4. Python 数据分析环境搭建：Anaconda、Jupyter、Pandas、NumPy、scikit-learn 安装

俗话说，巧妇难为无米之炊。做信用评分模型，你得先把厨房搭好。

Python 数据分析环境说白了就是你建模的“灶台”。灶台没搭好，后面炒菜再香也容易糊锅。我个人习惯是直接上 Anaconda，它能一口气把你需要的大米、油盐酱醋全给你备齐了。

4.1 为什么选 Anaconda？

我刚开始做信用评分那会儿，环境配置是真头疼。装个 NumPy 报错，装个 scikit-learn 又缺依赖。后来用了 Anaconda，这些问题基本就解决了。

Anaconda 是什么？它是一个 Python 发行版，说白了就是把 Python 解释器、常用数据分析库、包管理工具打包在一起。你装一个 Anaconda，就相当于装了一套完整的“数据分析全家桶”。

相比于直接装 Python，Anaconda 有几个明显的好处：

• 自带环境隔离：每个项目可以用不同的 Python 版本和库版本，互不干扰。
• 省去手动编译：很多科学计算库（比如 NumPy、Pandas）是用 C 写的，自己装容易踩坑。
• 一键安装常用库：Anaconda 预装了超过 250 个数据科学相关的包。

4.2 安装步骤：从零到一把梭

环境搭建其实就三步：下载、安装、验证。

4.2.1 下载 Anaconda

去 Anaconda 官网下载对应你系统的安装包。嗯，这里要注意，选 Python 3.x 版本。信用评分圈子里，Python 3.8 到 3.10 是最稳的。

我曾经遇到一个学员装了 Python 3.12，结果 scikit-learn 报了一堆兼容性问题。所以建议你装 3.9 或 3.10 版本，省心。

4.2.2 安装过程

• Windows 用户：双击 exe 一路 Next，记得勾上“Add Anaconda to my PATH environment variable”。虽然安装提示不推荐勾，但我建议你勾上，不然后面调用 conda 命令还得手动加路径，麻烦。
• macOS 用户：下载 pkg 包双击安装，或者用命令行装。
• Linux 用户：下载 sh 文件，终端执行 bash Anaconda3-xxx-Linux-x86_64.sh，一路 yes 即可。

4.2.3 验证安装

打开终端（Windows 打开 Anaconda Prompt），输入：

conda --version
python --version

看到输出版本号，说明环境搭好了。记不记得我前面说的？如果 python 版本不是 3.9 左右，直接用 conda 创建一个新环境：

conda create -n credit_model python=3.9
conda activate credit_model

4.3 三件套安装：核心数据分析库

环境搭好之后，你要安装三个核心库：Pandas、NumPy、scikit-learn。你想想看，信用评分模型的数据处理、计算、建模都离不开它们。

4.3.1 Pandas：数据处理利器

Pandas 是处理表格数据的瑞士军刀。读取 CSV、清洗缺失值、特征工程，全靠它。

conda install pandas

或者用 pip：

pip install pandas

4.3.2 NumPy：科学计算基础

NumPy 提供高性能的多维数组和矩阵运算。很多机器学习算法的底层都依赖它。

conda install numpy

4.3.3 scikit-learn：机器学习全家桶

这是信用评分模型最常用的机器学习库。逻辑回归、决策树、随机森林、评估指标，全在里面。

conda install scikit-learn

4.4 环境验证：跑一个测试脚本

库装完了，是不是就万事大吉了？不一定。你得跑个脚本验证一下。

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression

print("Pandas version:", pd.__version__)
print("NumPy version:", np.__version__)
print("scikit-learn version:", sklearn.__version__)

# 创建一个简单的测试数据
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5]])
y = np.array([0, 0, 1, 1])

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X, y)

print("模型训练成功！测试预测结果：", model.predict([[5, 6]]))

如果看到输出了版本号和预测结果，恭喜你，环境搭建成功了！

4.5 Jupyter Notebook：交互式编程环境

说到这里，必须提一下 Jupyter Notebook。你在搭建信用评分模型时，八成会用它来做探索性数据分析（EDA）。

Jupyter Notebook 是一种交互式编程环境，支持代码、文本、图表混排，非常适合做数据分析和模型开发。

conda install jupyter

安装完成后，在终端输入：

jupyter notebook

浏览器会自动打开一个页面，你可以在里面创建 .ipynb 文件，开始写代码。

4.6 整体环境依赖路径

为了让你看得更清楚，我画了一张图，展示这些工具在你搭建环境过程中的依赖关系。

4.7 常见问题与避坑指南

问题	原因	解决方案
conda 命令找不到	安装时没勾选添加到 PATH	手动将 Anaconda 的 Scripts 目录添加到系统环境变量
jupyter notebook 打不开	浏览器兼容性问题或端口被占用	尝试 jupyter notebook --no-browser，然后手动复制 URL 到浏览器
安装库时网络超时	默认源在国外，速度慢	换成国内镜像源，比如清华源或阿里源
库版本冲突	不同库依赖了同一个库的不同版本	创建一个新的 conda 环境，重新安装指定版本的库