4. 模型开发环境搭建：Python环境配置与常用库安装

授信决策引擎的模型开发依赖稳定、可复现的Python环境。本节将指导你从零搭建基于Anaconda的虚拟环境，安装核心机器学习库，并掌握Jupyter Notebook的高效使用技巧，为后续的模型训练与评估奠定坚实基础。

4.1 Anaconda环境配置

Anaconda是数据科学领域最流行的Python发行版，内置了包管理器（conda）和虚拟环境管理功能，能够有效隔离不同项目的依赖冲突。

4.1.1 安装与验证

1. 访问Anaconda官网下载对应操作系统的安装包（推荐Python 3.9+版本）。
2. 安装完成后，打开终端（或Anaconda Prompt），执行以下命令验证安装：

conda --version
python --version

4.1.2 创建授信决策专用虚拟环境

为授信决策引擎项目创建独立的虚拟环境，避免与系统Python或其他项目产生依赖冲突。

conda create -n credit_risk python=3.9 -y
conda activate credit_risk

4.2 常用库安装与版本对照

授信决策建模涉及数据处理、特征工程、模型训练与评估等多个环节，以下表格列出了核心库及其推荐版本与用途。

库名称	推荐版本	核心用途	安装命令
pandas	≥1.5.0	数据加载、清洗、聚合与时间序列处理	conda install pandas
numpy	≥1.23.0	数值计算、矩阵运算与随机数生成	conda install numpy
scikit-learn	≥1.2.0	特征工程、模型训练、交叉验证与评估指标	conda install scikit-learn
xgboost	≥1.7.0	梯度提升树模型，常用于信用评分卡	conda install -c conda-forge xgboost
lightgbm	≥3.3.0	高效梯度提升框架，支持类别特征与并行训练	conda install -c conda-forge lightgbm
matplotlib	≥3.6.0	基础可视化，用于分布图、特征重要性图	conda install matplotlib
seaborn	≥0.12.0	统计可视化，用于相关性热力图与分布对比	conda install seaborn

4.2.1 批量安装与验证脚本

激活虚拟环境后，执行以下命令一次性安装所有核心库：

conda install pandas numpy scikit-learn matplotlib seaborn -y
conda install -c conda-forge xgboost lightgbm -y

验证安装是否成功：

python -c "import pandas; import numpy; import sklearn; import xgboost; import lightgbm; print('All libraries imported successfully!')"

4.3 环境依赖关系与工作流

下图展示了授信决策建模环境中各库之间的依赖关系与典型工作流：

4.4 Jupyter Notebook使用技巧

Jupyter Notebook是授信决策建模过程中最常用的交互式开发工具，支持代码、可视化与文档的混合编排。以下技巧能显著提升你的建模效率。

4.4.1 启动与内核管理

# 在虚拟环境 credit_risk 中启动
conda activate credit_risk
jupyter notebook

4.4.2 常用快捷键与效率提升

快捷键	模式	功能说明
Shift + Enter	编辑/命令	运行当前单元格并选中下一个
Ctrl + Enter	编辑/命令	运行当前单元格并保持选中
A / B	命令	在当前单元格上方/下方插入新单元格
D + D	命令	删除当前单元格
M	命令	切换为Markdown单元格（用于文档说明）
Y	命令	切换为代码单元格
Tab	编辑	代码补全与函数签名提示
Shift + Tab	编辑	查看函数文档（按多次展开详情）

4.4.3 魔法命令与调试技巧

Jupyter提供了一系列以 % 开头的魔法命令，在授信决策建模中非常实用：

# 测量代码执行时间
%timeit model.fit(X_train, y_train)

# 查看当前会话中所有变量
%who

# 在 Notebook 中嵌入交互式 matplotlib 图表
%matplotlib inline

# 运行外部 Python 脚本
%run feature_engineering.py

4.4.4 授信决策建模的Notebook组织规范

一个结构清晰的Notebook能大幅提升模型开发与复盘效率。推荐按以下模块组织：

1. 环境准备与数据加载：导入库、读取原始数据、检查数据概览。
2. 探索性数据分析（EDA）：缺失值分布、特征统计、目标变量分析。
3. 特征工程：分箱、WOE编码、特征筛选。
4. 模型训练：数据集划分、基线模型、超参数调优。
5. 模型评估：KS、AUC、混淆矩阵、特征重要性。
6. 决策输出：评分卡转换、拒绝策略建议。

%timeit 评估小样本性能，避免全量数据长时间等待。 • 使用 Shift + Tab 查看函数签名，减少查阅文档的上下文切换。 • 每个 Notebook 只聚焦一个建模任务（如单模型训练或特征筛选），便于版本管理。

4.5 环境验证与常见问题排查

完成安装后，建议执行以下完整验证脚本，确保所有组件正常工作：

# 环境验证脚本
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score
import xgboost as xgb
import lightgbm as lgb

# 生成模拟授信数据
np.random.seed(42)
X = np.random.randn(1000, 10)
y = (X[:, 0] + X[:, 1] > 0).astype(int)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# XGBoost 训练
xgb_model = xgb.XGBClassifier(n_estimators=50, max_depth=3, use_label_encoder=False, eval_metric='logloss')
xgb_model.fit(X_train, y_train)
xgb_auc = roc_auc_score(y_test, xgb_model.predict_proba(X_test)[:, 1])
print(f"XGBoost AUC: {xgb_auc:.4f}")

# LightGBM 训练
lgb_model = lgb.LGBMClassifier(n_estimators=50, max_depth=3, verbose=-1)
lgb_model.fit(X_train, y_train)
lgb_auc = roc_auc_score(y_test, lgb_model.predict_proba(X_test)[:, 1])
print(f"LightGBM AUC: {lgb_auc:.4f}")

print("环境验证通过！")