2. Python数据分析环境搭建：Anaconda安装、Jupyter Notebook配置、虚拟环境创建、必备库安装

本章将带领你从零开始搭建一套完整的Python数据分析与实时监控开发环境。我们将依次完成Anaconda发行版的安装、Jupyter Notebook的配置与启动、虚拟环境的创建与管理，以及pandas、numpy、flask、websockets等必备库的安装。这套环境将贯穿整个课程，支撑后续的数据清洗、分析建模与看板部署。

2.1 Anaconda安装

Anaconda是一个开源的Python发行版，它预装了conda包管理器、Python解释器以及超过1500个数据科学常用库。使用Anaconda可以避免手动安装底层依赖（如BLAS、LAPACK）的繁琐过程，是数据分析入门的最佳选择。

2.1.1 下载与安装步骤

1. 访问官网： 打开 https://www.anaconda.com/products/individual，选择对应操作系统的安装包（Windows/macOS/Linux）。
2. 运行安装程序：
   • Windows： 双击 .exe 文件，建议勾选 "Add Anaconda to my PATH environment variable"（便于命令行直接调用）。
   • macOS： 双击 .pkg 文件，按向导完成安装。
   • Linux： 在终端执行 bash Anaconda3-*.sh，按提示输入 yes 确认许可协议。
3. 验证安装： 打开终端（Windows下为Anaconda Prompt），输入 conda --version，若返回版本号（如 conda 24.9.2）则表示安装成功。

2.1.2 Anaconda Navigator图形界面

安装完成后，可以通过Anaconda Navigator（图形化启动器）管理环境和启动应用。下图展示了Navigator的核心功能模块：

2.2 Jupyter Notebook配置

Jupyter Notebook是一个基于Web的交互式计算环境，支持实时代码、可视化图表和Markdown文档的混合编辑，是数据分析工作的标准工具。

2.2.1 启动Jupyter Notebook

在终端（或Anaconda Prompt）中执行以下命令即可启动：

# 启动Jupyter Notebook（默认端口8888）
jupyter notebook

# 指定端口启动（避免端口冲突）
jupyter notebook --port=9999

# 启动时不自动打开浏览器
jupyter notebook --no-browser

启动后，终端会输出一个包含的URL，复制到浏览器即可打开Notebook界面。

2.2.2 常用配置项

2.3 虚拟环境创建

虚拟环境是Python开发中隔离项目依赖的最佳实践。不同项目可能依赖不同版本的库（如pandas 1.5 vs 2.0），使用虚拟环境可以避免版本冲突。

2.3.1 conda虚拟环境管理命令

以下表格列出了最常用的conda环境操作命令：

2.3.2 为本课程创建专属环境

我们为本课程创建一个名为 kpi_monitor 的虚拟环境，并安装所有必备库：

# 第一步：创建环境（Python 3.10）
conda create -n kpi_monitor python=3.10 -y

# 第二步：激活环境
conda activate kpi_monitor

# 第三步：安装核心数据分析库
conda install pandas numpy -y

# 第四步：安装Web框架与实时通信库
pip install flask websockets

# 第五步：验证安装
python -c "import pandas; import numpy; import flask; import websockets; print('所有库安装成功！')"

2.4 必备库安装详解

本课程的核心依赖包括四个库，它们分别承担数据分析、Web服务和实时通信的职责。下表总结了各库的作用与版本要求：

2.4.1 库依赖关系与架构

下图展示了四个库在数据分析与实时监控系统中的协作关系：

2.5 环境验证与测试

完成所有安装后，我们通过一个简短的测试脚本来验证环境是否正常工作。在Jupyter Notebook中新建一个Python文件，输入以下代码并运行：

# 环境验证脚本
import pandas as pd
import numpy as np
import flask
import websockets

print("=" * 50)
print("✅ 环境验证通过！所有库导入成功")
print("=" * 50)

# 测试pandas + numpy协同工作
data = {
    '指标': ['CPU使用率', '内存使用率', '磁盘IO', '网络延迟'],
    '当前值': [78.5, 62.3, 45.1, 12.8],
    '阈值': [90.0, 85.0, 80.0, 50.0]
}
df = pd.DataFrame(data)
df['状态'] = np.where(df['当前值'] < df['阈值'], '正常', '告警')

print("\n📊 KPI指标模拟数据：")
print(df)

print(f"\n📦 库版本信息：")
print(f"  pandas    : {pd.__version__}")
print(f"  numpy     : {np.__version__}")
print(f"  flask     : {flask.__version__}")
print(f"  websockets: {websockets.__version__}")

如果输出显示所有库版本号且无报错，说明你的数据分析环境已搭建完成，可以进入下一章的学习。