P2-10.2 Jupyter、Colab 与本地执行的区别¶

Section ID: P2-10.2 Version: v2026.09.15

工具与执行位置¶

Colab FAQ 将 Jupyter 描述为 Colab 所基于的开源项目。Colab 是托管服务，用户无需自行下载、安装和运行本地服务，即可使用和分享 Jupyter 笔记本。

Jupyter 指工具和生态，Colab 指服务，本地执行指执行位置。下面对 Colab 的说明以 Google 管理的远程运行时为准。Colab 界面也可以连接本地运行时。

因此，“Jupyter 还是 Colab”并非两个完全对立的选择。Colab 基于 Jupyter Notebook 的格式与工作方式，区别在于用户不必直接管理安装和服务器运行。

文档、运行时与文件¶

常见的混淆是把文件与执行状态当成同一件事。

笔记本文件通常使用 .ipynb 格式。Jupyter 架构文档说明，这种结构化数据包含代码、元数据、内容与输出，保存到磁盘时使用 JSON 结构和 .ipynb 扩展名。

拥有文件不等于其中的代码正在运行。

运行时消失后，笔记本文件仍可能保留。代码单元仍在，其中安装的包或创建的临时文件却可能已经消失。

Colab FAQ 说明，代码在分配给账户的虚拟机中运行；虚拟机会在闲置一段时间后被删除，也有最长存续时间。

执行方式比较¶

即使使用相同的笔记本格式，实际执行代码的计算机和可访问文件范围也可能不同。

没有一种环境始终最好。学习目标与执行需求不同，适合的环境也会不同。

Colab 的准备与资源¶

Colab 的启动门槛较低。在本地安装 Python、Jupyter、NumPy 或 pandas 之前，就可以在浏览器中执行代码。

对于本部分前面的小型数学计算、列表与字典示例、基础 NumPy 计算，Colab 可以满足需求。

Colab 适用于以下情况：

• 尚未安装 Python。
• 希望在其他电脑上打开同一笔记本。
• 希望通过链接分享代码、说明与结果。
• 希望用小数据验证概念。
• 希望短时间试用 GPU 或 TPU 加速环境。

Colab 是外部服务，免费资源既不保证可用，也不是无限的；用量限制与运行时终止条件可能变化。FAQ 说明，用量限制、闲置超时、最长运行时间和 GPU 类型等因素会随时间变化。

应把 Colab 理解为快速开始学习和实验的远程工作空间，而非始终保留的个人电脑。

本地 Jupyter 的环境管理¶

本地 Jupyter 在自己的电脑上运行 Jupyter Notebook 或 JupyterLab 及其内核。如果连接的是服务器上的 Jupyter，文件访问也以该服务器为准。

优点是可以直接控制文件与环境。

• 直接读写电脑文件夹中的文件。
• 自行选择虚拟环境。
• 按项目管理包版本。
• 减少对网络连接和外部服务政策的依赖。

相应地，需要做更多准备：

• 安装 Python。
• 必要时安装 Jupyter 相关包。
• 管理项目专用虚拟环境。
• 记录依赖，以便在其他电脑上复现。

在浏览器中查看笔记本，并不能说明 Python 在哪里运行。可用文件和包取决于内核运行在本地电脑还是服务器上。

找不到已安装的包时¶

即使终端成功安装 NumPy，笔记本中的 import numpy 仍可能失败。如果终端和笔记本内核使用不同的 Python 环境，已安装的包也不同。下面的单元显示当前内核使用的执行文件和 Python 版本。

1
2
3
4

import sys

print("Python executable:", sys.executable)
print("Python version:", sys.version.split()[0])

执行文件路径因电脑而异。如果本地内核没有使用预期的项目虚拟环境，应检查笔记本的内核选择。要把 NumPy 安装到当前内核环境，在笔记本代码单元中执行下面的命令。

1

%pip install numpy

安装完成后，仍要单独执行 import numpy as np。升级已导入的包后，可能需要重启内核并从准备单元重新执行。安装问题应检查执行环境；找不到文件时应检查工作目录与路径。

把函数分离到模块¶

笔记本适合记录学习，但把所有代码都留在笔记本中，会让后续复用变得困难。

例如，每天读取文件并执行相同处理，或在多个项目中复用函数时，.py 文件更自然。

把下面的函数保存为 stats_utils.py。它返回非空分数列表的平均值。仅保存文件不会执行函数。

1
2

def mean(values):
    return sum(values) / len(values)

如果文件位于 Python 可以找到的当前工作目录中，就能在笔记本或其他脚本中导入。下面的输出为 67.33333333333333。

1
2
3

from stats_utils import mean

print(mean([82, 75, 45]))

笔记本保留输入与解释，模块让同一计算能在多份文档中复用。导入的模块会留在内存中，因此只修改 .py 文件并重复同一条 import，可能不会立即加载修改。这个示例中，可以重启内核并从导入单元重新运行，检查修改后的函数。

共享文档与环境准备¶

Colab FAQ 说明，分享内容包括笔记本的文本、代码、输出和评论，但不会同时分享正在使用的虚拟机、执行时准备的文件和库的安装状态。

因此，共享笔记本需要记录必要的准备步骤。

在前面说明的安装单元之后，导入包并记录版本。

下面的单元输出 NumPy 版本与平均值 67.33333333333333。版本取决于执行环境。

1
2
3
4

import numpy as np

print(np.__version__)
print(np.mean([82, 75, 45]))

如果需要文件，也要说明从哪里获取。自己的运行时中有文件，不代表别人的运行时中也有。

按任务选择环境¶

可以根据文件位置、结果记录方式和重复执行需求选择环境。

缺少包和路径错误需要不同的解决方法。应结合错误检查环境的准备状态。

案例：只存在于本地的 CSV¶

假设笔记本原本在电脑的 project 目录中读取 project/data/scores.csv，后来在全新的 Colab 远程运行时中打开。文档中的 data/scores.csv 字符串被带过去了，本地文件却没有一起传输。

下面的代码输出当前工作目录、文件的完整路径以及文件是否存在。Path.cwd() 指代码执行环境的工作目录。

1
2
3
4
5
6

from pathlib import Path

path = Path("data/scores.csv")
print("working directory:", Path.cwd())
print("resolved path:", path.resolve())
print("file exists:", path.is_file())

本地工作目录下存在该文件时，最后输出为 True。新环境的相同相对路径下没有文件时，输出为 False。此时打开文件会产生 FileNotFoundError。

在新环境准备好文件后，要让保存位置与代码路径对应。如果直接上传到工作目录下并命名为 scores.csv，就应使用 Path("scores.csv")。要保留 data/scores.csv，则需把文件放在 data 文件夹内。

把笔记本交给别人时，也要记录输入文件位置、访问权限与包安装方法，才能重新执行相同计算。

检查清单¶

• 能解释 Jupyter 与 Colab 并非同一层面的概念。
• 能区分笔记本文件（.ipynb）与运行时。
• 能解释 Colab 代码可能在远程虚拟机上执行。
• 能解释分享笔记本为何不会同时分享运行时文件与包安装状态。
• 能比较本地 Jupyter 与本地脚本。
• 能解释文件路径问题如何源于执行环境。
• 能解释同一个 .ipynb 为何会因执行位置和运行时不同而具有不同的文件、包和共享条件。

来源与参考资料¶

• Google, Google Colab FAQ, Google Colab，确认日期：2026-09-15。作为区分 notebook 中会共享的内容，以及不会一起共享的 runtime、VM、文件和已安装库状态的依据。
• Project Jupyter, Architecture, Jupyter Documentation，确认日期：2026-09-15。作为区分 Jupyter document、interface、kernel、执行位置和 runtime 的背景依据。
• Jupyter Notebook Team, The Jupyter Notebook, Jupyter Notebook documentation，确认日期：2026-07-20。作为说明本地 notebook server 和浏览器 notebook 使用流程的依据。
• Python Software Foundation, sys.executable, 核对日期：2026-09-15。确认内核 Python 执行文件的依据。
• Python Software Foundation, Modules, 核对日期：2026-09-15。模块导入及会话内复用行为的依据。
• IPython, %pip, 核对日期：2026-09-15。向当前内核环境安装包的命令依据。