第2章 Python环境搭建：Anaconda安装、创建虚拟环境、安装核心库

做空间转录组分析，第一步就是搭环境。说实话，我见过太多人在这一步翻车了——不是库冲突就是版本对不上，折腾半天还没开始写代码。我记得刚开始做空间转录组项目时，光配环境就花了两天，后来学乖了，用Anaconda+虚拟环境，一次性搞定。

这一章，咱们把环境搭结实。后面30章的所有分析代码，都跑在这个环境上。

2.1 为什么需要统一的环境管理

你想想看，空间转录组分析涉及多少库？Scanpy做核心分析，Squidpy处理空间信息，matplotlib绘图，pandas处理数据……每个库又有自己的依赖版本要求。直接往系统Python里装，早晚出乱子。

Anaconda解决了这个问题。它自带Python、包管理器和虚拟环境功能。说白了，就是给你的每个项目建一个独立的小房间，互不干扰。

我个人习惯，每个项目都用独立的conda环境。这样换项目时不用重新装系统，切个环境就行。

环境管理核心原则：

  • 每个项目一个独立虚拟环境
  • 记录环境配置，方便复现
  • 定期更新核心库，但不要追最新版

2.2 Anaconda的安装与配置

Anaconda的安装不复杂，各平台都有对应的安装包。这里我列一下关键步骤。

下载安装

去Anaconda官网下载对应系统的安装包。Windows选exe，macOS选pkg，Linux选sh脚本。

安装完成后，验证一下：

conda --version

# 正常输出类似：
# conda 24.1.2

如果提示找不到命令，通常是环境变量没配好。Windows用户在安装时勾选"Add Anaconda to my PATH"，Linux/macOS用户检查~/.bashrc或~/.zshrc里是否添加了Anaconda的路径。

小技巧： 我在Windows上遇到过路径含中文导致conda无法正常激活的问题。解决方案很简单——安装路径全英文，别用中文用户名。

2.3 创建独立的虚拟环境

为什么要创建虚拟环境？说白了就是为了隔离。你跑项目A时用Scanpy 1.9，项目B用Scanpy 1.10，两个环境互不打架。

我建议给环境起名时带上项目标识，方便以后识别。

# 创建环境，指定Python版本
conda create -n sap_transcriptomics python=3.9

# 激活环境
conda activate sap_transcriptomics

# 确认Python版本
python --version

环境激活后，命令行前面会出现环境名，像这样：

(sap_transcriptomics) $

看到这个提示，说明你已经在虚拟环境里了。后面安装的所有库都只在这个环境里生效。

注意： 每次新开终端，都要先激活环境。我曾经因为忘了激活，把库装到了base环境里，结果项目跑起来各种报错。养成习惯——开终端先conda activate。

空间转录组环境搭建流程 ① 安装 Anaconda ② 创建虚拟环境 conda create ③ 安装 Scanpy ④ 安装 Squidpy ⑤ 安装 matplotlib等依赖库 ⑥ 验证环境 import 测试 核心原则：每次项目开始前，先建环境、装库、验证，一气呵成

2.4 安装核心分析库

环境建好了，开始装库。空间转录组分析的核心库就这么几个，我按安装顺序列出来。

库名 建议版本 用途 安装命令
Scanpy ≥1.9 单细胞/空间转录组核心分析 pip install scanpy
Squidpy ≥1.2 空间转录组专用分析 pip install squidpy
matplotlib ≥3.6 可视化基础库 pip install matplotlib
pandas ≥1.5 数据处理与表格操作 pip install pandas
numpy ≥1.24 数值计算与矩阵运算 pip install numpy
leidenalg 最新 聚类算法（Leiden） pip install leidenalg
python-igraph 最新 图数据结构与分析 pip install python-igraph

实际安装时，一条命令装完所有库：

pip install scanpy squidpy matplotlib pandas numpy leidenalg python-igraph

这里要注意顺序。我个人习惯先装numpy和pandas，再装Scanpy和Squidpy。虽然pip会自动处理依赖，但分批装更容易定位问题。

踩坑提醒： 我在项目中遇到过Scanpy和Squidpy版本不匹配的问题。当时装了Scanpy 1.8和Squidpy 1.1，跑空间可变基因分析时直接报错。后来统一升级到最新版才解决。建议装之前看一眼两个库的兼容性说明。

2.5 验证环境是否成功

库装完了，别急着开干。先验证一下所有库能不能正常导入。我通常用一个小脚本做全量检查：

# 验证脚本：check_env.py
import sys
print(f"Python 版本: {sys.version}")

import numpy as np
print(f"numpy 版本: {np.__version__}")

import pandas as pd
print(f"pandas 版本: {pd.__version__}")

import matplotlib
print(f"matplotlib 版本: {matplotlib.__version__}")

import scanpy as sc
print(f"Scanpy 版本: {sc.__version__}")

import squidpy as sq
print(f"Squidpy 版本: {sq.__version__}")

import igraph
print(f"igraph 版本: {igraph.__version__}")

import leidenalg
print(f"leidenalg 版本: {leidenalg.__version__}")

print("\n✅ 所有库导入成功，环境配置完成！")

运行这个脚本：

python check_env.py

如果所有库都能正常导入并打印版本号，说明环境搭建成功了。

我的一点经验： 验证环境这一步别跳过。我曾经自认为装好了，结果一跑分析代码，发现少了python-igraph，Leiden聚类直接报错。浪费了半小时排查。5分钟的验证，能省下后面大量的调试时间。

2.6 避坑指南与小结

环境搭建看起来简单，但坑不少。我把自己踩过的坑列出来，你遇到了可以直接翻到这里看。

常见问题与解决方法：

  • pip安装慢： 用国内镜像源，比如清华或阿里云的镜像。
  • 库版本冲突： 优先用conda装，conda的依赖解析比pip更严格。实在不行再混用pip。
  • 导入时提示找不到库： 看看是不是忘了激活虚拟环境。
  • Windows上igraph报错： 先装python-igraph，再装leidenalg，顺序别反。
  • macOS M1/M2芯片： 部分库需要ARM64版本，用conda装一般会自动处理。

环境导出与复现：

环境配好后，我建议你导出一份配置文件。以后换电脑或者分享给同事，一条命令就能完全复现。

# 导出环境配置
conda env export -n sap_transcriptomics -f environment.yml

# 别人拿到后，用这个文件重建环境
conda env create -f environment.yml

本章要点回顾：

  • Anaconda是环境管理的基础，安装时注意路径不要含中文
  • 每个项目建一个独立虚拟环境，用conda create创建
  • 核心库包括Scanpy、Squidpy、matplotlib、pandas、numpy、leidenalg、python-igraph
  • 安装后用验证脚本检查所有库能否正常导入
  • 导出environment.yml方便环境复现

环境搭好了，后面就可以安心做分析了。说实话，环境配置这一步虽然枯燥，但它是整个工具链的基石。你在这里花半小时，后面能省下数倍的时间。

← 上一章 📖 返回目录 下一章 →