2. Python环境准备：Anaconda安装、Jupyter Notebook配置与必备库验证

在开始构建分群评分沙盘样本与模型训练之前，必须搭建一个稳定、可复现的Python数据科学环境。本章将引导你完成Anaconda的安装、Jupyter Notebook的配置，以及核心库的安装与验证。一个干净的环境是后续所有实验的基石。

2.1 Anaconda：一站式数据科学平台

Anaconda是一个开源的Python发行版，专为数据科学和机器学习设计。它预装了超过1500个科学计算包，并提供了强大的包管理器conda和环境管理功能，避免了手动安装依赖时常见的版本冲突问题。

2.2 安装与验证步骤

1. 下载安装包：根据操作系统选择64位图形化安装程序。
2. 执行安装：
   • Windows：双击.exe文件，勾选“Add Anaconda to my PATH environment variable”（建议勾选，方便命令行调用）。
   • macOS/Linux：在终端运行.sh文件，按照提示完成安装。
3. 验证安装：打开终端（Windows为Anaconda Prompt），输入以下命令：

conda --version
python --version

若正确显示版本号（如conda 23.9.0、Python 3.11.5），则安装成功。

2.3 Jupyter Notebook：交互式开发环境

Jupyter Notebook是数据科学领域最流行的交互式编程工具之一，支持代码、文本、公式、图表的混合编辑，非常适合进行探索性数据分析和模型原型开发。

Anaconda已内置Jupyter Notebook，无需单独安装。启动方式如下：

# 在终端或Anaconda Prompt中运行
jupyter notebook

命令执行后，浏览器将自动打开Jupyter主界面，默认地址为http://localhost:8888。点击右上角“New” → “Python 3 (ipykernel)”即可创建新的笔记本。

2.4 必备库安装与验证

本课程的核心库包括：pandas（数据处理）、numpy（数值计算）、scikit-learn（机器学习）、matplotlib（基础绘图）和seaborn（统计可视化）。

虽然Anaconda已预装大部分库，但建议在项目专属环境中重新安装以确保版本一致。打开终端，执行以下命令：

# 创建并激活新环境（可选，推荐）
conda create -n scoring_env python=3.11
conda activate scoring_env

# 安装核心库
conda install pandas numpy scikit-learn matplotlib seaborn -y

安装完成后，在Jupyter Notebook中运行以下代码进行验证：

import pandas as pd
import numpy as np
import sklearn
import matplotlib.pyplot as plt
import seaborn as sns

print("pandas version:", pd.__version__)
print("numpy version:", np.__version__)
print("scikit-learn version:", sklearn.__version__)
print("matplotlib version:", plt.matplotlib.__version__)
print("seaborn version:", sns.__version__)
print("\n✅ 所有库导入成功，环境准备就绪！")

若输出各库的版本号且无报错，则环境配置完成。

2.5 环境架构总览

下图展示了从Anaconda基础层到应用层的完整技术栈，帮助你理解各组件之间的关系。

2.6 环境验证清单

完成上述步骤后，请对照下表逐项确认，确保环境万无一失。