3. 环境搭建：Python环境配置、LightGBM库安装、依赖包安装与验证

在开始训练LightGBM额度定价模型之前，必须搭建一个稳定、可复现的Python开发环境。本节将指导你完成从Python解释器安装到核心依赖包验证的全流程，确保后续所有实验环节无环境障碍。

3.1 Python环境配置

推荐使用Python 3.8～3.11版本（LightGBM 4.x对3.12+的支持尚在完善中）。以下为两种主流配置方式：

Miniconda安装与虚拟环境创建

# 1. 下载并安装 Miniconda（Linux/macOS/Windows 均支持）
#    下载地址：https://docs.conda.io/en/latest/miniconda.html

# 2. 创建虚拟环境（指定Python 3.10）
conda create -n lgbm_credit python=3.10 -y

# 3. 激活环境
conda activate lgbm_credit

# 4. 验证Python版本
python --version
# 输出示例：Python 3.10.16

3.2 核心依赖包安装

额度定价模型依赖以下四个核心库，安装顺序无严格要求，但建议一次性安装以避免反复解析依赖。

# 在激活的 lgbm_credit 环境中执行
pip install pandas numpy scikit-learn lightgbm

# 如需指定版本（推荐与课程保持一致）
pip install pandas==2.1.4 numpy==1.26.4 scikit-learn==1.4.2 lightgbm==4.5.0

3.3 依赖包验证

安装完成后，通过以下脚本验证所有包是否正确导入且版本符合要求：

import pandas as pd
import numpy as np
import sklearn
import lightgbm as lgb

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

# 快速功能验证：创建简单数据集并训练LightGBM
X = np.random.rand(100, 5)
y = np.random.randint(0, 2, 100)
train_data = lgb.Dataset(X, label=y)
params = {'objective': 'binary', 'metric': 'auc', 'verbose': -1}
model = lgb.train(params, train_data, num_boost_round=10)
print("✅ LightGBM 训练验证通过！")

预期输出示例：

pandas       : 2.1.4
numpy        : 1.26.4
scikit-learn : 1.4.2
lightgbm     : 4.5.0
✅ LightGBM 训练验证通过！

3.4 环境依赖关系总览

下图展示了本课程中Python环境、依赖包与后续模型训练之间的层级关系：

3.5 环境验证清单

完成上述步骤后，请逐项核对以下清单，确保环境就绪：

• ✅ Miniconda 已安装，虚拟环境 lgbm_credit 已激活
• ✅ Python 版本为 3.8～3.11（推荐 3.10）
• ✅ pandas、numpy、scikit-learn、lightgbm 均已通过 pip 安装
• ✅ 验证脚本无报错，输出版本号与预期一致
• ✅ LightGBM 简单训练测试通过（输出 ✅ 标识）