JupyterLab查看Python版本方法

在JupyterLab中查看Python版本最直接的方法有两种：一是通过终端执行python --version或python3 --version，二是 在Notebook代码单元格中运行import sys; print(sys.version)或使用!python --version；2. JupyterLab中的Python版本取决于当前内核，可能与系统Python版本不同，因项目常运行在隔离的虚拟或Conda环境中；3. 切换内核需先为环境安装ipykernel，再通过python -m ipykernel install注册，之后在JupyterLab的“内核”菜单中选择目标环境；4. 系统Python是全局默认解释器，而JupyterLab使用的Python来自特定内核环境，具有独立的库和版本，确保项目依赖隔离。因此，查看版本时应确认是内核环境还是系统环境，以避免依赖冲突问题。

在JupyterLab中查看Python版本，最直接的方法有两种：一是通过JupyterLab自带的终端，二是直接在Notebook的代码单元格中执行Python命令。这两种方式都能让你快速了解当前环境或正在运行的内核所使用的Python版本。

解决方案

要查看Python版本，我通常会根据手头的工作习惯来选择。

方法一：通过JupyterLab终端

这是我个人觉得最直接、也最能反映“真实”环境版本的方法。

1. 打开终端： 在JupyterLab界面左侧的文件浏览器中，点击“文件”菜单（File） -> “新建” (New) -> “终端” (Terminal)。这会打开一个Linux/macOS风格的命令行界面。
2. 输入命令： 在终端里，你可以尝试以下命令：
   • python --version：这是最常用的，它会显示系统默认的Python版本。但要注意，如果你的系统里装了Python 2和Python 3，这个命令可能指向Python 2。
   • python3 --version：这个命令通常会明确指向Python 3的版本。
   • conda list python (如果你在使用Anaconda或Miniconda)：这个命令会列出当前激活的Conda环境中安装的所有包，包括Python的版本。这对于管理多个环境的用户来说特别有用，因为JupyterLab常常运行在某个特定的Conda环境里。
   • which python 或 which python3：这两个命令可以告诉你python或python3命令实际指向的Python解释器的路径，这能帮助你理解是哪个Python在被调用。

方法二：在Notebook代码单元格中

这种方法的好处是，它显示的是你当前正在运行的Jupyter Notebook内核所使用的Python版本。这对于确保你的代码运行在预期的Python版本上至关重要。

1. 新建或打开Notebook： 在JupyterLab中新建一个Python 3 Notebook，或者打开一个已有的Notebook。
2. 输入代码： 在一个代码单元格中输入以下Python代码并运行：

   import sys
   print(sys.version)

   这会输出详细的Python版本信息，包括编译日期和编译器信息。

3. 使用Shell命令： 你也可以在Notebook单元格中直接运行Shell命令，只需在命令前加上!：

   !python --version

   或者

   !python3 --version

   这和在终端里运行的效果类似，但它是在当前Notebook的执行环境中运行的。

为什么JupyterLab中会有多个Python版本？

这其实是个很常见的问题，也是我刚接触Python和数据科学工具时经常困惑的地方。简单来说，JupyterLab本身只是一个Web界面，它运行的Python环境（或者说“内核”）是可以被配置和切换的。你系统里可能装了一个“全局”的Python，但为了项目隔离和依赖管理，我们经常会创建各种“虚拟环境”或“Conda环境”。

比如，你可能有一个项目需要Python 3.8和特定版本的库，而另一个项目则需要Python 3.9。为了避免库版本冲突，你会为每个项目创建一个独立的环境。JupyterLab的强大之处就在于它能识别并连接到这些不同的环境。每个环境都可以看作是一个独立的Python安装，有自己的一套库和解释器。当你选择一个特定的内核来运行Notebook时，你实际上就是在使用那个环境里的Python版本。所以，你看到的JupyterLab中的Python版本，通常是你当前所选内核对应的Python版本，它不一定是你系统默认的那个。

如何在JupyterLab中切换或管理Python环境？

管理和切换JupyterLab中的Python环境，是高效开发的关键一步。我个人觉得，掌握这一点能省下不少麻烦。

首先，你需要确保你的虚拟环境（无论是venv还是Conda环境）已经安装了ipykernel这个包。ipykernel是Jupyter连接到Python环境的桥梁。

1. 为现有环境安装ipykernel并注册为Jupyter内核：

假设你已经创建了一个名为my_env的Conda环境或虚拟环境，并且激活了它。在终端中（可以是JupyterLab的终端，也可以是系统终端），执行：

# 激活你的环境
# 如果是conda环境：
conda activate my_env

# 如果是venv环境：
source my_env/bin/activate # Linux/macOS
my_env\Scripts\activate # Windows

# 安装ipykernel
pip install ipykernel

# 将该环境注册为Jupyter的内核
python -m ipykernel install --user --name my_env --display-name "我的项目环境 Python"

--display-name参数非常重要，它决定了这个内核在JupyterLab界面中显示的名字，起一个有辨识度的名字能让你在切换时一目了然。

2. 在JupyterLab中切换内核：

当你完成上述注册后，刷新JupyterLab页面。

• 新建Notebook时： 在JupyterLab界面，点击“文件” (File) -> “新建” (New) -> “Notebook”，你会在弹出的菜单中看到你刚刚注册的“我的项目环境 Python”作为可选项。
• 切换现有Notebook的内核： 打开一个Notebook后，在顶部菜单栏选择“内核” (Kernel) -> “更改内核” (Change Kernel)，然后选择你想要切换到的环境。

3. 创建新的Conda环境并在JupyterLab中使用：

如果你是Conda用户，创建新环境并直接在JupyterLab中使用会更方便：

# 在终端中创建新环境，并指定Python版本
conda create -n new_project_env python=3.9 ipykernel

# 激活新环境
conda activate new_project_env

# 注册为Jupyter内核（如果上面创建时没有自动安装ipykernel，这里需要手动pip install ipykernel）
python -m ipykernel install --user --name new_project_env --display-name "新项目Python 3.9"

之后，你就可以在JupyterLab中看到并选择这个新环境了。

JupyterLab中的Python版本与系统Python版本有何不同？

这确实是很多初学者容易混淆的地方。我个人觉得，理解它们的区别是深入使用Python和其生态系统的基础。

系统Python版本指的是你操作系统（如Windows、macOS、Linux）默认安装的Python解释器。当你直接在命令行输入python或python3时，通常调用的就是这个系统Python。它可能是在你安装操作系统时就预装的，也可能是你后来手动安装的（比如从Python官网下载安装包）。这个版本的Python通常位于系统的某个全局路径下，比如/usr/bin/python3。

JupyterLab中的Python版本，更准确地说，是JupyterLab所连接的“内核”所使用的Python解释器版本。这个内核可以是你系统默认的Python，但更常见的情况是，它是一个特定“虚拟环境”或“Conda环境”中的Python。

关键区别在于：

1. 隔离性： 系统Python是全局的，所有程序都可能共享它和它安装的库。而JupyterLab中使用的虚拟环境Python是高度隔离的。每个虚拟环境都有自己独立的Python解释器和一套库，互不干扰。这就像你在电脑上安装了多款游戏，每款游戏可能需要不同版本的DirectX或运行库，你不会让它们共享同一套，以免冲突。
2. 管理方式： 系统Python的管理通常依赖于操作系统的包管理器（如apt、yum、brew）或直接的安装程序。而JupyterLab中的环境Python则通过conda、pip、venv等工具进行管理，你可以轻松地创建、激活、删除不同的环境，并为每个环境安装特定版本的库。
3. 用途： 系统Python可能用于运行一些系统脚本或作为默认的Python环境。而JupyterLab中的环境Python则主要用于数据科学项目、Web开发等需要特定依赖或版本隔离的场景。

所以，当你看到JupyterLab中显示Python 3.8，而你在终端里输入python3 --version却显示Python 3.9时，这通常意味着你的JupyterLab正在运行一个Python 3.8的虚拟环境内核，而你的系统默认Python是3.9。理解这一点，能帮助你更好地管理项目依赖，避免“我的代码在我的机器上能跑，但在JupyterLab里就报错”的尴尬情况。