Python Data Science Handbook（在线版）

请帮我把「Python Data Science Handbook（在线版）」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://jakevdp.github.io/PythonDataScienceHandbook/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：建立数据科学练习本。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：按每节 notebook 运行示例，并在个人副本中改变数据/参数解释结果；本书主要是示例而非统一评分作业，追加任务明确标为本站练习。 官方仓库代码为 MIT，文字为 CC BY-NC-ND 3.0 Unported。原始 notebook 保留在 official，执行副本放 exercises。先完成 02.01 数据类型章节；后续旧版 pandas.append/Basemap 等接口未全量验证，遇到错误先核对章节版本，不改写原文件。
课节（官方顺序）：
1. Preface：https://jakevdp.github.io/PythonDataScienceHandbook/00.00-preface.html
2. 1. IPython: Beyond Normal Python：https://jakevdp.github.io/PythonDataScienceHandbook/01.00-ipython-beyond-normal-python.html
3. Help and Documentation in IPython：https://jakevdp.github.io/PythonDataScienceHandbook/01.01-help-and-documentation.html
4. Keyboard Shortcuts in the IPython Shell：https://jakevdp.github.io/PythonDataScienceHandbook/01.02-shell-keyboard-shortcuts.html
5. IPython Magic Commands：https://jakevdp.github.io/PythonDataScienceHandbook/01.03-magic-commands.html
6. Input and Output History：https://jakevdp.github.io/PythonDataScienceHandbook/01.04-input-output-history.html
7. IPython and Shell Commands：https://jakevdp.github.io/PythonDataScienceHandbook/01.05-ipython-and-shell-commands.html
8. Errors and Debugging：https://jakevdp.github.io/PythonDataScienceHandbook/01.06-errors-and-debugging.html
9. Profiling and Timing Code：https://jakevdp.github.io/PythonDataScienceHandbook/01.07-timing-and-profiling.html
10. More IPython Resources：https://jakevdp.github.io/PythonDataScienceHandbook/01.08-more-ipython-resources.html
11. 2. Introduction to NumPy：https://jakevdp.github.io/PythonDataScienceHandbook/02.00-introduction-to-numpy.html
12. Understanding Data Types in Python：https://jakevdp.github.io/PythonDataScienceHandbook/02.01-understanding-data-types.html
13. The Basics of NumPy Arrays：https://jakevdp.github.io/PythonDataScienceHandbook/02.02-the-basics-of-numpy-arrays.html
14. Computation on NumPy Arrays: Universal Functions：https://jakevdp.github.io/PythonDataScienceHandbook/02.03-computation-on-arrays-ufuncs.html
15. Aggregations: Min, Max, and Everything In Between：https://jakevdp.github.io/PythonDataScienceHandbook/02.04-computation-on-arrays-aggregates.html
16. Computation on Arrays: Broadcasting：https://jakevdp.github.io/PythonDataScienceHandbook/02.05-computation-on-arrays-broadcasting.html
17. Comparisons, Masks, and Boolean Logic：https://jakevdp.github.io/PythonDataScienceHandbook/02.06-boolean-arrays-and-masks.html
18. Fancy Indexing：https://jakevdp.github.io/PythonDataScienceHandbook/02.07-fancy-indexing.html
19. Sorting Arrays：https://jakevdp.github.io/PythonDataScienceHandbook/02.08-sorting.html
20. Structured Data: NumPy's Structured Arrays：https://jakevdp.github.io/PythonDataScienceHandbook/02.09-structured-data-numpy.html
21. 3. Data Manipulation with Pandas：https://jakevdp.github.io/PythonDataScienceHandbook/03.00-introduction-to-pandas.html
22. Introducing Pandas Objects：https://jakevdp.github.io/PythonDataScienceHandbook/03.01-introducing-pandas-objects.html
23. Data Indexing and Selection：https://jakevdp.github.io/PythonDataScienceHandbook/03.02-data-indexing-and-selection.html
24. Operating on Data in Pandas：https://jakevdp.github.io/PythonDataScienceHandbook/03.03-operations-in-pandas.html
25. Handling Missing Data：https://jakevdp.github.io/PythonDataScienceHandbook/03.04-missing-values.html
26. Hierarchical Indexing：https://jakevdp.github.io/PythonDataScienceHandbook/03.05-hierarchical-indexing.html
27. Combining Datasets: Concat and Append：https://jakevdp.github.io/PythonDataScienceHandbook/03.06-concat-and-append.html
28. Combining Datasets: Merge and Join：https://jakevdp.github.io/PythonDataScienceHandbook/03.07-merge-and-join.html
29. Aggregation and Grouping：https://jakevdp.github.io/PythonDataScienceHandbook/03.08-aggregation-and-grouping.html
30. Pivot Tables：https://jakevdp.github.io/PythonDataScienceHandbook/03.09-pivot-tables.html
31. Vectorized String Operations：https://jakevdp.github.io/PythonDataScienceHandbook/03.10-working-with-strings.html
32. Working with Time Series：https://jakevdp.github.io/PythonDataScienceHandbook/03.11-working-with-time-series.html
33. High-Performance Pandas: eval() and query()：https://jakevdp.github.io/PythonDataScienceHandbook/03.12-performance-eval-and-query.html
34. Further Resources：https://jakevdp.github.io/PythonDataScienceHandbook/03.13-further-resources.html
35. 4. Visualization with Matplotlib：https://jakevdp.github.io/PythonDataScienceHandbook/04.00-introduction-to-matplotlib.html
36. Simple Line Plots：https://jakevdp.github.io/PythonDataScienceHandbook/04.01-simple-line-plots.html
37. Simple Scatter Plots：https://jakevdp.github.io/PythonDataScienceHandbook/04.02-simple-scatter-plots.html
38. Visualizing Errors：https://jakevdp.github.io/PythonDataScienceHandbook/04.03-errorbars.html
39. Density and Contour Plots：https://jakevdp.github.io/PythonDataScienceHandbook/04.04-density-and-contour-plots.html
40. Histograms, Binnings, and Density：https://jakevdp.github.io/PythonDataScienceHandbook/04.05-histograms-and-binnings.html
41. Customizing Plot Legends：https://jakevdp.github.io/PythonDataScienceHandbook/04.06-customizing-legends.html
42. Customizing Colorbars：https://jakevdp.github.io/PythonDataScienceHandbook/04.07-customizing-colorbars.html
43. Multiple Subplots：https://jakevdp.github.io/PythonDataScienceHandbook/04.08-multiple-subplots.html
44. Text and Annotation：https://jakevdp.github.io/PythonDataScienceHandbook/04.09-text-and-annotation.html
45. Customizing Ticks：https://jakevdp.github.io/PythonDataScienceHandbook/04.10-customizing-ticks.html
46. Customizing Matplotlib: Configurations and Stylesheets：https://jakevdp.github.io/PythonDataScienceHandbook/04.11-settings-and-stylesheets.html
47. Three-Dimensional Plotting in Matplotlib：https://jakevdp.github.io/PythonDataScienceHandbook/04.12-three-dimensional-plotting.html
48. Geographic Data with Basemap：https://jakevdp.github.io/PythonDataScienceHandbook/04.13-geographic-data-with-basemap.html
49. Visualization with Seaborn：https://jakevdp.github.io/PythonDataScienceHandbook/04.14-visualization-with-seaborn.html
50. Further Resources：https://jakevdp.github.io/PythonDataScienceHandbook/04.15-further-resources.html
51. 5. Machine Learning：https://jakevdp.github.io/PythonDataScienceHandbook/05.00-machine-learning.html
52. What Is Machine Learning?：https://jakevdp.github.io/PythonDataScienceHandbook/05.01-what-is-machine-learning.html
53. Introducing Scikit-Learn：https://jakevdp.github.io/PythonDataScienceHandbook/05.02-introducing-scikit-learn.html
54. Hyperparameters and Model Validation：https://jakevdp.github.io/PythonDataScienceHandbook/05.03-hyperparameters-and-model-validation.html
55. Feature Engineering：https://jakevdp.github.io/PythonDataScienceHandbook/05.04-feature-engineering.html
56. In Depth: Naive Bayes Classification：https://jakevdp.github.io/PythonDataScienceHandbook/05.05-naive-bayes.html
57. In Depth: Linear Regression：https://jakevdp.github.io/PythonDataScienceHandbook/05.06-linear-regression.html
58. In-Depth: Support Vector Machines：https://jakevdp.github.io/PythonDataScienceHandbook/05.07-support-vector-machines.html
59. In-Depth: Decision Trees and Random Forests：https://jakevdp.github.io/PythonDataScienceHandbook/05.08-random-forests.html
60. In Depth: Principal Component Analysis：https://jakevdp.github.io/PythonDataScienceHandbook/05.09-principal-component-analysis.html
61. In-Depth: Manifold Learning：https://jakevdp.github.io/PythonDataScienceHandbook/05.10-manifold-learning.html
62. In Depth: k-Means Clustering：https://jakevdp.github.io/PythonDataScienceHandbook/05.11-k-means.html
63. In Depth: Gaussian Mixture Models：https://jakevdp.github.io/PythonDataScienceHandbook/05.12-gaussian-mixtures.html
64. In-Depth: Kernel Density Estimation：https://jakevdp.github.io/PythonDataScienceHandbook/05.13-kernel-density-estimation.html
65. Application: A Face Detection Pipeline：https://jakevdp.github.io/PythonDataScienceHandbook/05.14-image-features.html
66. Further Machine Learning Resources：https://jakevdp.github.io/PythonDataScienceHandbook/05.15-learning-more.html
67. Appendix: Figure Code：https://jakevdp.github.io/PythonDataScienceHandbook/06.00-figure-code.html

1. 环境
- Python 3 独立虚拟环境；按官方作业依赖安装，Notebook 使用 Jupyter。
- 在课程专用目录中准备环境，不修改全局依赖或其他项目环境。
- 记录软件版本；先跑导入、编译器版本或官方离线示例，付费模型调用和提交作业不属于环境自检。
- 官方仓库代码为 MIT，文字为 CC BY-NC-ND 3.0 Unported。原始 notebook 保留在 official，执行副本放 exercises。先完成 02.01 数据类型章节；后续旧版 pandas.append/Basemap 等接口未全量验证，遇到错误先核对章节版本，不改写原文件。
- 本站首课最小环境（不是官方全部作业锁定依赖）：在课程目录执行 python3.12 -m venv .venv；再执行 ./.venv/bin/python -m pip install numpy pandas scipy matplotlib scikit-learn jupyterlab ipykernel。安装失败保留错误，不把包能导入等同于干净机器重装成功。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程表与材料：只记录链接 https://jakevdp.github.io/PythonDataScienceHandbook/（仅保存链接；未确认统一下载许可，不批量复制课件或视频。）
- 作者官方 notebook 仓库：git clone --depth 1 https://github.com/jakevdp/PythonDataScienceHandbook 到 official/（许可：文字 CC BY-NC-ND 3.0 Unported；代码 MIT）；官方文件原样保留，练习修改放个人工作副本；不将改编文字公开再分发。；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
3. 目录（最外层放在我确认的位置）
python-data-science/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── official/        # 官方材料
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-lesson-01/
    ├── 02-lesson-02/
    ├── 03-lesson-03/
    ├── 04-lesson-04/
    ├── 05-lesson-05/
    ├── 06-lesson-06/
    ├── 07-lesson-07/
    ├── 08-lesson-08/
    ├── 09-lesson-09/
    ├── 10-lesson-10/
    ├── 11-lesson-11/
    ├── 12-lesson-12/
    ├── 13-lesson-13/
    ├── 14-lesson-14/
    ├── 15-lesson-15/
    ├── 16-lesson-16/
    ├── 17-lesson-17/
    ├── 18-lesson-18/
    ├── 19-lesson-19/
    ├── 20-lesson-20/
    ├── 21-lesson-21/
    ├── 22-lesson-22/
    ├── 23-lesson-23/
    ├── 24-lesson-24/
    ├── 25-lesson-25/
    ├── 26-lesson-26/
    ├── 27-lesson-27/
    ├── 28-lesson-28/
    ├── 29-lesson-29/
    ├── 30-lesson-30/
    ├── 31-lesson-31/
    ├── 32-lesson-32/
    ├── 33-lesson-33/
    ├── 34-lesson-34/
    ├── 35-lesson-35/
    ├── 36-lesson-36/
    ├── 37-lesson-37/
    ├── 38-lesson-38/
    ├── 39-lesson-39/
    ├── 40-lesson-40/
    ├── 41-lesson-41/
    ├── 42-lesson-42/
    ├── 43-lesson-43/
    ├── 44-lesson-44/
    ├── 45-lesson-45/
    ├── 46-lesson-46/
    ├── 47-lesson-47/
    ├── 48-lesson-48/
    ├── 49-lesson-49/
    ├── 50-lesson-50/
    ├── 51-lesson-51/
    ├── 52-lesson-52/
    ├── 53-lesson-53/
    ├── 54-lesson-54/
    ├── 55-lesson-55/
    ├── 56-lesson-56/
    ├── 57-lesson-57/
    ├── 58-lesson-58/
    ├── 59-lesson-59/
    ├── 60-lesson-60/
    ├── 61-lesson-61/
    ├── 62-lesson-62/
    ├── 63-lesson-63/
    ├── 64-lesson-64/
    ├── 65-lesson-65/
    ├── 66-lesson-66/
    └── 67-lesson-67/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - 在课程 .venv 对应的 Python 代码单元中执行（不是 shell 命令）：import numpy, pandas, matplotlib, ipykernel; print(numpy.arange(3).tolist())  → [0, 1, 2]；随后选择该虚拟环境的 Jupyter kernel，执行 official/notebooks/02.01-Understanding-Data-Types.ipynb 的工作副本
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。