Anaconda 完全入门指南

From：​​https://www.jianshu.com/p/eaee1fadc1e9​​

Anaconda官网：​​https://www.anaconda.com/​​​ Anaconda 官网 文档：​​http://docs.anaconda.com/anaconda/user-guide​​

Anaconda介绍、安装及使用教程：​​https://zhuanlan.zhihu.com/p/32925500​​​ 知乎：初学python者自学anaconda的正确姿势是什么？：​​https://www.zhihu.com/question/58033789​​ Anaconda 的新手使用大全：​​http://www.php.cn/python-tutorials-392031.html​​

Anaconda 入门使用总结：​​https://www.jb51.net/article/137786.htm​​

conda config --set auto_activate_base false #取消默认加载环境
false改为true时，命令为 确认默认加载环境

Anaconda 使用指南

        Anaconda 是 Python 的一个开源发行版本。Anaconda 里面集成了很多关于 python 科学计算的第三方库，主要面向科学计算且安装方便，而 python 是一个编译器。如果不使用 anaconda，那么安装库的时候，库的依赖安装起来比较麻烦。

        Anaconda 提供一个管理工具 conda，conda 是开源包（packages）和 虚拟环境（environment）的管理系统，，可以把 ​​conda​​ 看作是：pip + virtualenv + PVM (Python Version Manager) + 一些必要的底层库。即 conda 就是一个更完整也更大的集成管理工具。主要优点是预装了很多第三方库，而且 Anaconda 中增加了conda install 命令，安装新 package 格外方便，还自带 Spyder IDE 和 Jupyter Notebook

安

概述

很多学习 python 的人接触到 anaconda 或者其他 虚拟环境 工具 时觉得无从下手，其主要原因就是不明白这些工具究竟有什么用，是用来做什么的，为什么要这么做。

比如安装完了 Python 后，为什么还需要这么一个东西，他和Python 到底有啥联系和区别，为啥能用来管理 Python。

先来解决一个初学者都会问的问题：我已经安装了 Python，那么为什么还需要 Anaconda 呢？原因有以下几点：

1. Anaconda 附带了一大批常用数据科学包，它附带了conda、Python 和 150 多个科学包及其依赖项。因此你可以用Anaconda 立即开始处理数据。
2. 管理包。Anaconda 是在 conda（一个包管理器和环境管理器）上发展出来的。在数据分析中，你会用到很多第三方的包，而 conda（包管理器）可以很好的帮助你在计算机上安装和管理这些包，包括安装、卸载和更新包。
3. 管理环境。为什么需要管理环境呢？比如你在 A 项目中用到了Python2，而新的项目要求使用 Python3，而同时安装两个Python 版本可能会造成许多混乱和错误。这时候 conda 就可以帮助你为不同的项目建立不同的运行环境。还有很多项目使用的包版本不同，比如不同的 pandas 版本，不可能同时安装两个 pandas 版本。你要做的应该是在项目对应的环境中创建对应的 pandas 版本。这时候 conda 就可以帮你做到。

Anaconda 是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。Anaconda利用工具/命令conda来进行package和environment的管理，并且已经包含了Python和相关的配套工具。

这里先解释下conda、anaconda这些概念的差别。conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理与环境管理。包管理与pip的使用类似，环境管理则允许用户方便地安装不同版本的python并可以快速切换。Anaconda则是一个打包的集合，里面预装好了conda、某个版本的python、众多packages、科学计算工具等等，所以也称为Python的一种发行版。其实还有Miniconda，顾名思义，它只包含最基本的内容——python与conda，以及相关的必须依赖项，对于空间要求严格的用户，Miniconda是一种选择。

进入下文之前，说明一下conda的设计理念 —— conda将几乎所有的工具、第三方包都当做package对待，甚至包括python和conda自身！因此，conda打破了包管理与环境管理的约束，能非常方便地安装各种版本python、各种package并方便地切换。

Python本身

在使用 Python 语言编写程序之前需要下载一个 python 解释器，这才是 python 的本体，没了 python 解释器，我们即使写了无比正确优雅的 python 脚本也没办法运行，那这个解释器在哪呢？ 就在你安装 python 的地方，比如我的在​​C:\Users\Acring\AppData\Local\Programs\Python\Python36-32​​

项目结构如上图，这里有我们很熟悉的 python.exe， 也就是 Python解释器。除此之外还有个很重要的 文件夹 Lib

Lib 目录如上图，这里有 python 自带的包 和 第三方包，而所有的第三方包都放在 site-packages文件夹里面。

了解了这些我们就对整个 python 环境有了大概的了解，

其实最关键的，一个python环境中需要有一个解释器，和一个包集合。

1. 解释器：解释器 根据 python 的版本大概分为 2 和 3。python2 和 python3 之间无法互相兼容，也就是说用 python2 语法写出来的脚本不一定能在 python3 的解释器中运行。
2. 包 集合：包集合中包含了自带的包和第三方包，第三方包一般是通过 pip 或者 easy_install 来下载安装的，当一个 python 环境中不包含这个包，那么引用了这个包的程序不能在该 python 环境中运行。比如说一个爬虫脚本用到了第三方的requests包，而另一台计算机是刚刚装好原始python的，也就是说根本没有任何第三方包，那么这个爬虫脚本是无法在另一台机器上运行的。

问题所在

python 环境解释完了，接下来就要说下这样的环境究竟会产生哪些问题。因为 anaconda 正是为了解决这些问题而产生的。

1. 到底该装 Python2 还是 Python3
2. 包 管理。如果我在本地只有一个 python 环境那我所有程序用到的各种包都只能放到同一个环境中, 导致环境混乱，另外当我将写好的程序放到另一电脑上运行时又会遇到缺少相关包，需要自己手动一个个下载的情况，实在是烦人，要是能每个程序开发都选用不同的环境，而开发好之后又能将该程序需要的环境(第三方包)都独立打包出来就好了。

Anaconda

那么接下来就到我们的 anaconda 上场了，安装好 Anaconda 就可以解决上面的问题了。

下载

Anaconda 是跨平台的，有 Windows、macOS、Linux 版本

推荐下载 python3 版本, 毕竟未来 python2 是要停止维护的。

官网下载地址：​​Anaconda | Individual Edition​​

安装

按照安装程序提示一步步安装就好了，安装完成之后会多几个应用，暂时先不用管，了解一下就行了

• Anaconda Navigtor ：用于管理工具包和环境的图形用户界面，后续涉及的众多管理命令也可以在 Navigator 中手工实现。
• Jupyter notebook ：基于web的交互式计算环境，可以编辑易于人们阅读的文档，用于展示数据分析的过程。
• qtconsole ：一个可执行 IPython 的仿终端图形界面程序，相比 Python Shell 界面，qtconsole 可以直接显示代码生成的图形，实现多行代码输入执行，以及内置许多有用的功能和函数。
• spyder ：一个使用 Python 语言、跨平台的、科学运算集成开发环境。

安装完成后，我们还需要对所有工具包进行升级，以避免可能发生的错误。但是官方的服务器在国外，因此下载速度很慢，国内清华大学提供了 Anaconda 的仓库镜像，我们只需要配置 Anaconda 的配置文件，添加清华的镜像源，

添加清华源可以参考：​​关于anaconda环境conda/pip install 报SSL错误问题（有两种情况） - 知乎​​

升级所有包（建议在安装 Anaconda 之后执行上述命令，更新 Anaconda 中的所有包至最新版本，便于使用。）

conda upgrade --all  或者  conda update --all

在终端询问是否安装如下升级版本时，输入 ​​y​​。

配置环境变量

window 环境变量设置：电脑 ---> 属性 ---> 高级系统设置 ---> 环境变量 ---> 系统变量 ---> Path 

然后在 Path 中添加 anaconda 的安装目录的 Scripts 文件夹

之后就可以打开命令行(最好用管理员模式打开) 输入：conda --version

如果输出 ​​conda 4.7.11 ​​之类的就说明环境变量设置成功了.

为了避免可能发生的错误, 我们在命令行输入 conda upgrade --all

如果不知道命令的用法，可以加上 --help 参数。例如：conda upgrade --help

conda/pip install 或者 upgrade 超时失败，可以更换成清华的 anaconda 源：​​关于anaconda环境conda/pip install 报SSL错误问题（有两种情况） - 知乎​​

切换 64位 和 32位

anaconda 对于python 版本的管理还是很方便的，所以这里用 anaconda才实现32位和64位python共存

• set CONDA_FORCE_32BIT=1是切换到32位。
• set CONDA_FORCE_32BIT= 是切换到64位。

需要注意的是，这样切换环境对于已经安装的python没有任何影响，即原先是64位的python，现在还是64位，所以需要切换到32位后再安装python，并且安装需要在prompt下进行，在navigator里新建的python默认是64位的。

操作步骤：

1、打开anaconda prompt，输入 conda info ，可以看到现在用的是64位的。

2、切换成32位的 set CONDA_FORCE_32BIT=1

3、安装 32位 的 python3.6

命令：conda create -n python32 python=3.6

安装完成后在 anaconda3 文件夹下面会有一个envs文件夹

4、激活环境

• conda activate python32               激活环境
• conda deactivate python32           退出环境
• conda remove -n python32--all     删除环境

5、如果要在pycharm中使用该环境

点击add local

管理虚拟环境

接下来我们就可以用 anaconda 来创建我们一个个独立的 python 环境了。

下面的例子都是在命令行操作的，请打开你的命令行。win + R ，然后 输入 cmd  回车即可。

假设我们需要安装Python 3.4，此时，我们需要做的操作如下：

# 创建一个名为python34的环境，指定Python版本是3.4
#（不用管是3.4.x，conda会为我们自动寻找3.4.x中的最新版本）
conda create --name python34 python=3.4

# 此时，再次输入
python --version
# 可以得到`Python 3.4.5 :: Anaconda 4.1.1 (64-bit)`，即系统已经切换到了3.4的环境

# 如果想返回默认的python 2.7环境，运行
deactivate python34 # for Windows
source deactivate python34 # for Linux & Mac

# 删除一个已有的环境
conda remove --name python34 --all

# 安装好后，使用activate激活某个环境
activate python34 # for Windows
source activate python34 # for Linux & Mac
# 激活后，会发现terminal输入的地方多了python34的字样，
# 实际上，此时系统做的事情就是把默认2.7环境从PATH中去除，再把3.4对应的命令加入PATH

补充：如果创建新的python环境，比如3.4，运行​​conda create -n python34 python=3.4​​之后，conda 仅安装 python 3.4 相关的必须项，如 python, pi p等，如果希望该环境像默认环境那样，安装 anaconda 集合包，只需要：

# 在当前环境下安装anaconda包集合
conda install anaconda

# 结合创建环境的命令，以上操作可以合并为
conda create -n python34 python=3.4 anaconda
# 也可以不用全部安装，根据需求安装自己需要的package即可

activate

activate 命令是进入 anaconda 设定的虚拟环境中，如果后面什么参数都不加，那么会进入 anaconda 自带的 base 环境。可以输入 python 试试，这样会进入 base 环境的 python 解释器，如果你把原来环境中的 python 环境去除掉会更能体会到，这个时候在命令行中使用的已经不是你原来的 python 而是 base 环境下的 python。而命令行前面也会多一个​​(base)​​ 说明当前我们处于的是 base 环境下。

创建自己的虚拟环境

命令：

conda create -n env_name  list_of_packages
# 或者
conda create --name env_name  list_of_packages

参数说明：

• -n ：代表 name，一个杠
• env_name 是需要创建 的 虚拟环境名称
• list_of_packages 在新环境中需要安装的工具包 ( 多个 包 )。

示例：conda create -n py2 python=2.7 pandas 

说明：创建 名叫 py2 的虚拟环境，指定 python 版本为 2.7，并安装 pandas 。（ python 也相当于 一个 包 ），即 创建一个 名叫 py2 的虚拟环境，然后安装 python2.7 和 pandas 这两个包。

提示：默认情况下，在 Linux 中新创建的环境将会被保存在 /Users/<user_name>/anaconda3/env 目录下，其中， <user_name> 为当前用户的用户名。在 windows 中创建的环境则在 anaconda3 安装目录 的 env 目录下。

创建虚拟环境：

1. 直接运行 conda create -n you_env_name python=3 创建。

2. 进入 base 虚拟环境运行 conda create -n you_env_name python=3 创建。

创建了一个名称为 learn_1 和 learn_2 的虚拟环境并指定 python 版本为 3 ( 这里 conda 会自动找 3 中最新的版本下载 )

使用 activae 切换到不同的虚拟环境，命令格式：activate <要切换的环境名称>

切换环境

activate learn

如果忘记了名称我们可以先用

conda env list

去查看所有的环境

现在的 learn 环境除了 python 自带的一些官方包之外是没有其他包的，一个比较干净的环境我们可以试试

先输入​​python ​​打开 python解释器然后输入

>>> import requests

会报错找不到 requests 包，很正常。接下来我们就要演示如何去安装 requests 包

exit()

退出 python 解释器

conda 的一些常用操作如下：

# 创建一个名为 python34 的环境，指定Python版本是3.4（不用管是3.4.x，conda会为我们自动寻找3.4.x中的最新版本）
conda create --name python34 python=3.4
 
# 安装好后，使用 activate 激活某个环境
activate python34          // for Windows
source activate python34   // for Linux & Mac
 
# 激活后，会发现 terminal 输入的地方多了 python34 的字样
# 实际上，此时系统做的事情就是把默认2.7环境从PATH中去除，再把3.4对应的命令加入PATH
# 此时，再次输入
python --version
# 可以得到`Python 3.4.5 :: Anaconda 4.1.1 (64-bit)`，即系统已经切换到了3.4的环境
 
# 如果想返回默认的python 2.7环境，运行
    deactivate python34         // for Windows
    source deactivate python34  // for Linux & Mac



# 复制 ( 克隆 ) 虚拟环境
    conda create -n BBB --clone AAA   // 从 BBB 克隆一个新的虚拟环境 AAA
    # 移植过来的环境只是安装了你原来环境里用 conda install 等命令直接安装的包，
    # 你用pip之类装的东西没有移植过来，需要你重新安装。


# 查看当前环境下已安装的包
    conda list

# 查看某个指定环境的已安装包
    conda list -n python34

# 查找 package 信息
    conda search numpy

# 安装 package。如果不用 -n 指定环境名称，则被安装在当前活跃环境
    conda install -n python34 numpy
    # 也可以通过 -c 指定通过某个 channel 安装

# 更新 package
    conda update -n python34 numpy


# 删除 package
    方式 1：卸载当前环境中的包，进入当前的虚拟环境，remove 时 不需要指定虚拟环境
        conda remove requests  或者  pip uninstall requests

    方式 2：卸载指定环境中的包。即不进入任何虚拟环境，remove 时需要指定要卸载那个虚拟环境的包
        conda remove --name <env_name> <package_name>
        示例：conda remove -n python34 numpy

# 删除一个已有的 虚拟环境，例如：python34
    conda env remove -n python34    或者    conda remove -n learn_1 --all

前面已经提到，conda 将 conda、python 等都视为 package，

因此，完全可以使用 conda 来管理 conda 和 python 的版本，例如

# 更新conda，保持conda最新
conda update conda

# 更新anaconda
conda update anaconda

# 更新python
conda update python
# 假设当前环境是python 3.4, conda会将python升级为3.4.x系列的当前最新版本

安装第三方包

conda install requests
或者
pip install requests


# 也可以同时安装多个包，比如同时安装numpy 、scipy 和 pandas
conda install numpy scipy pandas

# 可以指定安装的版本，比如安装 1.1 版本的 numpy
conda install numpy=1.10

从 Anaconda.org 安装包

当使用 ​​conda install ​​无法进行安装时，可以考虑从 Anaconda.org 中获取安装包的命令，并进行安装。

• 从Anaconda.org安装包时，无需注册。
• 在当前环境中安装来自于 Anaconda.org 的包时，需要通过输入要安装的包在 Anaconda.org 中的路径作为获取途径（channel）。查询路径的方式如下：
          1. 在浏览器中输入：​​​http://anaconda.org​​​
          2. 在新页面 “Anaconda Cloud” 的上方搜索框中输入要安装的包名，然后点击右边 “放大镜” 标志。

图 1：

选择满足需求的包或下载量最多的包，点击包名，如图所示：

执行安装命令，完成安装。

卸载第三方包

方式 1：进入所在的虚拟环境，remove 时 不需要指定虚拟环境
conda remove requests
或者
pip uninstall requests


方式 2：不进入任何虚拟环境，remove 时需要指定要卸载那个虚拟环境的包

conda remove --name <env_name> <package_name>

查看环境包信息

要查看当前环境中所有安装了的包可以用

conda list 

# 如果你记不清 package 的具体名称，也可以进行模糊查询
conda  search search_term

升级包

conda update package_name  升级指定的包

conda update --all   # 升级所有包
conda upgrade --all  # 升级所有包

# 更新多个指定包，则包名以空格隔开，向后排列。
conda update pandas numpy matplotlib  # 更新 pandas、numpy、matplotlib 包。

导入 和 导出 环境

如果想要导出当前环境的包信息可以用

conda env export > environment.yaml

将包信息存入 yaml 文件中。当需要重新创建一个相同的虚拟环境时可以用

conda env create -f environment.yaml

常用命令

activate            // 切换到base环境
activate learn      // 切换到learn环境
conda create -n learn python=3    // 创建一个名为learn的环境并指定python版本为3(的最新版本)
conda env list                    // 列出conda管理的所有环境
conda list                        // 列出当前环境的所有包
conda install requests            // 安装requests包
conda remove requests             // 卸载requets包
conda remove -n learn --all       // 删除learn环境及下属所有包
conda update requests             // 更新requests包
conda env export > environment.yaml      // 导出当前环境的包信息
conda env create -f environment.yaml     // 用配置文件创建新的虚拟环境

深入一下

或许你会觉得奇怪为啥 anaconda 能做这些事, 他的原理到底是什么, 我们来看看anaconda的安装目录

这里只截取了一部分, 但是我们和本文章最开头的python环境目录比较一下, 可以发现其实十分的相似, 其实这里就是base环境. 里面有着一个基本的python解释器, lLib里面也有base环境下的各种包文件.

那我们自己创建的环境去哪了呢, 我们可以看见一个envs, 这里就是我们自己创建的各种虚拟环境的入口, 点进去看看

可以发现我们之前创建的learn目录就在下面, 再点进去

这不就是一个标准的python环境目录吗? 这么一看，anaconda 所谓的创建虚拟环境其实就是安装了一个真实的 python 环境, 只不过我们可以通过 activate，conda 等命令去随意的切换我们当前的 python 环境，用不同版本的解释器和不同的包环境去运行 python 脚本。

与pycharm连接

在工作环境中我们会集成开发环境去编码，这里推荐JB公司的 pycharm，而 pycharm 也能很方便的和 anaconda 的虚拟环境结合。在 ​​Setting => Project => Project Interpreter​​ 里面修改 Project Interpreter，点击 齿轮标志 再点击 Add Local 为你某个环境的 python.exe 解释器就行了

比如你要在 learn 环境中编写程序，那么就修改为 ​​D:\Software\Anaconda\envs\learn，​​可以看到这时候下面的依赖包也变成了learn 环境中的包了。接下来我们就可以在 pycharm中 愉快的编码了。

Anaconda 初体验

按下 Windows 徽标键，调出 Windows 开始菜单，可以看到 “最近添加”的：Anaconda2(64-bit)

Anaconda prompt：是一个Anaconda的终端，类似 cmd 命令可以便捷操作 conda 环境，可以建立不同的版本环境 Python2 和3，打开 Anaconda Prompt，这个窗口和 doc 窗口一样的，打开之后就是base 虚拟环境。输入命令就可以控制和配置 python，最常用的是 conda 命令，这个 pip 的用法一样，此软件都集成了，你可以直接用，点开的话如下图。用命令 “conda list” 查看已安装的包，从这些库中我们可以发现NumPy，SciPy，Matplotlib，Pandas，说明已经安装成功了!

还可以使用 conda 命令进行一些包的安装和更新

conda list：列出所有的已安装的packages

conda install name：其中 name 是需要安装 packages 的名字，比如，我安装 numpy 包，输入上面的命令就是 “conda install numpy”。单词之间空一格，然后回车，输入y就可以了。

安装完 anaconda，就相当于安装了 Python、IPython、集成开发环境 Spyder、一些包等等。

你可以在 Windows下的 cmd下查看：

Anaconda Navigtor

用于管理工具包 和 环境的 图形用户界面，后续涉及的众多管理命令也可以在 Navigator 中手工实现。点击 Anaconda Navigator ，第一次启用，会初始化，耐心等待一段时间，加载完成，界面如图。

Jupyter notebook 和 Jupyter Lab

基于 web 的交互式计算环境，可以编辑易于人们阅读的文档，用于展示数据分析的过程。

启用 Jupyter Notebook 的 3 种方式：

• 1. 点击安装时生成的快捷方式（方便，但不推荐使用）

• 2. 在 CMD 中执行: jupyter notebook。（推荐使用）或者 打开任意文件夹，shift+鼠标右击，然后再 shell 框中输入 jupyter notebook （推荐使用，此方法的好处是形成的 ipynb 文件会保存在当前的文件夹中，方便管理）

• 3. 在 Anaconda Navigtor 中启动 Jupyter notebook。

Jupyter notebook 启动后，会打开一个网页，如图所示：

常用的编辑器或集成开发环境：

• PyCharm：有免费社区版和收费的专业版，专为 Python 而生的 IDE
• NotePad++：免费开源的编辑器，支持丰富的插件，支持中文界面
• Atom：Github 推出的免费开源编辑器，支持丰富的插件
• Sublime：收费的 Python 编辑器，支持丰富的插件
• Spyder：Anaconda 内置的 IDE，开源。
• IDLE：Python 官方的内置编辑器。
• jupyter notebook：集成很多使用功能的编辑器同时兼具交互式的优点。 它支持多种语言，如 Python （ IPython ），Julia，R 等。可以在同一个界面中保存展示代码，展现运行结果，实时交互模式运行代码等功能，并且对新手非常友好，不需要过多的配置。
• JupyterLab：是 jupyter notebook 的升级版本。它具有模块化结构，您可以在同一窗口中打开多个笔记本或文件（例如 HTML，文本，Markdown 等）作为选项卡。 它提供了更多类似 IDE 的体验。

Qtconsole

一个可执行 IPython 的仿终端图形界面程序，相比 Python Shell 界面，qtconsole 可以直接显示代码生成的图形，实现多行代码输入执行，以及内置许多有用的功能和函数。（ jupyter qtconsole 简直就是ipython的加强版，每个命令都直接显示帮助信息，配合matplotlib，能够在shell里直接显示绘图结果 ）

ipython qtconsole 已经被 jupyter qtconsole 所替代，需要安装 jupyter。

pip install jupyter

然后运行：

jupyter qtconsole

Spyder

一个使用 Python 语言、跨平台的、科学运算集成开发环境。Spyder 编辑器截图如下：

以后就可以用这款编辑器来编写代码，它最大优点就是模仿 MATLAB 的“工作空间”。spyder.exe 放在安装目录下的 Scripts 里面，如我的是 C:\ProgramData\Anaconda2\Scripts\spyder.exe，直接双击就能运行。我们可以右键发送到桌面快捷方式，以后运行就比较方便了。

我们简单编写一个程序来测试一下安装是否成功，该程序用来打开一张图片并显示。首先准备一张图片，然后打开spyder，编写如下代码：

# -*- coding: utf-8 -*-

"""
Spyder Editor
This is a temporary script file.
"""

from skimage import io

img = io.imread('D:/yangmi.jpg')
io.imshow(img)

点击上面工具栏里的 绿色三角 运行程序，最终显示如下：

jupyterlab 

Jupyter Lab 的启用 和 Jupyter Notebook 方法一样，只需要将输入的 jupyter notebook 换成 jupyter lab 即可。

我们点击 jupyterlab 下面的 Launch ，会在默认浏览器（我这里是 Chrome）打开 http://localhost:8888/lab 这样一个东东，这里就可以输入 Python 代码啦，来一句 Hello World 吧。

我们可以打开 Anaconda Navigator -> Launch jupyterlab ，也可以直接在浏览器输入 http://localhost:8888/lab （可以保存为书签）。如果是布置在云端，可以输入服务器域名（IP），是不是很爽？

VSCode

Visual Studio Code是一个轻量级但功能强大的源代码编辑器，可在桌面上运行，适用于Windows，macOS和Linux。它内置了对JavaScript，TypeScript和Node.js的支持，并为其他语言（如C ++，C＃，Java，Python，PHP，Go）和运行时（如.NET和Unity）提供了丰富的扩展生态系统。

Microsoft Visual Studio Code：​​Microsoft Visual Studio Code_freeking10

Glue 是一个Python 库，用于探索相关数据集内部和之间的关系。其主要特点包括：

链接统计图形。使用Glue，用户可以创建数据的散点图，直方图和图像（2D和3D）。胶水专注于刷牙和链接范例，其中任何图形中的选择传播到所有其他图形。

灵活地跨数据链接。Glue使用不同数据集之间存在的逻辑链接来覆盖不同数据的可视化，并跨数据集传播选择。这些链接由用户指定，并且是任意灵活的。

完整的脚本功能。Glue是用Python编写的，并且建立在其标准科学库（即Numpy，Matplotlib，Scipy）之上。用户可以轻松地集成他们自己的python代码进行数据输入，清理和分析。

Orange3

交互式数据可视化

通过巧妙的数据可视化执行简单的数据分析。探索统计分布，箱形图和散点图，或深入了解决策树，层次聚类，热图，MDS和线性投影。即使您的多维数据也可以在2D中变得合理，特别是在智能属性排名和选择方面。

老师和学生都喜欢它

在教授数据挖掘时，我们喜欢说明而不是仅仅解释。而橙色很棒。Orange在世界各地的学校，大学和专业培训课程中使用，支持数据科学概念的实践培训和视觉插图。甚至还有专门为教学设计的小部件。

附加组件扩展功能

使用Orange中可用的各种附加组件从外部数据源挖掘数据，执行自然语言处理和文本挖掘，进行网络分析，推断频繁项目集并执行关联规则挖掘。此外，生物信息学家和分子生物学家可以使用Orange通过差异表达对基因进行排序并进行富集分析。

Rstudio

R软件自带的有写脚本的工具，可是我不是很喜欢用（并不是说不好哈），我更喜欢用RStudio（网上还有Tinn-R，RWinEdt等）。因为我觉得其本身比较方便，另外在编程的时候有些功能很方便。下面这个界面是我修改了主题的，下面我将介绍如何修改主题，来方便编程。

结语

现在你是不是发现用上anaconda就可以十分优雅简单的解决上面所提及的单个python环境所带来的弊端了呢, 而且也明白了其实这一切的实现并没有那么神奇.

当然anaconda除了包管理之外还在于其丰富数据分析包, 不过那就是另一个内容了, 我们先学会用anaconda去换一种方法管里自己的开发环境, 这已经是一个很大的进步了.