環境安裝 — Setup Interactive（Python）

📌 本頁使用方式（課前 · 環境安裝）

① 依序閱讀：每節先讀說明；遇到互動元件時，先預測結果，再操作驗證。 ② 對照程式範例：程式碼卡下方的「來源」標了課程練習筆記本（lab）；需要實作時，再打開原始筆記本對照。 ③ 檢查理解：答錯時先看回饋，再回到相關說明；標為延伸的內容可留待第二輪。 ④ 最後翻關鍵詞彙卡自測術語，並用重點速查與來源查閱。

教科書：An Introduction to Statistical Learning with Applications in Python（ISLP）。章節旁的來源標記可點到本頁書目。

📖 統計學習教科書（ISLP）🏠 章節總覽

CONTENTS · 內容目錄

P00完成第一個練習 P01Colab 操作流程 P02匯入套件 P03資料放哪裡 P04本機與考前準備 P05跑不動的時候 EX練習題速查重點速查與來源 CARD關鍵詞彙卡

PROLOGUE · 開場

從開啟筆記本到跑出第一張圖課程 Lab Ch1 · lab 範例

先完成讀取資料與繪圖的練習：開課程 notebook、讀入 Auto 汽車資料，畫出馬力對 mpg 的散佈圖。平時可以先用 Colab 練習；本機版本則建議和電腦教室一致，考前要熟悉教室的操作環境。

期中考準備：熟悉電腦教室的環境期中考使用電腦教室的電腦。平時可用 Colab 學習，但本機練習建議依課程官方套件版本清單設定，並在考前用教室電腦完整跑一次練習。下方「本機安裝」說明如何核對 Python、套件與 kernel。

第一次上手路徑開啟 Ch02 中文課程 notebook（Colab），選「在雲端硬碟中儲存副本」。先執行安裝套件與 imports；第一次使用 CPU 即可，先跳過 cudf／cuml 的 GPU 擴充。接著照下方「資料放哪裡」取得 Auto.csv，完成第一張圖。

比較其他執行環境

環境	啟動成本	適合情境	主要代價
Colab（第一次上手推薦）	瀏覽器開啟即可使用	第一次跑 lab、公用電腦、需要臨時 GPU	執行階段會回收，套件需重裝
本機 conda	需安裝環境並註冊 kernel	本機練習、對齊教室版本	要管理環境與 Jupyter kernel
本機 pip + venv	需自行準備 Python 與 venv	磁碟空間有限、熟悉 Python 環境	Python 與套件版本需自行管理

裝課程用的套件

%pip install ISLP

%pip 開頭的百分比符號是 Jupyter 的魔術指令，意思是「裝到這個 notebook 正在用的 Python 裡」——比在終端機打 pip install 保險。

來源：Ch01-lab-zh.ipynb

ISLP 會順便安裝相依套件

%pip install ISLP

安裝輸出通常很長，沒有必要逐行閱讀。確認最後沒有紅色錯誤；若 Colab 要求重啟執行階段，照做即可。

來源：Ch02-statlearn-lab-zh.ipynb

PART 00 · 自我檢測

你第一次要跑課程的 lab，手邊只有一台學校的公用電腦。最合理的做法是？

(A) 用 Colab，登入自己的 Google 帳號

(B) 在公用電腦上裝 Anaconda

PART 01 · Colab 操作流程

筆記本會保存，執行階段會回收課程 Lab Ch1 · lab 範例

Colab 是跑在 Google 機器上的 Jupyter notebook。你可以直接在瀏覽器使用； 執行階段（runtime）會被回收。執行階段結束或被回收後，你裝的套件與記憶體裡的變數都會消失，程式碼本身則存在你的 Drive 裡不會掉。

最常見的一個誤會「我明明裝過 ISLP 了，怎麼又說找不到？」，因為那是上一個執行階段裝的。連到新的執行階段之後要再跑一次 %pip install ISLP。可以把它留在 notebook 的第一格，方便重新執行。

Colab 上的加速選項

%load_ext cudf.pandas %load_ext cuml.accel

預期輸出

cuML: Accelerator installed.

這兩行是課程 lab 拿來開 GPU 加速的（cudf 加速 pandas、cuml 加速 scikit-learn）。本機沒有 NVIDIA 顯卡的話會失敗，刪掉這兩行照樣能跑，只是慢一點。

來源：Ch01-lab-zh.ipynb

自己決定三格的執行順序。每按一次，就等於在 notebook 執行那一格；左邊的 [n] 是執行次序，不是儲存格位置。

執行序號	程式	執行
`[ ]`	`x = 10`
`[ ]`	`x = x * 2`
`[ ]`	`print(x)`

自訂概念示意三格程式用來呈現 notebook 的狀態與執行順序；數值不是課程資料。

執行順序與記憶體狀態

同一格可以重跑，也可以跳著跑。執行時會使用目前記憶體中的變數，所以執行順序會影響結果。

交作業前

重啟執行階段並由上到下全部執行，確認結果不依賴先前殘留的變數。

Colab 的東西	會不會留下
程式碼與文字（notebook 本身）	✓ 存在你的 Google Drive
`%pip install` 裝的套件	✗ 執行階段結束就沒了
變數與載入的資料	✗ 同上
`/content/` 底下自己存的檔案	✗ 同上
掛載的 Google Drive 裡的檔案	✓ 那是你的雲端硬碟

PART 01 · 自我檢測

你昨天在 Colab 跑得好好的 notebook，今天打開第一格就報 ModuleNotFoundError: No module named 'ISLP'。為什麼？

(A) notebook 檔案壞掉了

(B) 執行階段被回收了，套件要重裝

PART 02 · 匯入套件

先執行本份筆記本的匯入程式課程 Lab Ch2 · lab 範例

每一份課程 lab 的第一格都長得差不多：把要用的套件全部 import 進來。這一格一定要先跑，不然後面每一格都會報 NameError。

課程 lab 的 imports（第 2 章）

  # 本 Notebook 使用的匯入（imports）
  import os  # 檔案與環境變數/路徑處理
  import numpy as np  # 數值運算與陣列處理
  import pandas as pd  # 資料表格與資料處理
  from matplotlib.pyplot import subplots  # 建立子圖與繪圖版面
  try:
      from google.colab import drive  # Colab：掛載 Google Drive
  except Exception:
      drive = None  # 非 Colab 環境

注意最後那段 try / except：google.colab 只有在 Colab 上才有，本機跑的時候讓它安靜地把 drive 設成 None 就好。這是 try/except 的正確用法。你知道會發生什麼錯、也知道怎麼處理。

來源：Ch02-statlearn-lab-zh.ipynb

另一份筆記本的完整匯入清單

第 1 章的 imports

  # 本 Notebook 使用的匯入（imports）
  import os  # 檔案與環境變數/路徑處理
  import numpy as np  # 數值運算與陣列處理
  import pandas as pd  # 資料表格與資料處理
  import matplotlib as mpl  # Matplotlib 設定與後端
  import matplotlib.pyplot as plt  # 繪圖指令與樣式
  import seaborn as sns  # 統計視覺化
  from sklearn.preprocessing import scale  # 特徵標準化
  from sklearn.decomposition import PCA  # 主成分分析 (PCA)
  from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis  # 二次判別分析 (QDA)
  from ISLP import load_data # ISLP 書籍資料集載入
  try:
      from google.colab import drive  # Colab：存取 Google Drive
  except Exception:
      drive = None  # 非 Colab 環境

每個 import 後面都有一句中文註解，說明那個套件負責什麼。先掃過一遍，之後看到 sns. 或 sm. 開頭就知道是誰。

來源：Ch01-lab-zh.ipynb

查閱：套件分工與附錄位置

套件	慣用簡稱	負責什麼	本站位置
numpy	`np`	陣列與數值運算	P3
pandas	`pd`	資料表、選取與分組	P4
matplotlib	`plt`	Figure 與 Axes	P5
seaborn	`sns`	統計圖的高階介面	P5
statsmodels	`sm`	係數、標準誤與 p 值	P6
scikit-learn	`sklearn`	fit、predict 與交叉驗證	P6

PART 02 · 自我檢測

你跳過第一格直接跑第三格，得到 NameError: name 'np' is not defined。該怎麼辦？

(A) 重新安裝 numpy

(B) 把 np 改成 numpy

PART 03 · 資料放哪裡

掛 Drive、或直接讀網址課程 Lab Ch2 · lab 範例

資料不會因為掛載 Drive 就自動出現。第一次請依序完成下面四步：

步驟	操作與完成標準
1. 取得資料	下載課程 Auto.csv。若瀏覽器顯示文字，另存為 Auto.csv，保留副檔名。
2. 放進自己的 Drive	在 Google Drive 建立 Lab/Data 資料夾，將 Auto.csv 上傳到裡面。
3. 掛載並設定路徑	在 Colab 執行下方掛載儲存格；DATA_PATH 改成 /content/drive/MyDrive/Lab/Data/，或你實際建立的資料夾。
4. 讀取、檢查、畫圖	先確認有 horsepower 與 mpg 欄，再執行下方繪圖步驟。成功時會看到橫軸 horsepower、縱軸 mpg 的散佈圖。

另可下載課本的官方 CSV 資料壓縮檔，解壓後取得 Auto.csv。不同來源可能已做過清理，列數與特殊值不一定一樣；本頁起步與 00C 的清理練習都使用上面的課程 Auto.csv，不要混用不同檔案的輸出。

掛載 Drive

drive.mount('/content/drive')

預期輸出

Mounted at /content/drive

第一次會跳出授權視窗，選你的 Google 帳號按同意。掛好之後 Drive 就出現在 /content/drive/MyDrive/ 底下。

來源：Ch02-statlearn-lab-zh.ipynb

設一個路徑變數

# Replace DATA_PATH with your path DATA_PATH = "/content/drive/MyDrive/00_Statistical_learning/Lab/Data/"

這一行要改成你自己的路徑。把路徑存成變數，換資料夾時只要改一個地方。

來源：Ch02-statlearn-lab-zh.ipynb

讀進來

Auto = pd.read_csv(os.path.join(DATA_PATH,'Auto.csv')) Auto

預期輸出

     Unnamed: 0   mpg  cylinders  displacement  horsepower  weight  \
0             1  18.0          8         307.0         130    3504   
1             2  15.0          8         350.0         165    3693   
2             3  18.0          8         318.0         150    3436   
3             4  16.0          8         304.0         150    3433   
4             5  17.0          8         302.0         140    3449   
..          ...   ...        ...           ...         ...     ...   
387         393  27.0          4         140.0          86    2790   
388         394  44.0          4          97.0          52    2130   
389         395  32.0          4         135.0          84    2295   
390         396  28.0          4         120.0          79    2625   
391         397  31.0          4         119.0          82    2720   

     acceleration  year  origin                       name  
0            12.0    70       1  chevrolet chevelle malibu  
1            11.5    70       1          buick skylark 320  
2            11.0    70       1         plymouth satellite  
3            12.0    70       1              amc rebel sst  
4            10.5    70       1                ford torino  
..            ...   ...     ...                        ...  
387          15.6    82       1            ford mustang gl  
388          24.6    82       2                  vw pickup  
389          11.6    82       1              dodge rampage  
390          18.6    82       1                ford ranger  
391          19.4    82       1                 chevy s-10  

[392 rows x 10 columns]

os.path.join 幫你處理斜線，比自己用加號接字串保險。下方保存的是老師當時檔案的輸出；你的檔案若少了 Unnamed: 0 這類索引欄，先核對來源，不要手動補造資料。

來源：Ch02-statlearn-lab-zh.ipynb

接著以指定的特殊值規則重新讀取，讓 horsepower 能作數值運算。請在自己的檔案執行這段設定並查看輸出；P4 會說明參數的作用。

Auto = pd.read_csv(os.path.join(DATA_PATH, 'Auto.csv'), na_values=['?'])
print(Auto.shape)
print(Auto[['horsepower', 'mpg']].dtypes)
print(Auto[['horsepower', 'mpg']].isna().sum())

畫第一張散佈圖

ax = Auto.plot.scatter('horsepower', 'mpg') ax.set_title('Horsepower vs. MPG');

在上面的 Auto 已讀取後執行。圖的橫軸是 horsepower、縱軸是 mpg。含缺值的觀測不會畫成點；圖能出現只表示操作成功，還不能取代資料清理與統計判斷。

來源：Ch02-statlearn-lab-zh.ipynb

PART 03 · 自我檢測

FileNotFoundError: /content/drive/MyDrive/Lab/Data/Auto.csv。最可能的原因是？

(A) DATA_PATH 沒改成你自己的資料夾位置

(B) Drive 掛載失敗

PART 04 · 本機與考前準備

期中使用電腦教室電腦，本機練習建議使用教室版本 conda 文件 · 環境管理

期中使用電腦教室電腦。本機練習請依課程版本建立獨立環境，並確認 Jupyter 選用同一環境的 kernel；詳細步驟可在需要時展開。

本機練習：版本、安裝指令與 kernel 設定

本機練習建議使用與電腦教室相同的 Python 與核心套件版本。依據是課程官方 packages.txt，以下於 2026-09-05 核對；若清單更新，以官方檔案為準。

項目	官方清單版本
Python	3.9.13
NumPy／pandas	1.24.4／2.3.2
scikit-learn／SciPy	1.6.1／1.13.1
statsmodels／Matplotlib	0.13.2／3.5.2
seaborn／ISLP	0.13.2／0.4.0
JupyterLab／ipykernel／Notebook	3.4.4／6.15.2／6.4.12

先安裝 conda，再建立獨立環境。下面安裝清單中的核心套件；作業系統、其他相依套件與實際使用的 kernel 仍需核對。官方檔案是 pip list 形式的版本表，不能直接用 pip install -r packages.txt 安裝。

# 建立本地練習環境
conda create -n m524 python=3.9.13 -y
 
# 依官方清單安裝核心分析套件
conda run -n m524 python -m pip install numpy==1.24.4 pandas==2.3.2 scikit-learn==1.6.1 scipy==1.13.1 statsmodels==0.13.2 matplotlib==3.5.2 seaborn==0.13.2 ISLP==0.4.0
 
# 安裝 notebook 工具，註冊 kernel
conda run -n m524 python -m pip install jupyterlab==3.4.4 ipykernel==6.15.2 notebook==6.4.12
conda run -n m524 python -m ipykernel install --user --name m524
 
# 核對版本，並由這個環境啟動 JupyterLab
conda run -n m524 python --version
conda run -n m524 python -m pip list
conda run -n m524 jupyter lab

在 JupyterLab 開啟練習 notebook，選擇 m524 kernel，再執行 import sys; print(sys.version); print(sys.executable) 確認實際使用的 Python。若安裝失敗，保留完整錯誤訊息並核對相依套件。更換版本後也要重新確認與教室的差異。

做法	課程專案	另一個專案	結果
全部裝在 base	需要 pandas 2.3.2	需要 pandas 1.5.3	同一環境只能留下其中一版，容易互相影響
各自建立環境	m524：pandas 2.3.2	other：pandas 1.5.3	兩個版本可以共存

四步驟的順序 建立環境 → 安裝套件 → 註冊 kernel → 選擇／啟用環境。上面的命令區列出這些步驟；完成後還要在 Jupyter 選擇 m524 kernel。若 Jupyter 說找不到已安裝的套件，先用 import sys; print(sys.executable) 確認目前 kernel 使用哪一個 Python。

情境	建議
第一次上手、只想跑 lab	Colab
本機練習	依官方清單設定 conda 環境，再核對版本與 kernel
電腦空間很小	pip + venv（不裝 Anaconda，省 3–5 GB）
要用 GPU	Colab（本機要 NVIDIA 顯卡加 CUDA，很麻煩）
交作業前的最後檢查	重啟 kernel 並全部重跑一次
期中考前	在電腦教室的電腦完整跑一次練習，熟悉開啟檔案、路徑與 kernel

PART 04 · 自我檢測

你在終端機 pip install ISLP 裝好了，但 Jupyter 裡還是 ModuleNotFoundError。最可能的原因？

(A) 要重開電腦

(B) Jupyter 用的 kernel 不是你剛剛裝套件的那個環境

PART 05 · 跑不動的時候

四種常見執行問題與檢查方法 Python 文件 · 例外

先讀錯誤訊息最後一行，確認套件、資料路徑與正在使用的 kernel。重啟後由上到下執行，可檢查筆記本是否依賴先前殘留狀態。

遇到問題再查：症狀、原因與排解步驟

以下四種情況整理了症狀、可能原因與檢查方式，遇到環境問題時可以依序核對。

症狀	先收集的證據	優先檢查
`ModuleNotFoundError`	`sys.executable` 與 kernel 名稱	套件是否裝在目前 kernel
`NameError`	變數第一次出現在哪一格、執行編號	imports 或建立變數的儲存格是否已執行
`FileNotFoundError`	錯誤中的完整路徑	Drive 是否掛載、`DATA_PATH` 是否指向自己的資料夾
數值結果不同	資料版本、前處理、套件版本、seed、完整重跑結果	先定位差異來源，不要只憑結果猜是 seed

還是跑不動的話

問人之前先做這三件事

① 重啟並全部重跑；② 複製完整 traceback，先看最後一行，並保留最靠近自己程式的出錯位置；③ 確認是哪一格出錯、那一格用到哪些變數。先做這三件事，可以縮小問題範圍，也方便別人協助你檢查。

可以直接把錯誤訊息丟給 AI 嗎？

可以。環境問題可以透過錯誤訊息、版本與執行結果核對，適合請 AI 提出除錯建議。但要把完整的錯誤訊息與你實際跑的那一格都給它，不要只說「我的程式跑不動」。如何核對統計結果，見 00A。

交作業之前一定要做的一件事 重啟執行階段 → 從第一格全部重跑 → 確認所有必要步驟完成，沒有未處理錯誤。這樣可以檢查作業是否依賴你機器上殘留的變數或特殊執行順序。

🔗 接下來讀什麼環境好了就可以開始了。沒寫過程式的話從 P1 Python 基礎開始；寫過但沒碰過資料科學套件的，直接跳到 P3 NumPy。想先知道「AI 都會了為什麼還要學」，看 00A。

PART 05 · 自我檢測

相同 notebook 在不同執行環境得到不同結果，應先如何檢查？

(A) 先從乾淨 kernel 全部重跑，再比資料、前處理、版本與 seed

(B) 一定是其中一邊沒有固定 seed

EXERCISES · 練習

動手驗證：概念自測課前 · 自我檢測

回顧本頁觀念與原 Lab 的程式，確認各個操作的意義與使用條件。

🔗 電腦教室版本清單 🔗 Google Colab 🔗 conda 環境管理 🔗 ISLP 套件

EXERCISE 1 · 裝套件

在 Colab 的儲存格裡裝套件，該用哪一個？

(A) !pip install ISLP

(B) import ISLP

EXERCISE 2 · 執行順序

notebook 左邊的 [7] 代表什麼？

(A) 這是第 7 個儲存格

(B) 這一格是這個 kernel 的第 7 次執行

EXERCISE 3 · 版本

為什麼本機練習建議依官方清單固定 Python 與套件版本？

(A) 新版本有 bug

(B) 舊版本比較快

EXERCISE 4 · 假故障

你在本機的 conda 環境裝好了全部套件，但 Jupyter 裡 import 還是失敗。第一件要檢查的事是？

(A) Jupyter 右上角顯示的 kernel 是不是那個環境

(B) 重裝 Anaconda

重點速查與來源

環境安裝速查表課前 · 環境安裝

來源：完整書目與章節定位

本頁書目與章節定位

教科書：An Introduction to Statistical Learning with Applications in Python。James、Witten、Hastie、Tibshirani、Taylor，2023。原書與下載資訊

需要核對完整公式、比較表或實作時，再展開下方速查。

查閱完整速查與延伸提醒

三張速查表。跑不動的時候回來看第二張。

環境	需要準備	適合誰	注意
Colab	帳號、網路與資料	第一次上手、公用電腦	執行階段會回收，套件要重裝
conda 環境	安裝 conda 與套件	本機練習、對齊教室版本	依官方清單核對，記得選對 kernel
pip + venv	Python 與虛擬環境	電腦空間小	自己管 Python 版本
本機 base 環境	—	不建議	不同專案的版本需求可能互相影響

症狀	檢查原因	怎麼修
`ModuleNotFoundError`	沒裝，或裝到別的環境	`%pip install X`；檢查 kernel
`NameError`	某一格沒跑（多半是 imports）	從第一格重跑
`FileNotFoundError`	路徑不對或 Drive 沒掛	在檔案窗格複製正確路徑
結果跟同學不同	資料、前處理、版本、seed 或執行狀態不同	乾淨重跑後逐項比對，不先武斷歸因
改了程式卻沒變	改完沒重跑那一格	重啟並全部重跑

交作業前的檢查	為什麼
重啟 kernel	清掉殘留的變數
從第一格全部重跑	確認不依賴亂序執行
必要步驟完成、沒有未處理錯誤	確認別人打開也跑得動
固定所有種子	確認別人跑得出同樣的數字
DATA_PATH 有註明要改	別人的 Drive 結構跟你不同

三個閱讀重點 1. 平時可用 Colab；考前熟悉教室環境。本機版本依官方清單設定，並在教室電腦完整跑過練習。
2. 跑不動時，先檢查環境與執行順序。先重啟 kernel 並全部重跑，確認執行狀態。
3. 交作業前一定要從頭重跑一次。不然你交的是「只有你那台機器跑得出來」的東西。

CARDS · 關鍵詞彙卡