Python 入门第一课:编程认知与环境搭建学习笔记

学习 Python，第一步并不是背语法，而是理解计算机如何执行程序，并搭建一套稳定、可复现的开发环境。本篇笔记复盘程序执行、AI 编程工具的局限，以及 Conda、虚拟环境和 JupyterLab 的基本用法。

一、程序是怎样执行的

计算机不会猜测人的意图，只会按照明确的指令执行操作。理解程序可以从三个要素入手：

• 存储：把程序和数据保存在内存或磁盘中；

• 指令：告诉计算机要完成什么操作；

• 顺序：规定各条指令执行的先后关系。

name = "学员"print("你好，" + name)

运行时，Python 先把字符串保存起来，并用变量名 name 指向它；随后读取 name，完成字符串拼接并输出结果。如果在赋值前使用变量，就会出现 NameError：

print(score)score = 90

因此，看到变量相关报错时，首先应向上检查变量是否已经定义。初学阶段还要特别注意中英文符号混用，例如中文括号 （） 不能替代英文括号 ()。

二、Python 在技术栈中的位置

Python 并不是所有场景下性能最强的语言，但它语法简洁、生态完善，常用于自动化脚本、数据分析、人工智能和快速原型开发。例如，批量重命名文件、分析 CSV 数据通常适合使用 Python；操作系统内核、追求极致性能的游戏引擎则更常使用 C、C++ 或 Rust；浏览器交互主要由 JavaScript 完成。

AI 时代学习 Python 的价值也没有降低。生成式工具可以快速提供代码草稿，但需求澄清、结果判断、异常处理和最终验收仍要由人负责。学习 Python 的目标不只是“手写每一行代码”，更是能够看懂、修改并验证工具生成的程序。

三、AI 生成代码的四类常见问题

工具生成的代码“看起来合理”并不代表可以直接交付，常见问题包括：

1. 幻觉 API：调用不存在的函数、参数或软件接口；

2. 忽略边界：没有处理空值、零除、文件不存在等情况；

3. 逻辑错误：代码能够运行，但结果与需求不符；

4. 难以维护：变量命名随意、缺少说明，后续修改困难。

例如，下面的函数对纯数字列表有效，但遇到 None 或字符串时会报错：

def count_positive(values):    return len([x for x in values if x > 0])

在使用前需要明确：输入是否只能包含数字？空列表怎样处理？非法元素应该报错还是跳过？一个实用原则是：工具负责提速，人负责正确。

四、把模糊需求变成可验收规格

“写一个计算平均分的程序”还不是完整需求。真正动手前，应明确：

• 输入是什么类型，是否允许空列表；

• 输出是整数还是浮点数，保留几位小数；

• 遇到字符串、None 等非法数据时怎样处理；

• 哪些正常值、边界值和异常值必须通过测试。

assert calculate_average([80, 90, 100]) == 90assert calculate_average([59.5, 60]) == 59.75

验收代码时，可以依次使用正常输入、边界输入和异常输入，将实际结果与预期结果比较。发现差异后，根据报错类型和行号定位问题，修改后重新运行全部用例，避免修复一个问题又引入新的错误。

五、选择合适的 Python 环境

常见学习环境有三类：Windows 本地、macOS 本地和云端 Notebook。本地环境性能稳定、文件管理方便，适合长期学习；云端环境不需要安装软件，适合设备受限或临时练习，但依赖网络，也要注意文件持久化和数据安全。

本地学习可以使用 Anaconda 或更轻量的 Miniconda。安装后建议通过 Anaconda Prompt 或初始化完成的终端使用 Conda，不必为了省一步操作而随意把多个 Python 路径全部加入系统 PATH，以免不同版本互相冲突。先验证：

conda --versionpython --version

六、虚拟环境与 JupyterLab

不同项目可能依赖不同版本的软件包。若全部安装到全局环境，更新一个项目的依赖可能导致另一个项目无法运行。因此应养成“一门课程或一个项目，对应一个独立环境”的习惯。

# 创建 Python 3.10 环境conda create -n psit-alpha python=3.10 -y# 激活环境conda activate psit-alpha# 安装 JupyterLab 和内核组件conda install jupyterlab ipykernel -y# 将环境注册为 Jupyter 内核python -m ipykernel install --user \  --name psit-alpha \  --display-name "Python (psit-alpha)"# 启动 JupyterLabjupyter lab

进入 JupyterLab 后，新建 Notebook，选择刚注册的内核并运行：

import sysprint("Jupyter 已就绪")print(sys.executable)

sys.executable 可以显示当前内核实际使用的 Python 路径，是排查“终端安装了库，但 Notebook 无法导入”的重要依据。常用快捷键包括：Shift + Enter 运行并进入下一单元格，Ctrl + Enter 只运行当前单元格，命令模式下按 A、B 分别在上方、下方插入单元格。

七、常见故障排查

遇到问题时不要反复重装，应先读取完整报错并检查命令来源：

八、环境验收清单

环境搭建完成后，至少确认以下五点：

1. conda --version 能输出版本号；

2. jupyter lab 可以正常启动；

3. Notebook 能运行 print("OK")；

4. 右上角显示的内核与创建的环境一致；

5. sys.executable 指向该虚拟环境中的 Python。

仅仅“安装完成”不等于环境可用，能够重复启动、运行并确认解释器路径，才算真正通过验收。

总结

Python 入门阶段最重要的不是记住多少命令，而是形成正确的工作习惯：理解程序按照存储、指令和顺序运行；把模糊需求转化为可测试的规格；对 AI 生成代码进行边界检查和结果验收；通过虚拟环境隔离项目依赖；最后用版本、内核、解释器路径和实际输出验证环境。

当这些习惯建立起来后，后续学习变量、容器、条件、循环和函数时，遇到问题就不再只是“试着改代码”，而是能够沿着执行顺序、数据状态和运行环境有依据地排查。