环境搭建：Python版本选择、虚拟环境创建、安装必备库
说实话，我见过太多同学一上来就装最新的Python 3.12，结果跑一个老项目的代码直接报错。环境搭建这事儿，看着不起眼，但绝对是整个课程里最容易踩坑的地方。我个人习惯是先把地基打稳，后面写代码才会顺。
Python版本怎么选
我们这个课程用到的库——pandas、matplotlib、numpy、scikit-learn——目前对Python 3.9~3.11支持最稳。3.12刚出那阵子，我在项目里试过，结果scikit-learn有个内部方法被标记废弃了，跑起来会弹warning，虽然能用但看着不舒服。
我的建议：直接用Python 3.10或3.11。为什么？这两个版本在Windows、macOS、Linux下都有官方预编译的wheel包，装numpy和scikit-learn基本秒完成，不用自己编译。你想想看，要是选了3.12，有些库可能还在适配期，临时出个问题够你排查半天。
版本推荐对照表
| Python版本 | 推荐度 | 原因 |
|---|---|---|
| 3.9 | 可用 | 主流库都支持，但2024年后逐步停止安全更新 |
| 3.10 | 强烈推荐 | 稳定、wheel齐全、本课程所有库完美运行 |
| 3.11 | 强烈推荐 | 速度比3.10快10-20%，库兼容性很好 |
| 3.12 | 慎用 | 部分科学计算库尚在适配，可能遇到难定位错误 |
创建虚拟环境——这步真的不能省
我记得刚入行那会儿，所有项目都共用一套Python，装一个库拖一堆依赖，最后搞得连系统自带的脚本都跑不动。后来我养成了每个项目一个虚拟环境的习惯，再也没有被依赖冲突搞崩过。
Python官方从3.3开始就内置了venv模块，我们用这个就好，不需要额外装virtualenv。
创建虚拟环境的命令（以Windows示例，macOS/Linux类似）
# 打开终端，进入你的项目目录
cd D:\courses\validity_stacked_bar
# 创建虚拟环境（会在当前目录生成一个 venv 文件夹）
python -m venv venv
# 激活环境（Windows）
venv\Scripts\activate
# 激活环境（macOS / Linux）
source venv/bin/activate激活后，终端前面会出现 (venv) 字样，这就说明你已经在虚拟环境里了。嗯，这里要注意：千万别在系统Python里直接 pip install，不然下一个项目就等着哭吧。
小技巧：如果你用VS Code，可以按 Ctrl+Shift+P 输入「Python: Select Interpreter」，选你刚创建的 venv\Scripts\python.exe，终端会自动激活。省去每次手打激活命令的麻烦。
安装必备库
虚拟环境激活后，我们开始装库。四个库的安装顺序虽然不强制，但我习惯按 pandas → numpy → matplotlib → scikit-learn 来装。为什么？因为pandas底层依赖numpy，先装numpy可以避免pandas安装时临时编译。
# 先升级pip，老版本pip有时候会下载慢或找不到包
pip install --upgrade pip
# 安装numpy（科学计算基础）
pip install numpy
# 安装pandas（数据处理）
pip install pandas
# 安装matplotlib（数据可视化）
pip install matplotlib
# 安装scikit-learn（机器学习）
pip install scikit-learn等几分钟，如果看到类似 Successfully installed pandas-2.1.4 numpy-1.26.2 ... 就说明装好了。我曾有一次网络不好，下载一半断了，结果pip报了个奇怪的哈希校验错误。解决办法也很简单：换个镜像源重装。
国内用户推荐使用清华镜像：
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple避坑指南：我曾经在macOS上用系统自带的Python 3.8装scikit-learn，结果编译时报缺失 libomp.dylib 错误。原因是苹果芯片的OpenMP支持需要单独装。解决办法是用conda代替pip，或者手动安装llvm-openmp。如果你也遇到类似问题，建议直接换成Python 3.11 + pip，我试过再没出过这个错。
验证安装结果
装完别急着走，跑个快速检查，确保所有库都能正常导入，版本也符合要求。
python -c "import numpy; print('numpy', numpy.__version__)"
python -c "import pandas; print('pandas', pandas.__version__)"
python -c "import matplotlib; print('matplotlib', matplotlib.__version__)"
python -c "import sklearn; print('sklearn', sklearn.__version__)"如果看到类似下面的输出，恭喜你，环境搭好了：
numpy 1.26.2
pandas 2.1.4
matplotlib 3.8.2
sklearn 1.3.2版本号可能略有差异，但只要是1.x大版本就没问题。注意别用太老的版本（比如pandas 0.x），API可能不一样。
本章知识体系
下面这张图概括了环境搭建的完整流程和关键决策点。说白了就是三部曲：选版本→建环境→装库，每一步都有我踩过的坑，你照着来基本不会翻车。
最终检查清单：
- Python版本：3.10 或 3.11 ✅
- 虚拟环境激活：终端前缀显示
(venv)✅ - 四个库全部导入成功，无报错 ✅
- pip版本：≥21.0（老版本有时不识别新版wheel） ✅
环境搭好，接下来就可以安心做数据分析和可视化了。其实整个课程最枯燥的部分就是这里，但请相信我，这一步做扎实了，后面三指标堆叠图的代码你跑一遍就能出图，不用跟环境折腾。