第2章 环境搭建：工欲善其事，必先利其器

做数据分析，最怕什么？不是模型调参，是环境配了半天跑不起来。我刚开始接触批次效应可视化那会儿，光装一个vegan就折腾了一下午。后来痛定思痛，把流程固定下来，后面几十个项目再没因为环境卡过壳。

这一章咱们把 R 和 Python 两套环境搭好。你想想看，PCoA 在 R 里做起来顺手，UMAP 又得用 Python 的umap-learn。两套都备着，后面切来切去才不慌。

2.1 装 R 和 RStudio

R 的安装其实没啥技术含量，但版本有坑。我个人习惯用最新稳定版——CRAN 上现在 R 4.3.x。为什么？因为很多新包已经不维护旧版了。你装个 R 3.6 的话，vegan 可能都得降级。

步骤很简单：

1. 去 CRAN 下载对应操作系统的安装包。
2. 双击安装，一路默认。Windows 用户记得勾上“添加到 PATH”。
3. RStudio 去 posit.co 下载免费版 Desktop。

验证安装：打开 RStudio，控制台里打 version，看到版本号就对了。

2.2 Python 与 Jupyter 环境

Python 这边我推荐直接用 Miniconda。为啥不装完整版 Anaconda？包太多，启动慢。Miniconda 轻量，要啥装啥。

安装步骤：

1. 下载 Miniconda（Python 3.10+ 版本）。
2. 安装时勾上“Add to PATH”。
3. 打开终端 / PowerShell，跑：

conda create -n batch_effect python=3.10 -y
conda activate batch_effect

然后装 Jupyter Notebook 和核心库：

pip install jupyter notebook pandas numpy matplotlib seaborn

启动 Jupyter：

jupyter notebook

浏览器弹出后，点“New”→“Python 3”，新建一个 notebook，随便打个 import pandas，不报错就成功了。

2.3 关键包安装

下面这四个包是接下来所有章节的根基。我按“R 包”和“Python 包”分开讲。

包名	语言	用途
vegan	R	PCoA 主函数（cmdscale）、Adonis 检验、多样本β-多样性
rgl	R	3D 交互式 PCoA 可视化（支持旋转缩放）
scikit-learn	Python	UMAP 降维前的预处理（StandardScaler）、PCA（用于对比）
umap-learn	Python	核心 UMAP 降维函数（umap.UMAP）

R 包安装

在 RStudio 控制台里执行：

install.packages("vegan")
install.packages("rgl")

如果网速慢，可以换个镜像：

options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
install.packages("vegan")

Python 包安装

确保刚创建的 batch_effect 环境是激活状态（终端里前面有括号提示）。然后：

pip install scikit-learn umap-learn

验证：

python -c "import sklearn; import umap; print('OK')"

如果输出 "OK"，万事大吉。要是报 ModuleNotFoundError，检查是否激活了正确的 conda 环境——这是最常犯的错误。

2.4 环境全景图

下面这张图能帮你快速理清各组件的关系。说白了，操作系统是地基，R 和 Python 是两栋楼，各自装好自己的门窗（IDE）和家具（包）。

2.5 环境检查清单

配完环境别急着走。用下面这张表快速核对一下，确保每个环节都没问题。

检查项	命令 / 操作	预期结果
R 版本	version	显示 4.3.x
vegan 包	library(vegan)	无错误，无加载信息更好
conda 环境	conda env list	显示 batch_effect 且带 *
Jupyter 内核	jupyter kernelspec list	包含 batch_effect
scikit-learn	python -c "import sklearn; print(sklearn.__version__)"	版本号 ≥ 1.2
umap-learn	python -c "import umap; print(umap.__version__)"	版本号 ≥ 0.5