📚 课程目录第2章 Python开发环境搭建

第2章 Python开发环境搭建：Anaconda安装与虚拟环境管理

要开始批次质控，先把开发环境搭好。我见过不少新手在环境问题上卡一整天，其实没那么复杂。这一章我带你走一遍完整流程——从Anaconda安装，到虚拟环境管理，再到Jupyter Notebook和VSCode的配置，最后把常用的质控库装上去验证一下。

2.1 Anaconda安装与初始配置

我个人习惯用Anaconda来管理Python环境，尤其在做数据分析的时候。它自带conda包管理器和大量常用科学计算库，省去很多手动编译的麻烦。我曾经在Linux服务器上手动装NumPy，结果折腾了两个小时，后来直接用conda，两分钟搞定。

下载与安装
去Anaconda官网（或者清华镜像）下载对应操作系统的安装包。Windows下记得勾选“Add Anaconda to my PATH environment variable”，否则后面命令行找不到conda。嗯，这一步很多人会漏掉。

# 验证安装
conda --version
# 输出示例：conda 24.1.2

# 更新conda
conda update conda

小技巧： 如果下载太慢，配置清华镜像源。命令如下：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

2.2 虚拟环境管理

做项目最怕什么？依赖冲突。A项目要pandas 1.0，B项目要pandas 2.0，全装在base环境里迟早要崩。虚拟环境就是给每个项目一个独立的小隔间。

创建虚拟环境

# 创建名为qc_env的环境，指定Python版本3.10
conda create -n qc_env python=3.10 -y

# 激活环境
conda activate qc_env

# 退出环境
conda deactivate

  命名规范： 我建议用项目名+版本号的方式，比如qc_env_310，一看就知道是哪个项目、Python版本多少。

复制与删除环境

# 复制环境（常用于迁移）
conda create -n new_env --clone old_env

# 删除环境
conda remove -n qc_env --all

# 列出所有环境
conda env list

我记得有一次不小心执行了conda remove --all，差点把base环境删了。后来我在~/.condarc里加了always_yes: false，强制确认。你想想看，一个确认能救你一条命。

警告： 不要直接在base环境里装太多包。base环境应该保持干净，只装conda本身。所有项目依赖都放到虚拟环境里。

2.3 环境导出与复现

你做完了项目，别人要复现，怎么办？导出环境文件。这是团队协作的标配。

# 导出当前环境的包列表
conda env export > environment.yml

# 从yml文件重建环境
conda env create -f environment.yml

# 仅导出显式安装的包（推荐）
conda list --explicit > spec-file.txt
conda create --name new_env --file spec-file.txt

我一般用--explicit的方式导出，因为跨平台时依赖更稳定。如果你用env export，里面带了很多系统级别的包，换台机器可能装不上。

2.4 Jupyter Notebook配置

Jupyter Notebook是数据探索的神器。但默认它用的是base环境的kernel，你得手动注册虚拟环境。

安装与注册

# 先激活目标环境
conda activate qc_env

# 安装ipykernel
conda install ipykernel -y

# 注册内核
python -m ipykernel install --user --name qc_env --display-name "Python (qc_env)"

# 验证内核列表
jupyter kernelspec list

打开Jupyter Notebook后，在右上角选择“Python (qc_env)”内核，就能用你虚拟环境里的包了。这也是一个容易踩坑的地方——很多人安装了包，但在Jupyter里import报错，一看内核选错了。

扩展配置： 加上自动补全和代码折叠：

# 安装jupyter_contrib_nbextensions
conda activate qc_env
conda install -c conda-forge jupyter_contrib_nbextensions -y
jupyter contrib nbextension install --user

然后在Jupyter里启用“Hinterland”（自动补全）和“Collapsible Headings”。

2.5 VSCode配置

Jupyter适合快速探索，VSCode适合写正式脚本和调试。我两者都装，但日常编码主要在VSCode里。

必备插件

插件名	作用
Python	语法高亮、IntelliSense、调试器
Jupyter	直接在VSCode里打开.ipynb文件
Pylance	更快的类型检查
GitLens	代码版本管理增强

选择Python解释器
打开命令面板（Ctrl+Shift+P），输入“Python: Select Interpreter”，选择你创建的虚拟环境qc_env。VSCode会记住这个设置。

设置工作区配置文件
我习惯在每个项目根目录放一个.vscode/settings.json，固定解释器路径，避免不同项目串环境。

{
    "python.defaultInterpreterPath": "C:\\Users\\...\\Anaconda3\\envs\\qc_env\\python.exe",
    "python.terminal.activateEnvironment": true,
    "python.formatting.provider": "black",
    "editor.formatOnSave": true
}

常见问题： 在VSCode终端里激活虚拟环境失败？检查python.terminal.activateEnvironment是否设为true。另外，如果使用PowerShell，可能需要先执行Set-ExecutionPolicy RemoteSigned。

2.6 常用质控库的安装与验证

终于到了装库的环节。我们批次质控常用的库有这几个：

库名	用途	安装命令
pandas	数据处理，表格操作	`conda install pandas -y`
numpy	数值计算，数组运算	`conda install numpy -y`
matplotlib	绘图，质量控制图	`conda install matplotlib -y`
scipy	统计检验，分布拟合	`conda install scipy -y`
scikit-learn	模型评估，异常检测	`conda install scikit-learn -y`
openpyxl	读写Excel文件	`conda install openpyxl -y`

安装命令统一使用conda，因为conda会自动处理底层依赖（比如BLAS、MKL）。如果你用pip，有时候会装到Intel MKL之外，性能差不少。我个人习惯：先conda install，如果conda找不到再用pip。

# 一键安装所有
conda install pandas numpy matplotlib scipy scikit-learn openpyxl -y

# 验证安装
python -c "import pandas; print(pandas.__version__); import numpy; print(numpy.__version__); import matplotlib; print(matplotlib.__version__); import scipy; print(scipy.__version__); import sklearn; print(sklearn.__version__); import openpyxl; print(openpyxl.__version__)"

执行上面的验证命令，如果全部输出版本号，说明环境搭建成功。我曾经帮一个学员排查，发现他装的是Python 3.12，但某个库只支持到3.11，折腾半天。所以创建环境时指定Python版本很重要，3.10以上建议用3.10或3.11，兼容性最好。

小实验： 写一个简单的质控图脚本来测试环境是否正常：

import numpy as np
import matplotlib.pyplot as plt

# 生成模拟批次数据
batch = np.random.normal(100, 2, 30)
# 计算均值上下控制限
mean = np.mean(batch)
ucl = mean + 3 * np.std(batch)
lcl = mean - 3 * np.std(batch)

# 画控制图
plt.figure(figsize=(8,4))
plt.plot(batch, 'bo-', label='batch value')
plt.axhline(mean, color='g', linestyle='--', label='mean')
plt.axhline(ucl, color='r', linestyle='--', label='UCL')
plt.axhline(lcl, color='r', linestyle='--', label='LCL')
plt.title('Batch QC Control Chart')
plt.legend()
plt.show()

如果出现一张带有控制限的折线图，那就齐活了。

2.7 知识体系总览

下面这张图总结了本章的完整流程，从Anaconda到项目环境，一条线串起来：

2.8 本章小结

环境搭建是开始质控项目的第一步，也是后面所有代码的基础。我把关键动作列出来，你对照检查：

✅ 安装Anaconda并配置镜像源
✅ 创建项目专用的虚拟环境（Python 3.10）
✅ 安装6个核心质控库并验证版本
✅ 注册Jupyter Notebook内核，实现环境隔离
✅ VSCode中指定解释器，配置自动格式化