2. Python 环境准备：Anaconda 安装、Jupyter Notebook 配置、虚拟环境创建与依赖库安装

在开始知识图谱样本偏差校验实战之前，搭建一个干净、可复现的 Python 开发环境是首要任务。本章将引导你完成从 Anaconda 安装到核心依赖库配置的全流程，确保后续章节的代码能够稳定运行。

2.1 环境概览与工具选择

本课程采用 Anaconda 作为 Python 发行版与包管理器，搭配 Jupyter Notebook 作为交互式开发界面。Anaconda 内置了 conda 虚拟环境管理功能，能够有效隔离不同项目的依赖冲突，这对于数据科学和知识图谱项目尤为重要。

2.2 Anaconda 安装步骤

Anaconda 支持 Windows、macOS 和 Linux 三大平台。以下以 Windows 为例，其他平台操作类似。

2.3 Jupyter Notebook 配置

Jupyter Notebook 是数据科学领域最流行的交互式编程环境之一。Anaconda 已内置 Jupyter，我们只需进行基础配置即可使用。

2.3.1 启动 Jupyter Notebook

在 Anaconda Prompt 或终端中执行以下命令：

# 直接启动（默认端口 8888）
jupyter notebook

# 指定端口启动（避免端口冲突）
jupyter notebook --port 9999

# 指定工作目录启动
jupyter notebook --notebook-dir D:\kg_course

启动后，浏览器会自动打开 Jupyter 界面，默认地址为 http://localhost:8888。

2.3.2 配置密码与远程访问（可选）

如果需要远程访问 Jupyter，建议设置密码：

# 生成配置文件
jupyter notebook --generate-config

# 设置密码
jupyter notebook password
# 按提示输入密码并确认

配置文件位于 C:\Users\用户名\.jupyter\jupyter_notebook_config.py，可在此文件中修改端口、IP 绑定等参数。

2.4 创建虚拟环境

虚拟环境是 Python 项目隔离的最佳实践。本课程将创建一个名为 kg_env 的专用环境。

2.4.1 使用 conda 创建环境

# 创建名为 kg_env 的虚拟环境，指定 Python 版本为 3.9
conda create -n kg_env python=3.9 -y

# 激活虚拟环境（Windows）
conda activate kg_env

# 激活虚拟环境（macOS/Linux）
source activate kg_env

# 查看当前环境中的包列表
conda list

2.4.2 环境管理常用命令

2.5 安装核心依赖库

本课程的知识图谱样本偏差校验实战将依赖以下四个核心库。请在激活 kg_env 环境后执行安装。

2.5.1 依赖库清单与用途

2.5.2 安装命令

# 确保已激活虚拟环境
conda activate kg_env

# 方式一：使用 conda 安装（推荐，自动处理依赖冲突）
conda install pandas numpy scikit-learn matplotlib -y

# 方式二：使用 pip 安装（如果 conda 源中版本较旧）
pip install pandas numpy scikit-learn matplotlib

# 验证安装（在 Python 交互环境或 Jupyter 中执行）
python -c "import pandas; import numpy; import sklearn; import matplotlib; print('All libraries installed successfully!')"

2.5.3 安装验证与版本检查

# 在 Jupyter Notebook 或 Python 脚本中执行
import pandas as pd
import numpy as np
import sklearn
import matplotlib

print(f"pandas version: {pd.__version__}")
print(f"numpy version: {np.__version__}")
print(f"scikit-learn version: {sklearn.__version__}")
print(f"matplotlib version: {matplotlib.__version__}")

预期输出示例：

pandas version: 1.5.3
numpy version: 1.24.3
scikit-learn version: 1.2.2
matplotlib version: 3.7.1

2.6 环境验证与快速测试

完成上述步骤后，建议执行一个完整的集成测试，确保所有组件协同工作。

# 在 Jupyter Notebook 中新建一个单元格，粘贴以下代码并运行
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 1. 生成模拟数据
np.random.seed(42)
data = pd.DataFrame({
    'entity_id': range(1000),
    'relation_count': np.random.poisson(5, 1000),
    'attribute_completeness': np.random.uniform(0.3, 1.0, 1000),
    'source_quality': np.random.choice(['high', 'medium', 'low'], 1000)
})

# 2. 数据基本信息
print("数据形状:", data.shape)
print("\n前5行数据:\n", data.head())
print("\n缺失值统计:\n", data.isnull().sum())

# 3. 简单统计分析
print("\nrelation_count 描述性统计:\n", data['relation_count'].describe())

# 4. 可视化测试
plt.figure(figsize=(8, 4))
data['relation_count'].hist(bins=30, color='#3498db', edgecolor='white')
plt.title('Relation Count Distribution')
plt.xlabel('Count')
plt.ylabel('Frequency')
plt.grid(axis='y', alpha=0.3)
plt.show()

print("\n✅ 环境验证通过！所有依赖库正常工作。")

2.7 常见问题与解决方案