4. Python环境搭建

说实话，做空间转录组分析，最让人头疼的不是算法，而是环境。我见过太多同学在跑Scanpy之前先跟包冲突打了一架。别急，这一节咱们就把地基打牢。

我的个人习惯是：每做一个项目就开一个全新的虚拟环境，绝不跟其他项目混着用。为什么？因为numpy、pandas甚至Python版本都可能打架，你想想看，一个项目要scanpy 1.9，另一个要1.7，混在一起就崩了。我在项目中遇到过好几次这种“昨天还能跑今天报错”的灵异事件，最后发现就是一个库悄悄升级了。

4.1 安装Python

Visium空间聚类全流程我们基于Python 3.9～3.11。我个人推荐3.10，因为scanpy和squidpy在这个版本上兼容性最好。

Windows、macOS、Linux通用方式：

• 去 python.org 下载对应操作系统的安装包。
• 安装时记得勾选“Add Python to PATH”。
• Linux用户直接用系统包管理器就好：

sudo apt update
sudo apt install python3.10 python3.10-venv python3.10-dev

验证安装：

python3 --version
Python 3.10.12

4.2 创建虚拟环境

虚拟环境就像一间干净的实验室，不会污染全局的Python。我个人习惯用venv，轻量又自带。conda当然也行，但这里我们只做纯Python项目，venv足够。

创建环境：

# 创建一个名为 visium_spatial 的虚拟环境
python3 -m venv visium_spatial

激活环境：

• Windows（CMD/PowerShell）：

visium_spatial\Scripts\activate

• macOS / Linux：

source visium_spatial/bin/activate

激活后你会看到命令行前面多了个 (visium_spatial)，表示你已经进入环境了。

4.3 安装必要库

我们先装核心计算库，再装生物信息学库，最后装可视化库。顺序很讲究——先装numpy和pandas，再装scanpy，否则依赖可能出问题。我早年犯过先装scanpy再装numpy，结果numpy版本被scanpy降级了，其他项目直接崩掉。

下面是完整安装命令（请逐条执行，别一口气全粘）：

# 升 pip 到最新
pip install --upgrade pip

# 核心计算
pip install numpy pandas

# 空间转录组分析主力
pip install scanpy squidpy

# 可视化
pip install matplotlib seaborn

# 可选：Jupyter Notebook（强烈建议）
pip install jupyter

注意：squidpy 依赖于 scanpy，但官方建议一起装。我遇到过 squidpy 安装时自动拉了一个老版 scanpy，然后部分API对不上。所以稳妥做法：先装 scanpy 再装 squidpy。

4.4 验证安装

装完后，记得检查一下。别不信，我见过有人pip install后以为装好了，结果import时报“ModuleNotFoundError”。

python -c "import numpy; import pandas; import scanpy as sc; import squidpy as sq; import matplotlib; print('All good!')"

如果输出 All good! 说明环境没毛病。如果报错，回去看看是不是版本冲突或者漏装了。

还有一个我常用的验证方式：跑一下scanpy的经典测试数据集。它能帮我快速确认所有底层依赖（比如anndata、h5py、umap-learn）都正常工作。

import scanpy as sc
adata = sc.datasets.pbmc3k()   # 下载一个小数据集
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)
print(adata)

能看到 AnnData object 的概要信息，说明环境OK，可以开始分析啦。

4.5 环境搭建整体流程（一张图说清楚）

以上就是Python环境搭建的全部内容。你按这个顺序走，一般不会出问题。如果遇到奇怪的报错，多半是版本冲突，回到上一步重建环境就好了——别在一个坏环境里死磕，我当年debug过两天最后发现就是numpy版本不对，白白浪费时间。记住：干净的环境是高效分析的第一步。