📚 课程目录第4章项目环境搭建

4. 项目环境搭建：Python环境配置、XGBoost库安装、Jupyter Notebook设置、依赖包安装验证

在开始构建支付风控XGBoost分群评分模型之前，必须搭建一个稳定、可复现的Python开发环境。本章将指导你完成从Python解释器安装到核心依赖包验证的全流程，确保后续所有实验代码能够无差错运行。

4.1 环境概览与技术选型

本课程采用Python 3.9+作为基础运行环境，配合Anaconda发行版进行包管理与虚拟环境隔离。XGBoost作为核心建模引擎，需安装其GPU加速版本以应对支付场景下的大规模样本训练。

组件	推荐版本	说明
Python	3.9 ~ 3.11	兼容性最佳，避免3.12+的包依赖冲突
Anaconda	2024.10+	内置conda、Jupyter、常用科学计算库
XGBoost	2.1.x	支持GPU训练、单调约束、自定义目标函数
Jupyter Notebook	7.x	交互式开发与模型调试
pandas / numpy	2.2.x / 1.26.x	数据处理与矩阵运算
scikit-learn	1.5.x	模型评估、交叉验证、特征工程工具
matplotlib	3.9.x	可视化分群结果与特征重要性

支付风控环境提示：生产环境中建议使用Python 3.10 LTS版本，该版本在内存管理与多线程性能上对XGBoost有更好的支持。避免使用Python 3.12，因为部分旧版XGBoost wheel包尚未完全适配。

4.2 安装步骤与命令

4.2.1 创建独立虚拟环境

使用conda创建隔离环境，避免与系统Python或其他项目产生包冲突：

# 创建名为 fraud_risk_xgb 的环境，指定Python 3.10
conda create -n fraud_risk_xgb python=3.10 -y

# 激活环境
conda activate fraud_risk_xgb

# 验证Python版本
python --version
# 输出应为：Python 3.10.xx

4.2.2 安装XGBoost与核心依赖

按顺序安装依赖包，优先使用conda-forge渠道以确保二进制兼容性：

# 安装XGBoost（CPU版本，默认）
conda install -c conda-forge xgboost=2.1.1 -y

# 如需GPU加速（NVIDIA CUDA 12.x），安装GPU版本
# conda install -c conda-forge xgboost=2.1.1 cudatoolkit=12.4 -y

# 安装数据处理与机器学习库
conda install -c conda-forge pandas=2.2.2 numpy=1.26.4 scikit-learn=1.5.1 matplotlib=3.9.1 -y

# 安装Jupyter Notebook
conda install -c conda-forge jupyter notebook=7.2.2 -y

GPU版本安装注意：支付风控数据集通常包含数百万笔交易，强烈建议在配备NVIDIA GPU（显存≥8GB）的机器上安装XGBoost GPU版本。安装前请确认CUDA驱动版本≥12.0，并使用 nvidia-smi 命令检查。

4.3 环境验证脚本

执行以下完整验证脚本，确保所有组件正确安装并可被导入：

# environment_validation.py
import sys
import pandas as pd
import numpy as np
import sklearn
import xgboost as xgb
import matplotlib
import platform

print("=" * 50)
print("支付风控XGBoost环境验证报告")
print("=" * 50)

# Python版本
print(f"Python 版本: {sys.version.split()[0]}")

# 核心库版本
libs = {
    "pandas": pd.__version__,
    "numpy": np.__version__,
    "scikit-learn": sklearn.__version__,
    "XGBoost": xgb.__version__,
    "matplotlib": matplotlib.__version__
}

for name, ver in libs.items():
    print(f"{name:>15}: {ver}")

# XGBoost GPU可用性检查
try:
    import xgboost as xgb
    if xgb.build_info().get('USE_CUDA', False):
        print(f"{'XGBoost GPU':>15}: 已启用 (CUDA)")
    else:
        print(f"{'XGBoost GPU':>15}: 未启用 (CPU模式)")
except:
    print(f"{'XGBoost GPU':>15}: 无法检测")

# 简单矩阵运算验证
print("\n--- 矩阵运算验证 ---")
X = np.random.rand(100, 5)
y = np.random.randint(0, 2, 100)
model = xgb.XGBClassifier(n_estimators=10, max_depth=3, verbosity=0)
model.fit(X, y)
pred = model.predict(X[:5])
print(f"训练样本数: {X.shape[0]}, 特征数: {X.shape[1]}")
print(f"预测结果 (前5条): {pred}")
print("\n✅ 环境验证通过！所有组件正常工作。")

运行命令：

python environment_validation.py

预期输出应包含各库版本号，且最后显示“环境验证通过”。

4.4 依赖包功能对照

下表列出每个包在支付风控建模中的具体用途：

包名	支付风控场景用途	关键模块/函数
pandas	交易流水清洗、缺失值处理、时间窗口聚合、用户画像拼接	`read_csv()`, `groupby()`, `merge()`, `fillna()`
numpy	高性能数组运算、分群评分矩阵计算、概率阈值切分	`np.where()`, `np.percentile()`, `np.log1p()`
scikit-learn	训练集/测试集划分、特征标准化、模型评估指标（KS/AUC）	`train_test_split()`, `StandardScaler()`, `roc_auc_score()`
XGBoost	分群评分模型训练、特征重要性排序、单调约束、自定义损失	`XGBClassifier`, `XGBRegressor`, `cv()`, `plot_importance()`
matplotlib	分群分布直方图、特征重要性柱状图、ROC曲线、评分卡刻度	`plt.hist()`, `plt.barh()`, `plt.plot()`

4.5 Jupyter Notebook配置

为方便后续章节的交互式建模，需将虚拟环境注册为Jupyter内核：

# 安装ipykernel（如未安装）
conda install -c conda-forge ipykernel -y

# 将当前环境注册为Jupyter内核
python -m ipykernel install --user --name fraud_risk_xgb --display-name "Fraud Risk XGBoost"

# 启动Jupyter Notebook
jupyter notebook

启动后，在Jupyter界面右上角选择内核 Fraud Risk XGBoost，即可开始建模实验。

内核切换技巧：如果Jupyter中未显示新注册的内核，请重启Jupyter服务或执行 jupyter kernelspec list 检查内核列表。确保在Notebook中始终使用 fraud_risk_xgb 内核，避免包版本不一致导致的运行错误。

4.6 环境搭建流程总览

下图展示了从零开始搭建支付风控XGBoost开发环境的完整流程：

4.7 常见问题与解决方案

问题1： conda install 速度慢或超时。
解决： 更换国内镜像源，如清华源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
问题2： XGBoost导入报错 DLL load failed。
解决： 卸载后重新安装CPU版本：pip install xgboost==2.1.1 --no-cache-dir
问题3： Jupyter Notebook无法识别新内核。
解决： 执行 jupyter kernelspec list 查看已注册内核，若缺失则重新运行 python -m ipykernel install
问题4： GPU版本XGBoost训练报错 CUDA error。
解决： 检查CUDA版本是否匹配：nvcc --version，确保≥12.0；或回退至CPU版本

生产环境隔离建议：支付风控项目涉及敏感交易数据，严禁在base环境或共享环境中安装包。始终使用独立的conda虚拟环境，并在项目根目录下生成 environment.yml 文件以便团队复现：conda env export > environment.yml

4.8 环境验证结果示例

成功运行验证脚本后，应看到类似以下输出：

==================================================
支付风控XGBoost环境验证报告
==================================================
Python 版本: 3.10.15
         pandas: 2.2.2
          numpy: 1.26.4
  scikit-learn: 1.5.1
       XGBoost: 2.1.1
    matplotlib: 3.9.1
   XGBoost GPU: 未启用 (CPU模式)

--- 矩阵运算验证 ---
训练样本数: 100, 特征数: 5
预测结果 (前5条): [0 1 0 0 1]

✅ 环境验证通过！所有组件正常工作。