本指南用于搭建可复现的 Python 科研计算环境，围绕环境管理、依赖锁定、笔记本使用、容器化与项目组织展开。
用途：帮助研究者让数据分析与论文结果可被他人重复运行。
主要能力： 环境管理：介绍三种方式——venv（内置轻量）、conda（含非 Python 依赖，如 conda create -n myproject python=3.11）、uv（快速现代包管理器，如 uv venv）。 依赖锁定：用 pip freeze 生成 requirements.txt，或用 pip-tools（pip install pip-tools、pip-compile、pip-sync）从 requirements.in 编译出锁定版本；也给出 pyproject.toml 现代标准写法，含可选依赖 dev/gpu。 Jupyter 最佳实践：首个单元格做导入、路径配置、随机种子与 matplotlib 默认设置；提供笔记本结构模板（设置与加载、探索、预处理、分析、可视化、导出结果）。 笔记本转换：jupyter nbconvert 可转脚本、HTML、PDF，或执行并原地保存。 随机种子：给出 set_global_seed 函数，统一 random、numpy、PYTHONHASHSEED 及可选的 PyTorch、TensorFlow。 容器化：提供 Dockerfile 示例与 docker build/run 命令，含在容器内运行 Jupyter 的方式。 项目结构：给出 research-project 目录模板，区分 raw/processed/external 数据、notebooks、src、tests、outputs、configs。 自动化：Makefile 示例将 data、analysis、figures、clean、reproduce、test、format 串成流程。 日志与实验追踪：用 logging 记录参数与运行信息。
适用场景：科研论文、数据科学项目的环境与流程固化。
限制：属方法指南而非具体产品；未提供官方文档链接之外的服务信息，未涉及收费、平台或效果声明。