2. 环境搭建：Python环境配置、Pandas/NumPy/Matplotlib安装、Jupyter Notebook设置

量化回测的数据清洗工作依赖一套稳定、可复现的Python开发环境。本章将指导你从零开始搭建包含核心科学计算库与交互式开发工具的完整环境，确保后续章节的实战代码能够无缝运行。

2.1 Python环境配置

推荐使用 Python 3.9 ~ 3.12 版本，避免使用3.8以下或3.13以上（部分库兼容性未验证）。为避免系统级Python被污染，务必使用虚拟环境隔离项目依赖。

2.1.1 创建专用虚拟环境

# 使用 conda 创建环境（推荐）
conda create -n backtest_env python=3.10 -y
conda activate backtest_env

# 或使用 venv（轻量级）
python -m venv backtest_env
# Windows
backtest_env\Scripts\activate
# macOS / Linux
source backtest_env/bin/activate

2.2 核心库安装

量化回测数据清洗依赖三大核心库：Pandas（数据处理）、NumPy（数值计算）、Matplotlib（可视化）。下表列出推荐版本及安装命令：

2.3 安装验证与版本检查

安装完成后，在Python交互式环境或脚本中执行以下代码，确认库已正确加载：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

print(f"Pandas version: {pd.__version__}")
print(f"NumPy version: {np.__version__}")
print(f"Matplotlib version: {plt.matplotlib.__version__}")

# 快速功能验证：创建一个简单的DataFrame
df = pd.DataFrame({
    'date': pd.date_range('2024-01-01', periods=5, freq='D'),
    'close': np.random.randn(5).cumsum() + 100
})
print(df.head())

若输出显示版本号且无ImportError，则环境搭建成功。

2.4 Jupyter Notebook设置

Jupyter Notebook提供交互式编程体验，特别适合数据探索与回测策略调试。推荐安装 Jupyter Lab（新一代界面）或经典Notebook。

2.4.1 安装与启动

# 在虚拟环境中安装
pip install jupyterlab notebook

# 启动 Jupyter Lab（推荐）
jupyter lab

# 或启动经典 Notebook
jupyter notebook

启动后浏览器自动打开 http://localhost:8888，即可创建新的Python笔记本。

2.4.2 内核绑定

确保Jupyter使用你创建的虚拟环境内核，而非系统默认Python：

# 安装 ipykernel
pip install ipykernel

# 将虚拟环境注册为Jupyter内核
python -m ipykernel install --user --name backtest_env --display-name "Python (backtest_env)"

重启Jupyter后，在“Kernel → Change Kernel”中选择 Python (backtest_env)，即可使用已安装的Pandas/NumPy/Matplotlib。

2.5 环境结构总览

下图展示了量化回测数据清洗环境的完整技术栈与数据流向：

2.6 环境验证清单

完成上述步骤后，使用下表逐项检查环境是否就绪：