额度模型评分沙盘Python开发从入门到实战 - 第2节

2.1 为什么推荐 Anaconda 发行版？

Python 生态中包管理、环境隔离和科学计算库的版本兼容是初学者最容易踩坑的地方。Anaconda 是一个面向数据科学和机器学习的 Python 发行版，它内置了 conda 包管理器、Python 解释器以及 150+ 常用科学计算库，能大幅降低环境搭建的复杂度。

2.2 Anaconda 安装与验证

2.2.1 下载与安装步骤

1. 访问 Anaconda 官网（https://www.anaconda.com/download），选择对应操作系统的 Python 3.12 版本。
2. 运行安装程序，务必勾选“Add Anaconda3 to my PATH environment variable”（Windows）或确认安装路径加入 shell 配置（macOS / Linux）。
3. 安装完成后，打开终端（Windows 使用 Anaconda Prompt），输入以下命令验证：

conda --version
python --version

若分别输出 conda 24.x 和 Python 3.12.x 版本号，则安装成功。

2.2.2 环境变量与 conda 初始化

如果终端提示 conda: command not found，说明环境变量未正确配置。可手动执行初始化：

conda init
# 重启终端后生效

2.3 Jupyter Notebook 与 VS Code 配置

2.3.1 Jupyter Notebook 启动与使用

Jupyter Notebook 是交互式数据探索的首选工具，Anaconda 已内置安装。在终端执行：

jupyter notebook

浏览器将自动打开 http://localhost:8888/tree，点击右上角 New → Python 3 (ipykernel) 即可创建第一个笔记本。

2.3.2 VS Code 集成配置

VS Code 是轻量级但功能强大的代码编辑器，配合 Python 扩展可替代 Jupyter Notebook 的交互体验。

1. 安装 VS Code 后，在扩展市场搜索并安装 Python（Microsoft 官方）和 Jupyter 扩展。
2. 打开任意 .py 文件，按 Ctrl+Shift+P 输入 Python: Select Interpreter，选择 Anaconda 环境下的 Python 解释器（路径通常包含 anaconda3/envs/...）。
3. 在 .py 文件中使用 # %% 标记单元格，点击出现的 Run Cell 即可获得类似 Jupyter 的交互体验。

2.4 虚拟环境创建与管理

虚拟环境是 Python 开发的“隔离沙箱”，不同项目可以使用不同版本的库而互不干扰。conda 提供了比 venv 更强大的环境管理能力。

2.4.1 创建额度模型评分沙盘专用环境

# 创建名为 credit_scoring 的环境，指定 Python 3.12
conda create -n credit_scoring python=3.12

# 激活环境
conda activate credit_scoring

# 退出环境
conda deactivate

2.4.2 环境管理常用命令

2.5 常用科学计算库安装与验证

2.5.1 核心库安装

激活 credit_scoring 环境后，执行以下命令安装本课程最核心的三个库：

conda install pandas numpy scikit-learn

如果网络较慢，可指定国内镜像源：

conda install -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ pandas numpy scikit-learn

2.5.2 版本验证脚本

在终端或 Jupyter 中运行以下代码，确认库已正确安装且版本兼容：

import pandas as pd
import numpy as np
import sklearn

print("pandas version:", pd.__version__)
print("numpy version:", np.__version__)
print("scikit-learn version:", sklearn.__version__)

# 快速功能验证
data = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
print("\nDataFrame 创建成功：")
print(data)
print("\nnumpy 数组求和：", np.sum([10, 20, 30]))
print("scikit-learn 版本号格式正确：", sklearn.__version__.startswith('1.'))

预期输出类似：

pandas version: 2.2.3
numpy version: 1.26.4
scikit-learn version: 1.5.2

DataFrame 创建成功：
   A  B
0  1  4
1  2  5
2  3  6

numpy 数组求和： 60
scikit-learn 版本号格式正确： True

2.6 开发环境全景架构

下图展示了从操作系统到应用层的完整开发环境层级关系，帮助你理解各组件如何协同工作。