Jupyter Notebook入门：写代码、记笔记、可视化一站式搞定
18.14.1 引言：为什么Jupyter是数据分析的“神器”？
你是不是写Python脚本时总遇到这些问题？
想在代码里加详细注释，结果注释和代码混在一起，看起来乱糟糟；
运行脚本后，结果只在终端显示，想对比代码和结果还要来回切换；
做数据分析时，需要一边写代码、一边记分析思路、一边看可视化图表，用普通编辑器根本做不到。
Jupyter Notebook就是为解决这些痛点而生的交互式编程工具：
✅ 支持代码+Markdown笔记混合编写，一边写代码一边记思路，分析过程一目了然；
✅ 代码逐单元格运行，不用整个脚vb.net教程C#教程python教程SQL教程access 2010教程本从头跑，调试更方便；
✅ 可视化图表直接嵌入笔记本，不用单独保存图片；
✅ 导出为HTML/PDF/Word，直接生成数据分析报告，不用复制粘贴。
一句话：Jupyter让数据分析从“写代码”变成“写带代码的笔记”，效率直接翻倍。
18.14.2 第一步：启动Jupyter Notebook（Anaconda自带，不用单独装！）
如果你已经装了Anaconda，Jupyter Notebook是默认自带的，直接启动就行：
Windows平台启动方式
1.打开Anaconda Prompt（开始菜单里找Anaconda文件夹，里面有Anaconda Prompt）；
2.输入jupyter notebook，按回车；
3.自动弹出浏览器窗口，显示Jupyter的主界面（默认地址是http://localhost:8888）。
macOS/Linux平台启动方式
1.打开终端；
2.输入jupyter notebook，按回车；
3.自动弹出浏览器窗口，进入Jupyter主界面。
图形化界面启动（新手友好）
打开Anaconda Navigator，左侧点击“Home”，找到“Jupyter Notebook”，点击“Launch”，也能启动。
18.14.3 核心操作：从“新建笔记本”到“运行代码”

1. 新建第一个笔记本
   1.在Jupyter主界面，点击右上角的“New”→“Python 3”（选择你的虚拟环境Python，比如之前创建的data_analysis）；
   2.新建的笔记本默认叫“Untitled”，点击顶部的“Untitled”，改成你喜欢的名字（比如“销售数据分析笔记”）。
2. 认识Jupyter的“单元格”
   Jupyter的核心是单元格（Cell），每个单元格可以是两种类型：
   代码单元格：写Python代码，运行后显示结果；
   Markdown单元格：写笔记、标题、列表，支持Markdown语法，运行后变成格式化的文本。
   切换单元格类型
   选中单元格，点击顶部工具栏的下拉框（默认是“Code”），选择“Markdown”或“Code”；
   快捷键：按M切换为Markdown，按Y切换为代码单元格（先按Esc进入命令模式，再按M/Y）。
3. 运行单元格（必学快捷键）
   运行当前单元格：按Shift+Enter（运行后自动跳到下一个单元格）；
   运行当前单元格但不跳转：按Ctrl+Enter；
   中断运行：如果代码跑太久（比如死循环），点击顶部工具栏的“停止”按钮（黑色方形）。
   18.14.4 实战：用Jupyter做销售数据分析（代码逐行讲解）
   我们用一个简单的销售数据例子，演示Jupyter的“代码+笔记+可视化”一站式流程。
   第一步：写Markdown笔记（记录分析思路）
   新建一个Markdown单元格，输入以下内容，按Shift+Enter运行：
   markdown

	# 2026年Q1销售数据分析 
	## 分析目标： 
	1. 统计各区域总销售额； 
	2. 分析月度销售额趋势； 
	3. 找出最畅销的产品。 

数据说明： 
数据包含日期、区域、产品、销售额、数量5个字段，共1000条记录。

运行后，会变成格式化的标题和列表，看起来像一篇文档。
第二步：写代码读取数据（逐行讲解）
新建一个代码单元格，输入以下代码，按Shift+Enter运行：
python

	# 1. 导入必要的库
	import pandas as pd
	import matplotlib.pyplot as plt
	import seaborn as sns
	
	# 2. 读取CSV数据（如果没有外部文件，用随机数据模拟）
	# 这里用Pandas生成模拟数据，不用依赖外部文件
	data = {
	'日期': pd.date_range(start='2026-01-01', end='2026-03-31', periods=1000),
	'区域': ['华东', '华南', '华北'] * 333 + ['华东'],
	'产品': ['A产品', 'B产品', 'C产品'] * 333 + ['A产品'],
	'销售额': pd.np.random.randint(500, 5000, size=1000),
	'数量': pd.np.random.randint(1, 10, size=1000)
	}
	df = pd.DataFrame(data)
	
	# 3. 查看数据前5行
	df.head()

逐行讲解：
1.import pandas as pd：导入Pandas库，简称pd（行业惯例）；
2.pd.date_range(...)：生成从2026-01-01到2026-03-31的1000个日期；
3.pd.np.random.randint(...)：生成随机整数，模拟销售额和数量；
4.pd.DataFrame(data)：把字典转换成DataFrame（Pandas的核心数据结构，类似Excel表格）；
5.df.head()：显示数据前5行，快速查看数据结构。
运行后，会直接在单元格下方显示一个表格，包含前5行数据，不用打印就能看到结果。
第三步：统计各区域销售额（代码+笔记）
先新建一个Markdown单元格：
markdown
## 1. 统计各区域总销售额
用Pandas的groupby函数按区域分组，求和销售额。
再新建一个代码单元格：
python

	# 按区域分组，求和销售额
	region_sales = df.groupby('区域')['销售额'].sum().reset_index()
	region_sales

逐行讲解：
groupby('区域')：按“区域”字段分组；
['销售额'].sum()：对每组的“销售额”求和；
reset_index()：把分组后的结果转换成普通DataFrame，方便后续可视化。
运行后显示结果：

区域	销售额
华东	856234
华南	832156
华北	812345

第四步：可视化月度销售额趋势
新建Markdown笔记：
markdown
## 2. 分析月度销售额趋势
先提取日期中的月份，再按月分组求和，最后用折线图可视化。
新建代码单元格：
python

	# 提取月份字段
	df['月份'] = df['日期'].dt.month
	
	# 按月分组求和销售额
	monthly_sales = df.groupby('月份')['销售额'].sum()
	
	# 绘制折线图
	plt.figure(figsize=(10, 6)) # 设置图表大小
	sns.lineplot(x=monthly_sales.index, y=monthly_sales.values, marker='o', color='blue', linewidth=2)
	plt.title('2026年Q1月度销售额趋势', fontsize=14)
	plt.xlabel('月份', fontsize=12)
	plt.ylabel('总销售额（元）', fontsize=12)
	plt.xticks([1, 2, 3], ['1月', '2月', '3月']) # 替换X轴标签
	plt.grid(True, linestyle='--', alpha=0.7) # 添加网格线

逐行讲解：
df['日期'].dt.month：从日期中提取月份（1-3）；
sns.lineplot(...)：用Seaborn画折线图，比Matplotlib更美观；
plt.title(...)：设置图表标题和字体大小；
plt.xticks(...)：把X轴的数字1/2/3换成中文“1月/2月/3月”。
运行后，直接在单元格下方显示折线图，不用写plt.show()（Jupyter会自动显示图片）。
18.14.5 基础知识拓展：Jupyter必学技巧

1. 常用快捷键（提高效率）
   命令模式（按Esc进入）：
   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；
   D+D：删除当前单元格；
   Z：撤销删除；
   S：保存笔记本（或者按Ctrl+S）。
   编辑模式（按Enter进入）：
   Tab：代码自动补全（比如输入pd.re，按Tab会弹出pd.read_csv等选项）；
   Shift+Tab：查看函数文档（比如把光标放在pd.read_csv里，按Shift+Tab，会显示函数参数说明）。
2. 导出笔记本为报告
   写完分析后，导出为HTML/PDF/Word，直接分享给别人：
   点击顶部菜单栏的“File”→“Download as”，选择需要的格式：
   HTML：最常用，保留所有格式和图片，任何浏览器都能打开；
   PDF：适合打印，需要安装LaTeX环境（如果报错，先装MikTeX或TeX Live）；
   Markdown：导出为Markdown文件，适合在博客或GitHub上发布。
3. 在虚拟环境中使用Jupyter
   默认情况下，Jupyter用的是base环境的Python，如果想在虚拟环境中使用Jupyter，需要先在虚拟环境中安装ipykernel：
   激活虚拟环境：
   bash

conda activate data_analysis

安装ipykernel：
bash

conda install ipykernel

把虚拟环境添加到Jupyter：
bash

python -m ipykernel install --user --name data_analysis --display-name "Python (data_analysis)"
重启Jupyter，新建笔记本时就能选择“Python (data_analysis)”环境了。
4. 调试代码：用魔法命令
Jupyter支持魔法命令（Magic Commands），比如：
%timeit：测试代码运行时间（比如%timeit df.groupby('区域')['销售额'].sum()）；
%load：加载外部Python脚本到单元格（比如%load sales_analysis.py）；
%who：查看当前变量列表。
18.14.6 新手常见坑与解决方法

1. 代码运行顺序错了，结果不对
   Jupyter的单元格是按运行顺序执行的，不是按从上到下的顺序。比如你先运行了第3个单元格，再运行第1个，变量会混乱。
   解决方法：点击顶部菜单栏的“Kernel”→“Restart & Run All”，重启内核并从第一个单元格开始运行。
2. 忘记保存，浏览器崩溃了
   Jupyter默认会自动保存（每隔120秒），但最好还是手动按Ctrl+S保存。如果浏览器崩溃，重新打开Jupyter，找到对应的笔记本，里面是自动保存的内容。
3. 单元格报错“NameError: name 'df' is not defined”
   说明你还没运行创建df变量的单元格，先回到前面的单元格运行，再运行当前单元格。
4. 可视化图表显示不全
   可以调整plt.figure(figsize=(width, height))的参数，把width和height调大，比如figsize=(12, 8)。
   18.14.7 思考题
   1.Jupyter Notebook和普通Python脚本（.py文件）有什么区别？分别适用于什么场景？
   2.如何在Jupyter中同时写代码和记录分析思路，让报告更清晰？
   3.怎么把Jupyter笔记本分享给不懂Python的同事，让他能看到分析结果和图表？
   4.虚拟环境中的Jupyter和base环境的Jupyter有什么区别？什么时候需要用虚拟环境的Jupyter？
   5.除了数据分析，Jupyter还能用来做什么？比如教学、机器学习实验、写技术博客。

转载请注明出处：https://www.xin3721.com/pythonNew/python49614.html