📚 课程目录第2章环境配置基础

2. 环境配置基础：操作系统选择、Python版本管理与虚拟环境搭建

补货计划系统的工程落地，首先需要建立一套稳定、可复现的运行环境。环境配置的决策直接影响后续依赖管理、部署流水线以及生产运维的复杂度。本节从操作系统选型、Python版本管理、虚拟环境搭建三个层面展开，为后续的补货算法开发与系统集成奠定基础。

2.1 操作系统选择：Linux vs Windows

在供应链计划系统中，补货模块通常作为微服务或批处理任务运行。操作系统的选择需要综合考虑开发效率、运行时稳定性、容器化兼容性以及团队技术栈。

对比维度	Linux（推荐 Ubuntu 22.04 LTS / CentOS Stream 9）	Windows Server 2022
生产环境占比	超过 90% 的云原生与容器化部署	约 5-8%，多见于传统 ERP 集成场景
Python 生态兼容性	原生支持，编译扩展（如 numpy/scipy）预编译包完善	需安装 VC++ 编译工具链，部分科学计算库存在路径编码问题
容器化支持	Docker/Podman 原生运行，镜像体积小	需启用 WSL2 或 Hyper-V，镜像体积大
补货调度工具	cron / systemd timer / Airflow 原生支持	Task Scheduler / Airflow 需额外配置
文件系统与路径	区分大小写，路径分隔符为 `/`	不区分大小写，路径分隔符为 `\`
运维成本	命令行操作，自动化脚本成熟	GUI 与 PowerShell 混合，自动化门槛较高

工程建议： 开发团队统一使用 Linux 环境（推荐 Ubuntu 22.04 LTS），可大幅降低环境差异导致的“在我机器上能跑”问题。若团队必须使用 Windows 开发，建议通过 WSL2 或 Dev Containers 保持与生产环境一致。

2.2 Python 版本管理

补货计划系统依赖多个数据科学库（pandas、numpy、scikit-learn）和 Web 框架（FastAPI、Flask）。不同库对 Python 版本有严格兼容要求，因此版本管理是环境配置的核心环节。

2.2.1 版本选择策略

生产环境： 选择 Python 3.10 或 3.11（当前 LTS 兼容性最佳，pandas 2.x 与 numpy 1.24+ 均稳定支持）。
开发环境： 与生产环境保持大版本一致，小版本可略高（如 3.11.9），用于提前验证新特性。
避免： 使用 Python 3.7 以下（已停止安全更新）或 Python 3.13+（部分供应链库尚未适配）。

2.2.2 版本管理工具对比

工具	适用场景	核心命令	优点	缺点
pyenv	单机多版本切换	`pyenv install 3.11.9` `pyenv global 3.11.9`	轻量、无侵入、支持源码编译	Windows 需通过 pyenv-win 或 WSL2
conda	数据科学/复杂依赖环境	`conda create -n repl python=3.11`	同时管理 Python 版本与非 Python 库（如 HDF5、ICU）	环境体积大，包解析速度较慢
系统包管理器	CI/CD 容器镜像构建	`apt install python3.11`	与系统集成度高	版本选择受限，不易切换

  推荐组合： 开发机使用 pyenv 管理 Python 版本 + venv 管理项目虚拟环境；CI/CD 流水线使用 Docker 镜像固定 Python 版本（如 python:3.11-slim）。

2.3 虚拟环境搭建：venv 与 conda

虚拟环境用于隔离不同项目的依赖，避免全局包冲突。补货计划系统通常包含多个微服务（需求预测、库存优化、补货执行），每个服务应有独立的虚拟环境。

2.3.1 venv（Python 内置，推荐轻量项目）

venv 是 Python 3.3+ 内置的虚拟环境工具，无需额外安装，适合纯 Python 依赖的补货计算模块。

# 创建虚拟环境（在项目根目录执行）
python3.11 -m venv .venv

# 激活环境（Linux/macOS）
source .venv/bin/activate

# 激活环境（Windows PowerShell）
.venv\Scripts\Activate.ps1

# 安装补货计划核心依赖
pip install --upgrade pip
pip install pandas==2.1.4 numpy==1.26.2 scikit-learn==1.3.2
pip install fastapi==0.104.1 uvicorn==0.24.0

# 冻结依赖清单
pip freeze > requirements.txt

# 退出环境
deactivate

2.3.2 conda（适合数据科学 + 非 Python 依赖）

当补货系统需要集成 C++ 扩展库（如 OR-Tools、COIN-OR）或特定版本的 BLAS/LAPACK 时，conda 的二进制包管理优势明显。

# 创建 conda 环境并指定 Python 版本
conda create -n replenishment python=3.11

# 激活环境
conda activate replenishment

# 安装补货相关包（conda 优先，pip 补充）
conda install pandas numpy scikit-learn
conda install -c conda-forge ortools
pip install fastapi uvicorn  # conda 源未收录时用 pip

# 导出环境配置
conda env export > environment.yml

# 退出环境
conda deactivate

2.3.3 venv vs conda 选型决策

决策条件	推荐方案	原因
纯 Python 项目，依赖全部来自 PyPI	venv + pip	轻量、标准、CI/CD 镜像构建快
项目依赖 OR-Tools、Gurobi、CoinOR 等 C++ 库	conda	conda 提供预编译二进制，避免源码编译失败
团队使用 Windows 且不愿配置 WSL2	conda	conda 在 Windows 上对科学计算库支持更完善
Docker 容器化部署	venv（在 Dockerfile 中）	镜像层更少，构建缓存更高效

2.4 环境配置架构总览

下图展示了从操作系统到虚拟环境的完整配置链路，以及各层在补货计划系统中的作用。

2.5 常见问题与避坑指南

⚠ 路径编码问题： 在 Windows 上使用 venv 时，若项目路径包含中文字符或空格，可能导致 pip 安装失败。解决方案：项目根目录使用纯英文路径，或迁移至 WSL2 环境。

Python 版本不匹配： 使用 python --version 确认当前环境版本；在 pyproject.toml 中通过 requires-python = ">=3.10, <3.12" 约束。
虚拟环境激活失败： 检查执行策略（Windows PowerShell 需 Set-ExecutionPolicy RemoteSigned）；Linux 下确认 source 命令正确。
依赖冲突： 补货系统常同时依赖 pandas 与 polars，两者可能因 Arrow 版本冲突。建议使用 pip install --dry-run 预检依赖树。
conda 环境膨胀： 定期使用 conda clean --all 清理缓存；避免在基础环境中安装包，始终使用命名环境。

2.6 环境验证清单

完成环境配置后，建议执行以下验证步骤，确保补货计划系统的基础环境就绪：

操作系统验证： uname -a（Linux）或 systeminfo | findstr /B /C:"OS Name"（Windows）
Python 版本验证： python --version 输出应为 Python 3.11.x
虚拟环境验证： which python（Linux/macOS）或 where python（Windows）指向项目虚拟环境路径
核心依赖验证： 运行 python -c "import pandas; import numpy; import sklearn; print('OK')"
路径兼容性验证： 在项目根目录创建包含中文路径的临时文件，确认 pandas.read_csv() 可正常读取

自动化建议： 将上述验证步骤写入 Makefile 或 scripts/verify_env.sh，纳入 CI 流水线的前置检查阶段，确保每次环境变更后自动验证。