在开始写 Python 代码之前，首先要让 Python 在你的电脑上跑起来。获取 Python 有三种主流方式，各有适合的场景，选对能省很多折腾时间。
1. 官方安装包（推荐普通开发者首选）
从 python.org 下载对应操作系统的安装包，一路下一步即可。
- 优点：
- 纯净、最新：第一时间获得官方最新版本，没有额外捆绑。
- 简单：安装后
python和pip直接可用，新手友好。 - 注意：
- Windows 安装时建议勾选“Add Python to PATH”，否则需要手动配置环境变量。
- 它只给你一个 Python 解释器和基础库，数据分析库（如 NumPy、Pandas）需自己用
pip安装。 - 适合谁：从事 Web 开发、脚本工具、学习 Python 语法本身的开发者，以及希望保持环境干净、完全掌控依赖的人。
2. 系统自带 Python（尽量不要直接用）
macOS 和多数 Linux 发行版都预装了 Python，但通常是 Python 2（已淘汰）或版本偏老的 Python 3。
- 问题：
- 版本老旧：macOS 自带 Python 3 可能停留在 3.9，而当前稳定版已到 3.12+。
- 系统依赖风险：一些系统工具（如 yum、apt 的部分组件）依赖预装的 Python，直接升级或改动可能导致系统不稳定。
- 权限麻烦：直接
pip install可能因系统目录权限不足而失败，用sudo又可能污染系统环境。 - 正确做法：把系统 Python 留给系统自己用，开发时通过其他方式安装独立 Python 解释器（官方安装包、pyenv 或 Anaconda）。可以用
python3 --version查看已有版本，但不要往里面装东西。
3. Anaconda 发行版（数据科学与科学计算首选）
Anaconda 是一个打包了 Python + 大量科学计算库的发行版，还附带 conda 包管理器和环境管理功能。
- 优点：
- 开箱即用：安装完就自带 NumPy、Pandas、Jupyter、Matplotlib 等 200+ 常用库，省去逐一手动安装的麻烦，尤其适合 Windows 下编译困难的库。
- conda 环境管理：conda 可以同时管理 Python 版本和非 Python 依赖（如 C 库），创建、克隆、切换环境都非常方便。
- 跨平台一致：你用 conda 安装的库是预编译好的二进制包，不依赖本地编译环境，不易出现“别人能装你装不上”的问题。
- 缺点：
- 体积大，安装包几个 G。
conda的包版本有时会比 PyPI 稍有滞后。- 如果在 conda 和 pip 间混装包，可能产生依赖冲突（需要遵循“先 conda 后 pip”的原则）。
- 适合谁：数据科学、机器学习方向，特别是新手；以及需要在团队内保持完全一致环境的项目（通过
environment.yml共享环境配置）。
实际选型建议
- 如果你只是学 Python 基础、做 Web 后端开发，直接用官方安装包最轻量省心。
- 如果你已经或即将从事数据科学、AI 开发，装 Anaconda（或它的精简版 Miniconda），上手体验丝滑，省去配环境的痛苦。
- 任何时候都不要直接往系统自带 Python 里装东西，养成使用独立 Python 解释器的习惯。
一旦选定了获取 Python 的方式，下一小节我们会讲如何管理多个 Python 版本和项目隔离环境（pyenv 和 conda 环境），让不同项目用不同 Python 版本互不干扰。