第2章 · Python 与数据科学生态

AI 从业者不需要精通 Python，但需要会用三个工具处理数据：NumPy（数组计算）、Pandas（表格处理）、Matplotlib（画图）。这篇覆盖最常用的 20%。

生活比喻：学 Python 做 AI 就像学开车——你不需要会修发动机（写底层算法），只需要会握方向盘、踩油门、看后视镜（NumPy、Pandas、Matplotlib）。你的目标是到达目的地，而不是成为汽车工程师。

2026 年，你用 Python 做什么

你不是在”学 Python 语言”，你是在学”用 Python 操作 AI 工具”。2026 年，一个 AI 应用开发者（非专业程序员）的日常 Python 使用场景只有这几个：

1. 数据预处理：用 Pandas 读取 CSV/JSON 数据集，清理空值，筛选字段，转换成模型能吃的格式。通常不超过 20 行代码。
2. API 调用：用 requests 库调用 OpenAI、Claude、Gemini 等模型的 API，发送提示词，接收返回结果。核心就三行代码。
3. 结果处理：用 json 库解析 API 返回的 JSON 数据，提取需要的字段。
4. 可视化：用 Matplotlib 画几张图，看看数据分布或模型效果。
5. 向量计算：用 NumPy 做简单的相似度计算（余弦相似度）。

你不需要写算法、不需要写框架、不需要写 Web 服务。你只需要当”数据管道工”——把数据从 A 搬到 B，中间做点清洗和转换。本章帮你弄懂做这些事需要的最小工具集。

本章目录

1. 2.1 pip 与 conda：包管理工具对比
2. 2.2 Python环境管理：venv vs conda vs poetry vs uv
3. 2.3 Jupyter Notebook实战：AI开发的交互式工作台
4. 2.5 零基础最需要的 5 个 Python 库
5. 2.6 你不需要成为程序员
6. 2.7 2026 年推荐学习路径：不要从头学 Python，按需学
7. 2.8 2026年AI开发必备工具链
8. 2.9 从零到第一个AI程序：5步跑通你的第一个 AI 调用

graph TD
    A[Python 数据科学生态] --> B[包管理]
    A --> C[环境管理]
    A --> D[交互式开发]
    A --> E[核心库]
    A --> F[工具链]
    B --> B1[pip vs conda]
    C --> C1[venv / conda / poetry / uv]
    D --> D1[Jupyter Notebook]
    E --> E1[NumPy / Pandas / Matplotlib]
    F --> F1[2026 必备工具链]
    F --> F2[学习路径]
    F --> F3[第一个 AI 程序]

相关笔记

• 第3章 · AI 需要的数学 — 线性代数 + 概率论基础
• 第6章 · 神经网络基础 — NumPy 在神经网络中的实际应用

跨章节关联

• 第3章 · AI 需要的数学 — 编程之后：AI 需要的数学基础
• 第6章 · 神经网络基础 — 用 Python 实现第一个神经网络
• 实践项目 — 学了就用：6 个实践项目

来源

• NumPy 官方文档, https://numpy.org/doc/
• Pandas 官方文档, https://pandas.pydata.org/docs/
• Matplotlib 官方文档, https://matplotlib.org/