用 Docker Compose 一键搭建本地 Python 数据分析环境：从零到可复现

刚学 Python 数据分析时，很多人第一步就卡在装环境上：在本机装 Python、装 pandas、装 Jupyter，版本一乱就报错，换一台电脑又要重来一遍。本文介绍的做法是把分析环境装进 Docker 容器，用 Docker Compose 一条命令启动，代码、数据和依赖分开存放，换电脑也能原样复现。
一、为什么要用容器装分析环境
本机直接装依赖最大的问题是互相干扰。不同项目要不同版本的 pandas 或 numpy，升级一个库可能拖垮另一个项目。容器把 Python 解释器和依赖打包在一起，项目之间互不干扰；写好的 compose 文件就是环境说明书，别人拿到就能跑出同样的结果。对新手来说，这比背一堆安装命令更可靠。
二、准备工作
先确认本机装好 Docker 和 Docker Compose，运行 docker --version 和 docker compose version 能看到版本号即可。再新建一个项目文件夹，例如 py-analysis，里面放三样东西：存放代码的 notebooks 文件夹、存放数据的 data 文件夹、以及稍后要写的 docker-compose.yml。数据和代码放在容器外面，用挂载的方式给容器用，这样容器删了数据还在。
三、写 docker-compose.yml
文件内容很简单：选一个官方 Python 3.12 镜像作基础，映射 8888 端口给 Jupyter，把当前目录挂载到容器里的 /work，第一次启动时自动安装依赖。关键是不要把数据写进镜像层，镜像只装工具，数据永远留在挂载目录里。写完后在项目目录执行 docker compose up -d，看到容器启动成功，再执行 docker compose logs 查看 Jupyter 的访问地址和令牌。
四、依赖怎么管
新建 requirements.txt，把 pandas、numpy、matplotlib、jupyterlab 一行一个写进去，版本号先不锁死，等跑通后再用 pip freeze 导出锁定版本。镜像构建时安装一次即可，平时改代码不用重建镜像；只有改了依赖才需要重新构建。国内网络较慢时，可以在构建参数里换成国内镜像源，安装速度会明显提升。
五、日常使用习惯
每天的工作流程固定下来：进入项目目录，docker compose up -d 启动；浏览器打开 Jupyter 开始写分析；写完先在 notebooks 里保存，再用 git 提交代码，data 目录只放原始数据，中间结果单独放 output 目录。这样做的好处是复查时能分清哪一步算出了什么，出了问题也能按文件逐段排查。
六、常见问题
一是端口被占用：8888 已被别的程序占用时，改 compose 里的映射端口即可，例如改成 8899。二是权限问题：容器里新建的文件在本机显示为 root 所有，处理办法是在 compose 中指定当前用户的 UID 和 GID。三是容器启动后马上退出：多数是命令写错或依赖安装失败，先看日志再改配置，不要反复重建镜像。
七、小结
本地数据分析环境的核心要求不是装得快，而是每次都能装出同样的结果。Docker Compose 把环境变成一份可以版本管理的文件，配合挂载目录和依赖锁定，新手也能做到换电脑不翻车。先把这套最小环境跑通，再去学更复杂的数据处理技巧，路会顺得多。