在跟我学AI量化交易（1） - 获取行情数据中提到，这部教程的开发语言是Python，因此不可避免地将涉及Python编程知识。这里发表一些相关的基础知识，作为辅助入门材料。

工具改变了人本身，也改变着我们的世界。真正的程序员不仅擅于构建工具，也擅于使用工具。这篇文章讨论了如何基于Windows 10构建高效的Python开发环境。

本系列文章共分两部分。第一部分的内容适合所有人阅读；第二部分则面向严肃的开发者–我们将讨论持续集成开发环境的构建。

目标

本期将介绍如何在Windows 10下打造一个无缝连接Windows和Linux的Python开发环境，使得我们可以同时享受到两个操作系统的便利：

1. 使用Windows图形界面来运行客户端程序，包括集成开发环境（Pycharm)和文档写作工具。

1. 使用Linux来运行和调试代码。许多开源软件和库对Linux支持得更好。比如在2017年，在Windows上安装Redis还是一件比较麻烦的事。开发nodejs的程序员也常常发现，在Linux下很多npm包有着丝滑般的安装体验，而在Windows上则会是一路跌撞撞。这也是Windows现在大力拥抱Linux的原因之一。在这一部分，我们将介绍WSL。

1. Python虚拟环境的构建

Windows和相关开发软件的选择

无论如何，在2020年你都应该停止使用其它版本的Windows，而只使用最新的Windows 10系统。原因之一是，Windows 10现在提供了最好的Linux发行版，更为奇妙的是，这两个系统现在可以同时运行，甚至无需切换；两套系统共存而带来的性能代价极小，远远小于其它方案，诸如虚拟机或者docker。

如果你阅读过我三年前的一篇文章， , 可能还有印像，我当时推荐的方案是在Windows中使用Docker。这个方案最大的问题是，Docker后台程序会固定地将系统的内存和CPU资源切走一部分，无论Docker当前实际使用了多少，这无疑造成了资源的浪费。当时已经出现了WSL,但我给出的建议是不要使用！不要使用！不要使用！

现在是时候推荐WSL - Windows Subsystem for Linux了。它现在已经很棒。

WSL - 运行在Windows上的Linux

当前有两个版本可用，wsl v1和wsl v2, 我个人更推荐使用wsl v1。WSL v2的体验更象虚拟机，因此与windows集成性反而更差一些。当然，我得出这个结论是在2020年的5月，也许近半年之后，事情已经大有不同。但无论如何，在本文中，我推荐的是WSL v1.0。对于Python开发是没有任何问题的；如果用于nodejs或者前端开发，可能要担心性能问题（因为wsl v1的文件系统性能不太好，而js开发文件特别多，小文件又多）。

安装WSL

首先要启用"适用于Linux的Windows子系统"功能：

接下来从应用商店搜索安装Ubuntu安装就可以了。

现在在搜索栏输入ubuntu，就可以进入一个命令行窗口。由于是第一次运行，这里会提示我们输入口令。 然后是常规操作，更换apt源为国内源（比如阿里）：

此外还要对ssh服务进行设置。我们设置ssh服务的目标是为了开机自启wsl子系统（无窗口模式），这样我们可以随时以ssh方式连接进去，就好像我们有了一台Linux服务器一样。也许你安装的版本已经直接设置好了ssh server，所以这里我们略过。如果没有，具体设置可参考Ubuntu的ssh设置。

WSL并不会随windows一起启动。这里我们介绍一种方法，使得当Windows启动时，wsl也随之启动，并可以通过你喜欢的ssh客户端来连接。

这里使用的方案是来自于。具体操作可见wsl-autostart/README_zh.md at master · troytse/wsl-autostart · GitHub。

如果对使用注册表的方式不习惯，也可以通过添加计划任务来实现开机自启动。

安装Windows Terminal

Microsoft最近一系列操作确实很能收买人心。之前Windows上一直没有一个好的命令行程序，现在我们有了。它支持多标签窗口，响应速度比我之前使用的cmder要快。我使用cmder很长一段时间了，它有时会在输入字符时假死，还会常常吞掉键入的第一个字符，原因不明。

到此为止，Windows上的Linux子系统就完全配置好了。

WSL与Host机器共享文件

前面我们已经揭示了WSL文件系统实际上是挂载到Windows host上的，因此，两者的文件系统是互通的。但是路径很长，也不方便记忆。在WSL 2没有正式发布之前，我们将一直遇到这个问题。

但是在WSL中访问宿主机文件很容易，它们可以通过/mnt/drive来访问。比如要从WSL中访问你的C盘文件，其目录是/mnt/c。

在WSL 1中，我们暂不建议直接从Windows文件系统中访问WSL的文件系统，这会导致一些复杂的读写权限和一致性问题。我虽然还没有遇到丢失数据的情况，但有时候会遇到不能删除文件、或者文件无法读写的情况。因此，要始终从WSL中来访问宿主机文件系统。

使用哪一个IDE？

目前"唯二"的选择，就是Pycharm和vscode。如果你已经熟悉Vscode,推荐使用vscode；否则推荐使用Pycharm。当然，如果机器配置略差，也建议使用vscode。使用vscode的另一个好处是，它与wsl有很好的集成性，直接支持将源代码放置在wsl之中，或者远程的linux机器之上进行开发，就好像这些文件仍然在本地一样。Pycharm专业版尽管有支持这些场景，但它使用的远程路径映射方案并不如vscode那么好用。

作为一款成功的商业软件，Pycharm对比vscode，目前仍然有以下优势：

代码版本管理。Vscode虽然同样支持了Git，但到今天为止，它并没有一个好的基于GUI的三路归并工具，这使得merge代码的效率比较低下。但另一方面，vscode的扩展gitlens却十分好用。Pycharm虽然通过local history和git diff也支持同样的功能，但在界面接口设计上，感觉不如vscode。DataView。Pycharm原生支持多种数据格式查看，比如DataFrame。我没有寻找过Vscode的插件，但通过Vscode的原生能力来查看像DataFrame这样类似表格的数据，还是比较吃力的。很多功能开箱即用，无须配置。而在VsCode中你需要安装一堆扩展才能开始工作，这些扩展的配置也是花时间的事。

VsCode具有的优势：

启动速度更快，性能占优 调试模式下查看变量值更方便，直接通过REPL窗口，以类似命令行的方式进行求值。与之对比的是，Pycharm中需要打开一个对话框，略显慢一点。

在远程调试的支持上，Pycharm的Community Edition版本不支持（即使是WSL也不支持），而VsCode是可以很好地支持WSL的。所以如果是与Pycharm CE版本相比较，那VsCode是可以胜出这一局的（但仍然在代码合并上输掉一局）。

我的推荐是两款IDE都要安装。Python开发使用Pycharm，这个工具相信你会越用越喜欢。而Vscode我用来写文档（rst, markdown)，日志和管理任务，因为VsCode的启动速度够快，相关插件也够多。

Python及虚拟环境的安装

任何一个程序员都不可能从头到脚去自己开发程序的每一个模块。因此，我们必然要借鉴和使用他人的开发成果，同时也希望我们的开发成果被更多的人使用。这样不可避免地造成一个问题： 如果我们的程序中使用了他人开发的模块，并且使用了它的早期版本；而另一个程序也使用了同样的模块，但使用的是晚期版本，这时候两个程序应该如何共存？

这个问题的出现至少可以追溯的Windows的早期。在Windows中，这些共享库以DLL（动态链接库）的形态出现。由于不同的版本相互冲突，导致出现了被我们称为DLL地狱的现象出现。为了解决这个问题，就出现了通过虚拟机进行运行环境隔离的解决方案，随后又进化到基于docker进行运行环境隔离的方案。这些都是操作系统层面级的解决方案。

Python是我知道的最早支持虚拟环境的开发语言。开发者可以为自己的应用程序构建单独的虚拟环境，在这个环境里，所有的第三方模块都只为这一个应用程序服务，因此它们的版本可以固定下来。在一台机器中，可以同时存在多个虚拟环境，也可以同时运行基于多个虚拟环境的多个应用程序。

Python中有至少两种构建虚拟环境的方式，即Virtual Env和Conda。在这一期中，我们主要讲基于Conda构建虚拟环境。在持续集成那一部分，则会提到VirtualEnv。这两种方式都被Pycharm支持。

安装conda

多数从事数据科学的人会安装完整的anaconda。这一般会占用你硬盘上好几个G的初始空间，并且随着虚拟环境的创建持续增长。对从事工程开发的人来说，则可以从miniconda开始。两者的区别是，前者包含了很多科学计算用的工程包，比如numpy, scipy， sklearn等等，还有一个名为spyder的集成开发工具。

Miniconda的下载地址在。一般是50M上下，包含了一个基本的Python解释器。Miniconda的python版本并不重要，因为后面我们都将为虚拟环境安装特定版本的Python。

我们将Miniconda安装到WSL中，因此，我们应该运行下面的命令：

如果WSL上没有安装curl，请先通过suod apt install curl来安装。

从anaconda官网上下载miniconda可能较慢，也可以先通过下载工具将上述文件下载下来，再传入到WSL中去。

修改源

在继续创建虚拟开发环境之前，我们先要配置一下conda或者pip。这两个工具都在中心服务器及其镜像上维护了开源库的目录，并为他们提供分发。其中，pip专门用于Python程序分发，conda则还包含了其它软件。无论使用哪一种，在国内使用时，与apt一样，都需要更改源，否则安装速度会很慢，甚至无法安装成功。

对于初学者，需要了解一下pip。pip是一个python模块；我们一般通过python -m xxx来运行xxx模块，比如启动一个简单的http服务器，我们可以运行：

python -m http.server

一些Python模块支持console script，使得它们可以像linux命令一样被调用（这也是Python与Linux融合的一个思想），比如pip。这就是为什么你可以直接运行pip命令的原因，它实际上是python的脚本。

既然pip是一个Python模块，那么它就对运行它的Python有版本要求，所以如果你遇到无法运行pip的情况，就需要检查python的版本。我们也可以通过下面的方式来运行pip:

python -m pip install xxx

这种方式下，python就是你的系统路径下能找到的那个版本。如果出错，也许这将报出更有意义的诊断信息。

我们使用cfg4py来更改Conda和Pip的源：

我们将得到以下输出：

命令给出了修改conda源的两种方式和具体的源地址，一组是清华源，一组是中科大源。我们再来看看如何修改pip源：

输出如下：

这里使用了cfg4py这个开源库。它除了可以帮助我们更改conda,pip的配置之外，还提供了诸如redis, mysql， postgres等连接串配置。cfg4py本身是一个python的配置模块，主要为你的Python程序提供多层次、多环境配置。这个库也是本文作者开发的，这里说明一下。 ## 创建虚拟环境 {#创建虚拟环境 } 我们使用conda来创建虚拟环境：

上面的命令将在你的miniconda安装目录的envs目录下，创建一个名为your_env_name的文件夹，并将python 3.8及相关文件安装到这个目录下。安装完成时，conda会提示你使用以下命令：

当虚拟环境激活时，命令提示符一般会显示为虚拟环境名字；此时运行python，会启动当前虚拟环境下安装的Python版本，而此后加载的Python库，都来自于该虚拟环境下通过conda或者pip命令安装的库。

pip并不是conda的一部分，为何能知道将python库安装到哪个虚拟环境中去呢？原因是，启动的Python来自于当前虚拟环境，因此它有所有的信息，可以将Python库安装到正确的位置。

关于conda还有一些常见的命令，这里一并提一下：

conda env list, 显示本机上所有的虚拟环境 conda env remove, 移除一个虚拟环境 conda create -n your_virutal_env –clone your_another_env，从另一个已存在的虚拟环境中创建。Conda没有改名的操作，所以如果要给一个虚拟环境改名，我们可以先clone，再删除掉旧的虚拟环境。 conda install, 安装软件到当前环境 conda search， 查找是否存在某个软件

在上面的创建命令中，除了像上面那样使用CPython发行版外，还可以使用特殊的Python版本，比如Intel发行版：

使用Intel版的Python的一个原因是，它可能提供了更强性能的数学计算功能。具体可以看。这对从事数据分析为主的程序员还是比较有帮助的。

Jupyter Notebook和JupyterLab

Jupyter Notebook是一个基于网页的、可以按单元格分步运行的Python开发环境，主要用于探索式编程。如果您主要从事的工作是数据分析，应该优先安装使用Jupyter Notebook：在Jupyter Notebook中，您可以一边写文档，同时一边写代码，代码运行结果如果是一张图的话，也可以直接显示在网页中。

现在Jupyter Notebook已经支持可视化调试（通过xeus-python插件)、代码提示和自动完成。但是在code jump，refactoring和代码管理上还很欠缺。这就限制了它在工程化方面的发展。来自于FastAI的科学家对此作了一些改进，试图将其打造成一个IDE，提供了代码管理、Unittest等功能，但目前来看，仍然无法替代传统的IDE来进行工程化的编程。关于他们的研究，感兴趣的可以看。

Jupyter Lab被认为是Jupyter Notebook的下一代版本。在工作区的划分上，提供了类似于IDE的多个功能区，支持工作区文件列表等, 同时运行的多个标签也可以彼此调用，因此比Notebook增强了工程化能力。不过基于Web的IDE目前看也都没有特别亮眼的表现，Jupyter Lab也概莫能外。

总结

本期文章给出了在Windows上从事Python开发的常用环境搭建方法。与其它文章不同的是，本文更注重介绍技术背后的背景，以便知其然，更知其所以然。

纯的Windows开发已经不再受人喜欢。因为就连微软自身也在拥抱Linux，拥抱开源。所以我们的开发环境搭建在Win 10 + WSL之上，可以同时享受到两种操作系统的便利。使用WSL作为Python程序的调试和运行环境，因为多数软件和库对Linux支持得更好，优先级更高。

尽管VsCode很优秀，但没有理由不使用Pycharm，尤其是新人，不应该把时间花在自己一时无法一探究竟的各种插件的安装配置上。不使用Pycharm的根本原因只有一个，就是License问题。

从事数据科学的工程师可以使用Jupyter Notebook或者Jupyter Lab。

为你的每一个项目创建一个单独的conda 虚拟环境，以避免各种库之间的版本冲突。