3. 环境搭建与工具准备：Python基础、Jupyter Notebook使用、Pandas与NumPy安装配置、数据读取与初步探索

金融数据清洗是数据科学在金融领域落地的基础环节，而搭建一个稳定、可复现的开发环境是开展一切分析工作的前提。本章将带领零基础学员从零开始，完成Python环境搭建、Jupyter Notebook配置、Pandas与NumPy安装，并掌握数据读取与初步探索的核心操作。我们将以金融行业常见的CSV行情数据、Excel财务报表数据为案例，帮助学员建立一套从环境准备到数据预览的完整工作流。

3.1 核心原理：为什么需要规范的环境与工具链

金融数据清洗并非简单的“写代码处理表格”，而是一个涉及数据获取、格式转换、质量校验、特征工程等多个环节的系统工程。在金融行业中，数据来源多样（交易所行情、券商柜台、第三方数据商、内部业务系统），格式各异（CSV、Excel、JSON、Parquet、数据库表），且往往包含大量噪声和缺失。如果没有一个统一、可复现的环境，分析结果将难以验证和追溯。

Python之所以成为金融数据分析的主流语言，主要得益于其三大优势：语法简洁（适合快速原型开发）、生态丰富（NumPy、Pandas、SciPy、scikit-learn等库覆盖全流程）、社区活跃（金融领域有大量开源解决方案）。而Jupyter Notebook则提供了交互式编程体验，允许分析师将代码、输出、图表和文字说明整合在一个文档中，非常适合探索性数据分析和团队协作。

3.2 操作流程：从零搭建Python与Jupyter环境

对于零基础学员，推荐使用Anaconda发行版，它预装了Python、NumPy、Pandas、Jupyter等常用工具，避免了单独安装的繁琐。以下是具体步骤：

3.2.1 安装Anaconda

1. 访问Anaconda官网（anaconda.com），下载对应操作系统的Python 3.9+版本安装包。
2. 安装时勾选“Add Anaconda to my PATH environment variable”（Windows）或使用默认配置（macOS/Linux）。
3. 安装完成后，打开终端（Terminal）或Anaconda Prompt，输入 python --version 验证安装。

3.2.2 创建虚拟环境（推荐）

# 创建名为fin_env的虚拟环境，指定Python版本
conda create -n fin_env python=3.9

# 激活环境
conda activate fin_env

# 安装核心库
conda install numpy pandas jupyter notebook

# 验证安装
python -c "import numpy, pandas; print('NumPy:', numpy.__version__); print('Pandas:', pandas.__version__)"

3.2.3 启动Jupyter Notebook

# 在终端中启动
jupyter notebook

# 或使用Jupyter Lab（更现代）
jupyter lab

启动后，浏览器会自动打开Jupyter界面。建议在项目目录下创建专门的文件夹存放数据文件和Notebook文件，例如 D:\fin_data_cleaning\。

工具/库	版本要求	用途	安装命令
Python	≥3.8	基础解释器	Anaconda自带
NumPy	≥1.21	多维数组计算	conda install numpy
Pandas	≥1.4	表格数据处理	conda install pandas
Jupyter Notebook	≥6.4	交互式编程环境	conda install jupyter
openpyxl	≥3.0	Excel文件读写	pip install openpyxl

3.3 案例拆解：读取金融数据并进行初步探索

假设我们手头有一份某股票2023年1月至6月的日线行情数据（CSV格式），文件名为 stock_daily.csv，包含以下字段：date（日期）、open（开盘价）、high（最高价）、low（最低价）、close（收盘价）、volume（成交量）、amount（成交额）。数据可能存在缺失值、重复行和异常价格。

3.3.1 数据读取

import pandas as pd
import numpy as np

# 读取CSV文件
df = pd.read_csv('stock_daily.csv', parse_dates=['date'], encoding='utf-8')

# 查看前5行
print(df.head())

# 查看数据形状
print(f"数据维度: {df.shape[0]}行 × {df.shape[1]}列")

3.3.2 初步探索

# 查看列名和数据类型
print(df.dtypes)

# 查看缺失值情况
print(df.isnull().sum())

# 查看描述性统计
print(df.describe())

# 检查重复行
print(f"重复行数量: {df.duplicated().sum()}")

通过上述操作，我们可以快速了解数据的基本面貌。例如，如果发现 close 列存在缺失值，或者 volume 出现负数（异常值），就需要在后续清洗中处理。

3.4 常见误区与总结复盘

在环境搭建和数据读取阶段，初学者常犯以下错误：

• 误区一：使用系统Python直接安装库。这可能导致权限问题或依赖冲突，应使用虚拟环境。
• 误区二：忽略数据类型。例如，将日期列读为字符串，导致后续排序和筛选出错。
• 误区三：不检查缺失值。直接进行统计分析，导致结果偏差。
• 误区四：路径中包含中文或空格。在Windows系统中，这可能导致读取失败。