Jupyter Notebook 到底怎么装装完又该怎么用这篇把安装、启动、配置、上手路径一次讲透。如果你是 Python 初学者或者刚转行做数据分析大概率会在一堆教程里反复看到同一个名字Jupyter Notebook。它常常和 Anaconda 捆绑出现也经常被拿来和 PyCharm、VS Code 比较。很多人以为它只是个“能写 Python 的网页编辑器”但实际用起来才发现它真正擅长的是让你一边写代码、一边看到结果、一边记录分析思路。这种交互方式和传统 IDE 的“写完整个文件再运行”完全不同。不过Jupyter 的安装和使用对新手并不算友好。光是一个环境变量、一个浏览器兼容问题就能卡住不少刚入门的人。更别说“Notebook 打开后是空白”“内核一直连不上”“不知道和 JupyterLab 有什么区别”这些高频问题几乎每个学习者都会遇到至少一个。这篇文章会从最基础的安装讲起覆盖 Windows 和 macOS 两条路径解决启动、内核、浏览器、插件等典型问题再用一个真实的数据分析小案例演示从读取数据到可视化输出的完整流程。读完你不仅能装好 Jupyter Notebook还能理解它背后的工作方式遇到问题也知道该从哪里排查。1. 先搞清楚Jupyter Notebook 解决的是什么问题在开始安装之前有必要先理解 Jupyter Notebook 到底改变了什么。它不是一个普通的 Python IDE而是一个基于 Web 的交互式计算环境。传统的 Python 开发流程通常是打开编辑器编写一个.py文件保存然后在终端里运行整个文件。过程是“整段提交、整段输出”。如果你只想测试某一行代码要么写注释要么额外写测试脚本效率很低。数据分析工作又经常是探索性的你需要先读取数据、看一下前几行、处理缺失值、再画一张图每一步都要看结果然后根据结果决定下一步。这种工作流用传统编辑器的“文件-运行-等待”模式会非常别扭。Jupyter Notebook 把代码拆分成一个个“单元格”每个单元格可以独立运行运行结果直接显示在代码块下方。你可以先执行df.head()看数据长什么样再执行df.info()看字段类型然后再决定要不要清洗。整个过程是边写边跑边跑边看边看边改非常贴近数据分析师真实的思考方式。除了代码和结果Notebook 还支持 Markdown 单元格。你可以在代码之间插入说明文字、公式、标题和图片把一次分析过程整理成一份“可执行的文档”。这份文档的扩展名是.ipynb用 JSON 格式存储既能在 Jupyter 里打开也能导出成 HTML、PDF、Markdown 等格式方便分享和汇报。从这个角度看Jupyter Notebook 的核心价值不是“写 Python”而是提供了一种适合分析、教学、探索和汇报的交互环境。这也是为什么它在 Kaggle 竞赛、科研论文、网课教学和日常数据分析中如此流行。2. 安装前的核心选择Anaconda 还是纯 pip安装 Jupyter Notebook 主要有两种主流方式很多新手容易在这第一步就绕晕。第一种是安装 Anaconda。Anaconda 是一个 Python 发行版自带 Python 解释器、conda 包管理器以及一大堆预装好的科学计算库其中就包括 Jupyter Notebook、JupyterLab、NumPy、Pandas、Matplotlib 等。它的优点是一站式安装装完不用再折腾依赖环境特别适合刚入门、不想被环境问题劝退的用户。缺点是比较大安装包经常超过 500MB而且预装了很多你暂时用不到的库会占用不少磁盘空间。第二种是只安装 Python然后通过 pip 单独安装 Jupyter Notebook。这种方式更轻量适合已经熟悉 Python 环境管理或者已经装了 Python、不想再引入 Anaconda 的人。两者怎么选可以从下面三个维度来判断对比项Anaconda 方案pip 轻量方案安装体积大通常数百 MB 起步小按需安装上手难度低默认集成大部分库中等需要熟悉 pip 和虚拟环境适合人群Python 新手、数据分析初学者已有 Python 环境、追求可控性的开发者环境隔离自带 conda 可创建虚拟环境需要配合 venv 或 conda 使用预装库丰富开箱即用需要逐一手动安装从实际经验看如果你刚开始学 Python 数据分析还没有养成自己的环境管理习惯那么先选 Anaconda 是最省心的。等到你越来越熟悉包管理和虚拟环境再切换到 pip venv 或者 pip conda 的组合也不会很难。这篇文章两种方式都会讲清楚你可以按自己的情况选择一条路径执行。3. Windows 环境下的 Jupyter Notebook 安装全流程下面以 Windows 10/11 为例把 Anaconda 和 pip 两条安装路径都走一遍。3.1 方式一用 Anaconda 安装 Jupyter Notebook第一步下载 Anaconda 安装包。打开 Anaconda 官网下载页面选择 Windows 版本的 Python 版本对应的安装包。建议选择 64 位安装包因为目前绝大多数电脑都是 64 位系统。下载完成后双击安装包。安装过程中有几个地方需要特别注意第一安装路径尽量简短不要包含中文或空格。比如安装到D:\Anaconda3比安装到D:\Program Files\Anaconda3更保险因为后续使用 conda 或 Jupyter 时路径中的空格可能引发一些奇怪问题。第二安装过程中会看到两个选项。第一个是是否将 Anaconda 加入 PATH 环境变量系统默认不推荐但对新手来说勾选它反而更容易在命令行里直接使用 conda 和 jupyter 命令。第二个是是否将 Anaconda 设置为默认 Python建议勾选。所以更稳妥的做法是把“Add Anaconda3 to my PATH environment variable”勾选上把“Register Anaconda3 as my default Python 3.x”也勾选上。第三等待安装完成大概需要几分钟到几十分钟取决于机器性能。安装完成后打开“开始菜单”找到 Anaconda3 文件夹点击“Anaconda Prompt”。这个 Prompt 是一个已经配置好 conda 环境的命令行窗口比普通 CMD 更不容易出错。在 Anaconda Prompt 中输入下面的命令可以查看当前环境列表确认 Anaconda 是否安装成功conda env list如果能看到类似base的环境路径说明 Anaconda 安装成功Jupyter Notebook 也已经随之安装了。因为 Anaconda 默认会附带 Jupyter Notebook。你可以在 Anaconda Prompt 中直接运行jupyter notebook这个命令会启动 Jupyter 服务并在默认浏览器中打开 Notebook 首页。3.2 方式二用 pip 安装 Jupyter Notebook如果你已经安装了 Python并且熟悉命令行可以不装 Anaconda直接用 pip 安装 Jupyter Notebook。先确认 Python 版本。打开 CMD 或 PowerShell输入python --version建议使用 Python 3.8 及以上版本。随后升级 pip避免旧版本 pip 在安装依赖时出问题python -m pip install --upgrade pip然后安装 Jupyter Notebookpython -m pip install jupyter这里安装的是 Jupyter 项目的主包它会自动带上 notebook、jupyter_core、ipykernel、nbformat 等核心组件。安装完成后同样运行启动命令jupyter notebook如果命令找不到可能是 Python 的 Scripts 目录没有加入 PATH。可以在安装 Python 时勾选“Add Python to PATH”或者手动把C:\Users\你的用户名\AppData\Local\Programs\Python\Python312\Scripts这样的路径加入环境变量。3.3 如何判断安装成功启动 Jupyter Notebook 后如果终端输出类似下面的日志说明服务已经正常启动[I ...] Serving notebooks from local directory: C:\Users\你的用户名 [I ...] Jupyter Notebook 6.5.4 is running at: [I ...] http://localhost:8888/?tokenxxxxxxxxxxxxxxxxxxxx [I ...] Use Control-C to stop this server and shut down all kernels浏览器会自动打开一个页面地址通常是http://localhost:8888。页面上会显示当前目录下的文件列表右上角有 New 按钮。点击 New选择 Python 3就能新建一个 Notebook。如果能正常执行print(hello)并看到输出结果就说明 Jupyter Notebook 已经完全可用了。4. macOS 环境下的 Jupyter Notebook 安装全流程macOS 的安装逻辑和 Windows 基本一致区别主要在于命令行工具和包管理方式。4.1 使用 Anaconda 安装macOS 用户同样推荐直接安装 Anaconda。在官网下载 macOS 图形化安装包双击运行。安装到默认目录即可也可以选择自定义目录。安装完成后打开终端Terminal输入conda --version如果输出了版本号说明 conda 配置成功。然后执行jupyter notebook即可启动 Notebook。macOS 上终端默认使用的是 zshAnaconda 安装时会在 shell 配置文件中自动加入 conda 初始化代码。如果打开终端后输入 conda 提示找不到命令可以执行source ~/.zshrc如果依然找不到可以检查~/.bash_profile中是否已经写入了 conda 初始化脚本。4.2 使用 pip 安装macOS 自带的 Python 版本较老建议先从 Python 官网下载安装最新的 Python 3安装时勾选“Install for all users”和“Add Python to PATH”。然后在终端中执行python3 -m pip install --upgrade pip python3 -m pip install jupyter注意 macOS 上python命令大概率指向的是系统旧版本推荐统一使用python3命令避免环境混乱。启动命令同样使用jupyter notebook如果系统提示jupyter: command not found可以尝试用模块方式启动python3 -m jupyter notebook5. Jupyter Notebook 和 JupyterLab 到底有什么区别很多新手已经安装完了还是会疑惑我启动的到底是 Notebook 还是 Lab这两个词频繁出现到底应该用哪个JupyterLab 是 Jupyter 项目的新一代交互界面你可以把它理解为 Jupyter Notebook 的“升级版”。两者底层运行的是同一套内核和文件格式所以同一个.ipynb文件在两个界面中都能打开差异主要在外观和使用方式。Jupyter Notebook 的界面相对传统页面结构是“文件列表 单个 Notebook”一次只能在一个 Notebook 中专注编辑操作简单直接。JupyterLab 则是类似 IDE 的工作台支持多标签页、拖拽布局、文件管理、终端、文本编辑、数据查看等功能。你可以在左侧打开文件树右侧同时打开一个 Notebook、一个终端、一个 CSV 预览窗口甚至一个 Markdown 编辑器互不干扰。从开发趋势看JupyterLab 是官方推荐的未来方向也在持续迭代。但对学习者和轻量用户来说Jupyter Notebook 的经典界面并不会被淘汰。它更简单更聚焦对刚入门的人反而更友好。那么应该如何选择如果你只是学习 Python 基础、做简单的数据分析和探索用哪一个都行甚至建议从经典 Notebook 入手避免被 JupyterLab 的多面板干扰。如果你需要同时处理多个文件、写代码时还要查看文档、需要在 Notebook 旁边跑终端命令那么 JupyterLab 会更顺手。在 Anaconda 的安装目录里这两个应用都会被包含。启动经典 Notebook 用jupyter notebook启动 Lab 用jupyter lab。两个命令可以随时切换互不影响。6. Notebook 的核心操作与配置技巧装好之后真正决定使用体验的是你能不能熟练操作它以及有没有按自己的习惯调整配置。6.1 新建与重命名在 Notebook 首页点击右上角的New - Python 3可以新建一个 Notebook。新建后Notebook 默认名称是Untitled.ipynb点击页面顶部的标题可以重命名。建议从一开始就养成分文件命名的习惯比如01-数据清洗-V1.ipynb方便后续查找。6.2 单元格模式Notebook 中的代码块其实是“单元格”。每个单元格有两种模式代码模式Code和 Markdown 模式。代码模式用来放 Python 代码Markdown 模式用来写说明文字。选中单元格后按Esc再按M可以切换为 Markdown 模式按Esc再按Y可以切换回代码模式。也可以通过工具栏的下拉框切换。6.3 运行单元格的快捷键最基本的是Shift Enter运行当前单元格并跳到下一个单元格。如果当前是最后一个单元格会自动新建一个单元格。这个快捷键是 Notebook 最高频的操作建议一上手就记住。其他常用快捷键还包括Ctrl Enter运行当前单元格但不跳转。Alt Enter运行当前单元格并在下方插入新单元格。A在当前单元格上方插入新单元格。B在当前单元格下方插入新单元格。DD连续按两次 D删除当前单元格。Z撤销删除单元格。注意这些快捷键中有一部分依赖浏览器的焦点状态。如果在单元格内部编辑文字需要先按Esc退出编辑模式快捷键才会生效。6.4 修改工作目录每次启动 Jupyter Notebook打开的文件列表都是“当前启动目录”下的文件。如果你希望固定打开某个项目文件夹不要每次都在终端里 cd 过去可以修改配置文件。首先生成配置文件jupyter notebook --generate-config这条命令会生成jupyter_notebook_config.py路径通常在用户主目录下的.jupyter文件夹中。编辑这个文件找到这一行# c.NotebookApp.notebook_dir 取消注释并改为你的目标目录c.NotebookApp.notebook_dir D:/my_jupyter_projects保存后重新启动 Jupyter Notebook文件列表就会默认显示这个目录下的内容。6.5 Notebook 无法在浏览器打开的问题如果启动 Jupyter Notebook 后自动打开了浏览器但页面空白或显示连接失败可以按以下几个方向排查第一确认终端中的服务日志没有报错尤其是端口占用问题。如果8888端口被占用Jupyter 会提示Address already in use此时可以指定其他端口启动jupyter notebook --port 9999第二如果使用的是默认浏览器且浏览器禁用了本地 web 端口或者使用了不兼容的插件也可能导致无法打开。这时可以手动复制终端输出的 URL粘贴到另一个浏览器中访问。第三Windows 用户如果遇到“打开后空白”往往是因为浏览器启用了某些代理插件拦截了localhost请求。可以尝试关闭浏览器代理或在浏览器设置中允许访问本地地址。7. 数据分析完整示例从 CSV 到可视化光说不练假把式。下面用一个真实的最小数据分析流程演示 Jupyter Notebook 在数据分析场景下是如何工作的。这个例子的目标非常简单读取一份学生成绩相关的 CSV 文件查看数据基本信息计算总分的均值按科目画出柱状图最后把结果保存成图片。整个流程覆盖了读取、清洗、统计、可视化、导出五个环节虽然简单但足够你理解 Notebook 的分析节奏。7.1 准备测试数据在项目目录下新建一个scores.csv文件内容如下name,math,chinese,english 张伟,85,92,78 李娜,90,88,95 王强,78,85,80 赵敏,92,96,89 刘洋,70,68,75CSV 文件建议用 UTF-8 编码保存避免中文乱码。如果你用的是 Excel 另存为 CSV默认可能是 GBK 编码读取的时候就需要指定encodinggbk。7.2 导入库并读取数据在第一个单元格中写入import pandas as pd import matplotlib.pyplot as plt # 读取 CSV 文件 df pd.read_csv(scores.csv) df.head()运行后下方表格会直接显示前 5 行数据。如果没有先安装 Pandas 和 Matplotlib可以提前在终端执行pip install pandas matplotlib如果你用的是 Anaconda这两个库通常已经预装。7.3 查看数据基本信息新建一个单元格执行df.info() df.describe()df.info()会显示每一列的数据类型和非空数量df.describe()会输出数值列的统计信息比如均值、最小值、最大值等。这一步在真实项目里非常重要可以快速了解数据质量。7.4 计算总分与平均值执行# 新增总分列 df[total] df[math] df[chinese] df[english] # 计算平均分 mean_scores df[[math, chinese, english]].mean() print(mean_scores)输出结果类似math 83.0 chinese 85.8 english 83.4 dtype: float647.5 绘制柱状图执行# 设置中文字体避免中文乱码 plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 绘制柱状图 df.set_index(name)[[math, chinese, english]].plot(kindbar, figsize(10, 6)) plt.title(学生各科成绩对比) plt.ylabel(分数) plt.show()如果是在 Windows 上运行SimHei字体一般可以正常显示中文。如果是在 macOS 上可以将字体换成Arial Unicode MS或PingFang SC。7.6 保存 Notebook 和图表运行完上述代码后Notebook 已经记录了所有输入和输出。按Ctrl S即可保存.ipynb文件。如果需要将柱状图保存为图片可以在绘图代码后增加一行plt.savefig(scores_bar.png, dpi150, bbox_inchestight)这样图片会保存到当前工作目录中。7.7 如何验证整个流程是否成功判断标准很简单df.head()正确显示数据行df.info()没有报错柱状图正常渲染且当前目录下生成了scores_bar.png。如果中间任何一步报错优先查看错误信息中最后一行通常是FileNotFoundError、NameError或者ImportError。这三个错误分别对应文件路径、变量名和库安装问题。8. 常见问题与排查思路下面整理了几个 Jupyter Notebook 使用过程中最高频的问题以及对应的排查方法。问题现象可能原因排查方式解决方案启动后浏览器打开空白浏览器插件拦截本地请求检查浏览器代理和扩展关闭代理插件手动复制 URL 访问jupyter 不是内部或外部命令Python Scripts 目录未加入 PATH命令行执行where jupyter手动添加 PATH 或重装 Python内核连接失败内核进程启动异常终端是否有 kernel 相关错误重启 Jupyter Notebook检查 Python 环境单元格运行报 ModuleNotFoundError依赖库未安装在当前环境执行pip list用当前环境的 pip 安装对应库中文显示为方框缺少中文字体检查 matplotlib 字体列表设置plt.rcParams[font.sans-serif]修改 notebook_dir 不生效配置文件被其他文件覆盖启动项确认启动时是否读取配置在命令行显式使用--notebook-dir参数新环境里导入库失败使用了错误的 Python 内核在 Notebook 中打印sys.executable检查路径为当前 Python 环境安装 ipykernel这里特别想强调一个问题很多人同时安装了 Anaconda 和另外的独立 Python结果在 Jupyter 里 import pandas 时发现“明明已经 pip install 过还是找不到”。这往往是因为 Jupyter 使用的内核并不是你安装库的那个 Python。在 Notebook 单元格中执行以下代码可以快速确认当前内核指向的 Python 路径import sys print(sys.executable)如果打印出的路径和你安装库的环境不一致就要为当前环境注册一个内核或者用当前环境重新安装 Jupyter Notebook。注册内核的命令如下python -m ipykernel install --user --namemyenv --display-name Python (myenv)这样在新建 Notebook 时就可以选择你指定的 Python 环境。9. 最佳实践让 Jupyter Notebook 成为高效分析工具工具装好了代码也能跑了接下来更重要的问题是怎样在日常项目中用好它而不是把它用成一个“带界面的 Python 命令行”。9.1 区分 Notebook 和脚本Notebook 适合做探索性分析和数据展示但不太适合运行长周期、高并发的生产任务。业务脚本、定时任务、接口服务这些还是应该写成.py文件并在独立的部署环境中运行。不要试图把 Notebook 当成唯一的生产工具。从实际项目来看很多团队的做法是用 Notebook 做探索和建模用 Python 脚本做工程落地。两者配合既保留了分析过程的透明性又保证了生产环境的稳定性和自动化能力。9.2 保持单元格的“小块”和“可复现”每一个单元格尽量只做一件明确的事情。读取数据、清理数据、特征计算、画图、导出结果都应该有对应的独立单元格。这样当你发现某一步结果不对时可以单独重新运行那一个单元格而不用从头跑一遍。同时要注意单元格的执行顺序会影响全局变量。如果你先运行了后面的单元格再回过来运行前面的单元格可能会导致变量被覆盖或缺失。运行结果是可靠的但在汇报前建议使用菜单中的Kernel - Restart Run All把整个 Notebook 从头完整执行一遍确认没有依赖顺序问题。9.3 用虚拟环境隔离项目依赖数据分析项目经常会用到不同版本的库。今天这个项目用 Pandas 2.0明天那个项目只兼容 Pandas 1.5如果全部装在同一个环境里迟早会出问题。推荐使用 conda 或 venv 为每个项目创建独立环境。创建 conda 环境的命令conda create -n data_analysis python3.10 pandas matplotlib jupyter conda activate data_analysis jupyter notebook创建 venv 环境的命令python -m venv .venv .venv\Scripts\activate # Windows source .venv/bin/activate # macOS/Linux pip install pandas matplotlib jupyter jupyter notebook环境隔离虽然会多花一点点时间但能省下大量“环境冲突”的排查成本。9.4 安全提醒不要在网络环境之外发布 NotebookNotebook 的默认配置只监听127.0.0.1也就是只能在本机访问。这个默认策略是合理的不建议为了“局域网内共享”而随意改成0.0.0.0。如果确实需要远程访问应该配置合法可靠的身份认证机制并限制访问来源。涉及敏感数据时更不要在公开平台直接分享.ipynb文件。9.5 版本管理与备份Notebook 文件是 JSON 格式和普通代码文件一样应该纳入版本管理。Git 可以正常跟踪.ipynb文件的变更只是 diff 内容比较冗余。如果你在团队中协作可以考虑安装nbdime工具它专门用于 Notebook 的 diff 和 merge体验比直接看 JSON 好很多。安装命令pip install nbdime安装后可以执行nbdiff notebook1.ipynb notebook2.ipynb查看两个 Notebook 的差异。9.6 常用扩展建议如果你使用经典 Notebook可以考虑安装jupyter_contrib_nbextensions其中包含代码折叠、拼写检查、目录生成等增强功能。不过这个扩展在 JupyterLab 中并不适用。如果你已经切换到 JupyterLab可以使用官方扩展市场安装扩展或者直接使用 JupyterLab 自带的插件无需额外配置。安装经典 Notebook 扩展pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --user开启后在 Notebook 首页会多出一个 Nbextensions 标签页可以按需勾选功能。10. 总结与下一步怎么练回到开头的问题Jupyter Notebook 到底是不是 Python 数据分析神器这取决于你怎么用它。如果你只是把它当成一个在线写 Python 的编辑器它确实和 PyCharm 或 VS Code 区别不大。但如果你真正理解了“单元格 即时反馈 Markdown 记录”的组合方式它会彻底改变你分析数据时的节奏。每一个分析步骤都有迹可循每一份调研都能沉淀为一份可复现的文档这比单纯“写完代码跑出结果”重要得多。下一步的练习建议很简单不要再照着教程抄代码找一份你感兴趣的真实数据比如某城市天气、图书销售记录、影评评分用 Pandas 和 Matplotlib 做一次完整的分析。过程中刻意使用 Notebook 的特性比如用 Markdown 写分析结论、用Shift Enter快速迭代、用Restart Run All测试可复现性。遇到问题就回看这篇文章的排查表大部分坑都会在第一次完整练习中暴露出来。等你熟悉了基础操作再深入学习 JupyterLab、路径配置、远程内核、nbconvert 批量导出以及和 Spark、Dify 等工具的结合。Jupyter 是一个很大的生态不过入门不需要一次学完先把安装、启动、运行、保存、导出这一条链路跑通就已经胜过很多人了。