随着Python语言在数据分析、机器学习、人工智能等领域的广泛应用，Jupyter笔记本因其交互性和便捷性而受到众多开发者的青睐。然而，在共享代码或协作开发的过程中，一个常见却又令人头疼的问题是如何精准地获知当前运行环境的Python版本及其所依赖的包版本。准确了解这些信息，不仅有助于环境的搭建与迁移，还能有效避免因版本差异导致的潜在兼容性问题。 在Jupyter笔记本中确定Python版本和包版本的核心目的是重现执行环境，尤其在线上平台如Google Colab、Kaggle或DeepLearning.AI等公共运行环境中，这一点显得尤为重要。线上环境不断更新，包版本时常发生变动，而开发者可能需要将项目迁移到本地机器或服务器上进行进一步开发，这时若不事先明确版本信息，很容易陷入“依赖地狱”，浪费大量时间排查问题。 要从Jupyter笔记本中获取Python版本，最直接的方式是借助Python自带的sys模块。
通过sys.version_info可以轻松读取主版本号和次版本号，从而得知具体的Python版本。在实际操作中，只需在笔记本的一个代码单元格中输入简短的代码片段即可显示当前Python环境的版本信息。例如，执行import sys后，读取sys.version_info的major和minor属性，组合成标准的版本号字符串。这样不仅简洁高效，还兼容各种Python三版本。 了解包版本则可以通过pip工具实现。pip作为Python的包管理器，提供了freeze命令来输出当前环境中所有安装包的精确版本及其依赖关系。
结合Python的subprocess模块，可以在Jupyter笔记本内运行系统命令，捕获并处理pip freeze的输出。将结果格式化成易读的文本后，用户便可快速获得完整的包依赖列表。此列表更适合用作后续虚拟环境的依赖文件requirements.txt，能保证未来环境的准确重建而不出现版本漂移。 在使用pip freeze的结果时，需要注意一些特殊情况。部分包可能会包含本地文件路径的引用 @ file:///，这种格式在迁移到新环境时不适用，建议在生成requirements.txt时将其剔除。另外，一些深度学习框架如PyTorch，包名称后常带有+cpu等后缀，可能会导致包索引不匹配，通常应去除这些后缀以确保pip能够正常识别和安装标准版本。
为了将版本信息更加规范地呈现给用户和项目维护者，可以设计一个专门的Python脚本或函数，集成以上操作。运行后不仅显示Python版本，还会输出详细的依赖包列表及安装建议，包括如何通过Homebrew在Mac系统中安装指定版本的Python，如何创建和激活虚拟环境，以及如何通过生成的requirements文件安装所有依赖。这样，开发者即可依照提示一步步复刻项目环境，实现代码在不同环境下的无缝迁移。 虚拟环境的重要性在这里尤为突出。虚拟环境能够将项目的包依赖与系统环境隔离，防止版本冲突。通过sys.version_info获取的准确Python版本号，可以指导用户创建匹配的虚拟环境，避免由于Python版本不一致引发的问题。
常用的创建虚拟环境命令包括pythonX.Y -m venv .venv，其中X.Y代表Python主版本号和次版本号。虚拟环境激活脚本则依操作系统不同而异，Mac或Linux使用source .venv/bin/activate，而Windows则是.venv\Scripts\activate。 此外，对于更复杂的依赖结构，有工具如pipdeptree可用于生成依赖树，帮助开发者了解包之间的上下游关系。但在简单快速获取版本锁定需求时，pip freeze凭借其简洁和适用性依然是首选。对输出结果稍作处理便能生成适合直接使用的requirements.txt文件。 使用上述方法获取当前Jupyter笔记本运行环境的Python版本及包版本，不仅利于环境迁移，也方便团队成员之间共享一致的运行设置，确保代码兼容性和运行稳定。
对于持续集成与持续部署(CI/CD)等自动化流程中自动检测环境版本亦有极大帮助，能够最大限度降低因环境差异造成的构建失败几率。 值得一提的是，很多云端Jupyter环境会预装大量包，有些甚至多年未更新。自行锁定当前包版本，能够有效避免后续更新带来的不兼容风险。用户也可以将生成的requirements.txt文件上传至版本控制系统，配合Docker等容器技术，构建标准化和可重复的运行环境。 总结来看，在Jupyter笔记本中确定Python及包版本的关键在于利用sys模块获得精确的Python版本信息，通过pip freeze导出完整的包版本列表，并对此结果进行适当清理和格式调整，最终形成规范明确的环境描述文件。这样不仅方便个人环境的搭建，更为团队协作和项目复现提供了坚实基础。
学会这些技巧，能够帮助广大数据科学家、开发工程师和研究人员更高效地管理Python项目及依赖，减少由于环境差异而带来的调试时间，提升整体工作流的专业度和稳定性。
