上方插入新 Cell
B在下方插入新 Cell
DD（连按两次 D）删除当前 Cell
M把当前 Cell 改为 Markdown
Y把当前 Cell 改为 Code
Z撤销删除 Cell
↑ / ↓上下移动选中不同的 Cell

编辑模式快捷键（按 Enter 后使用）​

快捷键操作
Shift + Enter运行并跳到下一个
Tab代码补全
Shift + Tab显示函数文档
Ctrl + /注释/取消注释
Ctrl + Z撤销

实操：练习快捷键​

创建一个新 Notebook，然后：

  1. 在第一个 Cell 里输入 print("Cell 1")，按 Shift + Enter 运行
  2. 按 B 在下方新建一个 Cell
  3. 输入 print("Cell 2")，按 Ctrl + Enter 运行（注意光标不跳转）
  4. 按 Esc 回到命令模式
  5. 按 A 在上方插入 Cell
  6. 按 M 切换为 Markdown，输入 # 我的标题，按 Shift + Enter 渲染
  7. 选中一个不需要的 Cell，按 DD 删除

反复练习几次，很快就能形成肌肉记忆。

魔法命令​

Jupyter 提供了一些以 % 或 ! 开头的特殊命令，叫做"魔法命令"。它们可以做到普通 Python 代码做不到的事。

! 命令：在 Cell 里执行终端命令​

# 安装包（不需要切到终端）
!pip install seaborn

# 查看当前目录
!ls

# 查看 Python 版本
!python --version

# 下载文件
!wget https://example.com/data.csv

%timeit：测量代码运行时间​

import numpy as np

# 测量一行代码的运行时间
%timeit np.random.rand(1000, 1000)
# 输出: 5.23 ms ± 128 µs per loop
%%timeit
# 测量整个 Cell 的运行时间（注意是两个 %）
data = np.random.rand(1000, 1000)
result = np.dot(data, data.T)
# 输出: 15.6 ms ± 1.2 ms per loop

%matplotlib inline：让图表显示在 Notebook 里​

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x))
plt.title("正弦函数")
plt.show()
# 图表直接显示在 Cell 下方
信息

在较新的 Jupyter 版本中，%matplotlib inline 通常是默认行为，可以省略。但写上也不会错。

%who：查看当前定义的变量​

name = "张三"
age = 25
scores = [90, 85, 92]

%who
# 输出: age   name   scores

%whos
# 输出变量的详细信息（类型、值）

常用魔法命令速查​

命令用途
!命令执行终端命令
%timeit测量一行代码运行时间
%%timeit测量整个 Cell 运行时间
%matplotlib inline图表内联显示
%who / %whos查看当前变量
%reset清除所有变量（重新开始）
%pwd显示当前目录
%history显示输入历史

Notebook vs .py 文件​

什么时候用 Notebook？​

  • 数据分析、EDA
  • 学习新库、做实验
  • 画图和可视化
  • 给别人展示（如 Kaggle Notebook）
  • 写教程

什么时候用 .py 文件？​

  • 正式项目代码（模型定义、训练脚本、API 服务）
  • 需要被其他文件 import 的模块
  • 需要在命令行用参数运行的脚本
  • 团队协作的代码

一个典型的 AI 项目，两者配合使用​

my-ai-project/
├── notebooks/
│   ├── 01_eda.ipynb          # 探索数据（Notebook）
│   ├── 02_experiment.ipynb   # 实验不同模型（Notebook）
│   └── 03_analysis.ipynb     # 分析结果（Notebook）
├── src/
│   ├── model.py              # 模型定义（.py）
│   ├── train.py              # 训练脚本（.py）
│   ├── evaluate.py           # 评估脚本（.py）
│   └── utils.py              # 工具函数（.py）
├── data/
├── models/
├── requirements.txt
└── README.md

先在 Notebook 里做实验，确定方案后把代码整理到 .py 文件中——这是 AI 工程师的标准工作流。

在 Notebook 里调用 .py 文件的代码​

# 在 Notebook 中 import 自己写的模块
import sys
sys.path.append('../src')  # 把 src 目录加入路径

from model import SimpleCNN
from utils import accuracy

model = SimpleCNN()
print(f"模型参数量: {sum(p.numel() for p in model.parameters())}")

实操练习​

创建一个 Notebook，完成以下练习：

Cell 1（Markdown）：

# 我的第一个 Jupyter Notebook
今天的日期：2026 年 X 月 X 日

Cell 2（Code）：

# 基本运算
import math
print(f"圆周率: {math.pi:.10f}")
print(f"自然对数底: {math.e:.10f}")
print(f"10! = {math.factorial(10)}")

Cell 3（Code）：

# 列表操作
fruits = ["苹果", "香蕉", "橙子", "葡萄", "西瓜"]
for i, fruit in enumerate(fruits, 1):
    print(f"第{i}种水果: {fruit}")

Cell 4（Code）：

# 简单可视化
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 100)
fig, axes = plt.subplots(1, 2, figsize=(12, 4))

axes[0].plot(x, np.sin(x), color='blue')
axes[0].set_title('sin(x)')

axes[1].plot(x, np.cos(x), color='red')
axes[1].set_title('cos(x)')

plt.tight_layout()
plt.show()

Cell 5（Code）：

# 测量性能
%timeit sum(range(100000))
%timeit np.sum(np.arange(100000))
# 对比 Python 原生 sum 和 NumPy sum 的速度差异

Cell 6（Markdown）：

## 小结
- 学会了创建和运行 Cell
- 学会了在 Notebook 里画图
- 发现 NumPy 比原生 Python 快很多（这就是第二阶段要学 NumPy 的原因！）

第零阶段自检​

恭喜你完成了整个第零阶段！回顾一下你学会了什么：

  • 终端： 能用命令行导航、操作文件、使用管道和重定向
  • Git： 能创建仓库、提交代码、推送到 GitHub、使用分支
  • Python 环境： 能用 Miniconda 创建和管理虚拟环境
  • VS Code： 能用 VS Code 写代码、调试、使用快捷键
  • Jupyter： 能创建 Notebook、运行代码、画图、写文档
全部打勾了？

你已经拥有了一个专业的 AI 开发环境。这些工具会陪伴你走过整个学习旅程。接下来，正式开始学习 Python 编程！