P2-10.2 Jupyter、Colab 与本地执行的区别¶

Section ID: P2-10.2 Version: v2026.07.20

在 P2-10.1 中，我们把 notebook 看成一种同时包含 code、explanation 和 output 的计算文档。现在要区分三种在实践里最常遇到的执行方式。

Jupyter、Colab、本地执行。

这三个名字看起来互相重叠。Colab 也使用 Jupyter Notebook 格式，Jupyter 也可以运行在你自己的电脑上，本地执行也不仅能通过 notebook，还能通过 .py script 来完成。所以要把 在哪里执行、保存在哪里、共享的是什么 分开看。

这里说明 Jupyter、Colab、local execution、runtime、.ipynb 文件之间的关系。如果前一节解释的是 notebook 文档格式，那么这里建立的标准就是：这个文档实际上在哪里执行，以及它和什么一起被共享。 这个区分要先抓住。 只要执行地点变了，同一个 notebook 的含义也会跟着变化。

核心判断标准：Jupyter、Colab 与本地执行的区别¶

• 能把 Jupyter 解释成开源 notebook 生态，把 Colab 解释成基于 Jupyter 的托管服务。
• 能把本地执行解释成在自己电脑的 Python、文件、terminal 和 package 环境中运行的方式。
• 能区分 notebook 文件(.ipynb)和正在运行的 runtime。
• 能说明在 Colab 中 notebook 内容也许可以共享，但 runtime 里的文件与安装状态不一定会原样共享。
• 能根据学习场景判断 Colab、Jupyter 和本地 script 中哪一种应先使用。

三个标准¶

即使是同一个 .ipynb 文件，只要执行位置变了，runtime 和文件访问也会变。Colab 是托管服务，而本地 Jupyter 和本地 script 则是你更直接管理的环境。同时，notebook 文件和当前正在运行的 runtime 也是不同的。只要这个区分建立起来，Chapter 10 就不再只是 notebook 服务比较，而更像 理解执行记录放在哪里、在什么条件下存在 的一章。

换句话说，这一章的核心是：问题已经从 我们要把什么留在一个文档里？ 移向 这个文档实际上是在什么地方、什么条件下执行的？。在 P2-10.3 中，这种执行差异会再被整理成留下可复现记录的习惯。

Jupyter 和 Colab 不是同一层级的词¶

Google Colab FAQ 把 Jupyter 解释成 Colab 所依赖的开源项目。同时也把 Colab 解释成一种 hosted 服务，让你不必自己下载、安装和运行，就能使用和共享 Jupyter notebook。

这里这样区分它们。

所以 Jupyter 还是 Colab？ 这个问题，并不是完全对立的选择。Colab 是基于 Jupyter Notebook 格式和工作流的服务。不同点在于：用户不需要直接管理安装和 server 执行。

把 notebook 文件和执行位置分开看¶

最常见的混淆点，是把文件和执行状态看成一回事。

Notebook 文件通常是 .ipynb 格式。Jupyter 架构文档解释说，Jupyter Notebook 是一种结构化数据，用来表示 code、metadata、content 和 output；而在磁盘上保存时，它使用 .ipynb 扩展名和 JSON 结构。

但 有这个文件 和 这段代码正在运行 并不是一回事。

这个区分重要的原因很简单。Notebook 文件可以留下来，但 runtime 可能会消失；即使 code cell 还在，那些在 runtime 中安装的 package 或临时生成的文件，也可能会消失。

Colab FAQ 也说明，Colab 代码运行在分配给账号的 virtual machine 中，而这个 virtual machine 会在空闲一段时间后被删除，并且有最大寿命限制。

一次性看懂三种环境的差别¶

下面这张表只整理学习者一开始最需要知道的差别。

这张表里重要的不是 哪一个永远最好？。当学习目的和执行目的变化时，合适的环境也会变化。

Colab 会降低启动门槛¶

Colab 的大优点是启动门槛低。在你还没有在自己的 PC 上安装 Python、Jupyter、NumPy、pandas 之前，就可以直接在浏览器里运行代码。

对于这个 Part 前半段那种练习，例如小型数学计算、列表和字典例子、简单的 NumPy 检查，Colab 往往已经够用了。

Colab 适合以下情况。

• 还没有安装 Python。
• 想在另一台电脑上也打开同一份 notebook。
• 想通过链接共享 code、explanation 和 result。
• 想用小数据快速确认一个概念。
• 想短暂测试 GPU 或 TPU 这样的加速环境。

但 Colab 是外部服务。免费资源并不保证永远存在，也不是无限的；使用限制和 runtime 结束条件都可能变化。Colab FAQ 也说明，使用限制、空闲终止、最大 runtime 和 GPU 类型都可能随着时间变化。

因此，更安全的理解方式是：不要把 Colab 看成 一直在那里等我的电脑，而要把它看成一个能快速开始学习与实验的远程工作空间。

本地 Jupyter 会在你自己的环境中运行 notebook¶

本地 Jupyter 是在你自己的电脑，或者你自己管理的 server 上运行 Jupyter Notebook 或 JupyterLab 的方式。

它的优势是：你可以直接控制文件和环境。

• 可以直接读写你 PC 文件夹里的文件。
• 可以直接选择 virtual environment。
• 可以管理 package 版本，使其和项目匹配。
• 可以较少依赖网络连接或外部服务政策。

但需要准备的东西也会更多。

• 必须已经安装 Python。
• 可能还要安装和 Jupyter 相关的 package。
• 要按项目管理 virtual environment。
• 如果要在另一台电脑上复现，就必须记录 dependency。

所以在这里，更自然的路线是：先用 Colab 降低执行门槛，再把本地安装和 virtual environment 变得必要的时机，交给 Part 2 Chapter 7 Section 7 去单独处理。

本地 script 更适合重复执行和复用¶

Notebook 对学习记录很好，但如果所有代码都只留在 notebook 中，之后复用会变得困难。

例如，如果你必须每天读取一个数据文件并重复同样处理，或者同一个函数要在多个项目里复用，那么 .py 文件通常更自然。

问题场景：你想把最初在 notebook 中验证的计算，迁移成一个以后可以反复复用的函数。 输入(input)：一个函数定义，它接收数字列表并返回平均值。 期望输出(output)：虽然没有输出，但会形成一个可复用的函数形式。 要确认的概念：看到一旦需要重复执行和复用，notebook 代码就可以迁移成 .py 函数。

1
2
3

# 这个例子检查函数、包和文件路径会如何随执行环境而变化。
def mean(values):
    return sum(values) / len(values)

这个函数可以先在 notebook 里实验。但一旦需要反复复用，它就可能更适合被移动到像 stats_utils.py 这样的文件里。

这里自然的顺序如下。

1. 先在 notebook 中通过小例子理解。
2. 当代码变长时，把它打包成函数。
3. 当它开始被重复使用时，把它拆分成 .py 文件。
4. 如果它必须在另一台电脑上运行，就记录 dependency 和执行方式。

Notebook 和 script 不是竞争关系。Notebook 强在探索和解释，script 强在重复执行和复用。

共享时要确认到底共享了什么¶

Colab FAQ 说明，共享 notebook 时，notebook 里的 text、code、output、comments 等完整内容都可能被共享。相反，你正在使用的 virtual machine、执行过程中准备的文件，以及安装好的库状态，并不会原样一起共享。

这个差别非常重要。

所以，一个准备共享的 notebook，应该把必要的准备过程一起留在文档内部。

例如，把下面这些内容放在前面的 cell 中。

问题场景：你想让别人重跑 Colab notebook 时，先安装所需 package。 输入(input)：一个用于安装 numpy 的 %pip 命令。 期望输出(output)：numpy 会被安装到当前 kernel 中。 要确认的概念：看到共享 notebook 应该把必要准备过程留在前面的 cell 中，才能让重跑更容易。

1
2

# 这个例子检查函数、包和文件路径会如何随执行环境而变化。
%pip install numpy

然后在代码里，把必要的 import 明确写出来。

问题场景：你想清楚展示实际代码在安装之后用到了哪个 package。 输入(input)：把 numpy 以 np 名称导入的代码。 期望输出(output)：虽然没有输出，但后面的 cell 已准备好可以使用 np。 要确认的概念：看到把安装 cell 和 import cell 分开，会让执行环境依赖更明显。

1
2

# 这个例子检查函数、包和文件路径会如何随执行环境而变化。
import numpy as np

如果还需要文件，就必须把这个文件该从哪里获得也写出来。因为文件即使在你的 runtime 里存在，在别人的 runtime 里也未必存在。

文件访问会随着环境而变化¶

即使是同一段代码，文件路径也会随着执行环境而变化。

例如，在本地 PC 上，当前项目文件夹里可能有 data/scores.csv。

问题场景：你想通过最简单的路径例子，看懂为什么读文件代码会随着环境而改变。 输入(input)：一个基于本地项目的文件路径字符串。 期望输出(output)：虽然没有输出，但代码想找的文件变得可见。 要确认的概念：看到文件问题不一定来自代码语法，也可能来自执行环境和路径差异。

1
2

# 这个例子检查函数、包和文件路径会如何随执行环境而变化。
path = "data/scores.csv"

在 Colab 里，同样的文件可能并不存在于 runtime 中。路径会因为你是上传了文件、挂载了 Google Drive，还是从 GitHub 下载而不同。

这里先检查下面这些问题。

文件问题看起来像代码错误，但很多时候，真正的问题是执行环境。

应该先选择哪种环境？¶

在跟着这个 Part 做练习时，可以用下面这个标准开始。

没有必要一开始就选一个完美环境。重要的是，当练习卡住时，先把问题分成：这是代码问题、package 问题、文件位置问题，还是 runtime 问题？

通过案例来看¶

案例 1. 为什么同一个 CSV 文件在 Colab 里打不开？¶

假设某个学习者昨天在本地 Jupyter 里成功读取了 data/scores.csv，但第二天把同样代码放到 Colab 里运行时，却出现了 找不到文件 的错误。从人的角度看，很容易觉得是 昨天还对的代码 自己坏掉了。

但真实问题更可能是执行位置，而不是代码本身。在本地 Jupyter 中，你自己电脑的文件夹直接可见；而在 Colab 中，远程 runtime 会重新打开，里面未必有同样的文件。结果会因为是否连接了 Drive、是否上传了文件、是否存在下载 cell 而不同。

这个案例帮助你把 Jupyter、Colab 和 local execution 读成执行环境的差异，而不是功能名称。即使是同一个 .ipynb 文档，文件路径、安装状态、保留下来的 runtime 都会随着执行地点不同而改变。

所以，在阅读练习文档时，先检查 这段代码是在哪里执行的？、这个文件在哪里？、如果别人重新运行，能不能看到同一个文件？。只有先分清环境，错误原因才能更快缩小。

检查清单¶

• 能说明 Jupyter 和 Colab 并不是完全同一层级的词。
• 能区分 notebook 文件(.ipynb)和 runtime。
• 能说明 Colab 中的 code 可以在远程 virtual machine 上运行。
• 能说明共享的 notebook 不一定会连同 runtime 文件和安装状态一起共享。
• 能区分本地 Jupyter 和本地 script 的优缺点。
• 能说明文件路径问题其实可能是执行环境问题。
• 能说明即使是同一个 .ipynb 文件，只要执行位置和 runtime 不同，文件、package 和共享条件也会不同。

来源与参考资料¶

• Google, Google Colab FAQ, Google Colab，确认日期：2026-07-20。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 4.1.1 alpha，确认日期：2026-07-20。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。