2. 环境准备：Python虚拟环境搭建、Anaconda与Miniconda的选择、Jupyter Lab配置

在开始构建异常交易检测模型之前，搭建一个干净、可复现的Python开发环境是至关重要的第一步。本章将系统讲解虚拟环境的核心概念、Anaconda与Miniconda的选型策略，以及Jupyter Lab的配置方法，确保你后续的模型开发与部署工作在一个隔离且稳定的环境中进行。

2.1 Python虚拟环境：为什么需要隔离？

Python项目通常依赖不同版本的第三方库。例如，异常检测模型可能依赖 scikit-learn 1.2，而另一个项目需要 scikit-learn 0.24。如果不做隔离，全局安装会导致版本冲突。虚拟环境为每个项目创建独立的Python解释器和包目录，从根本上解决依赖冲突问题。

2.2 Anaconda vs Miniconda：如何选择？

Conda是一个跨平台的包管理和环境管理工具。Anaconda和Miniconda都基于Conda，但安装包体积和预装内容不同。下表从数据科学和MLOps角度对比两者的差异：

下图展示了Anaconda与Miniconda在安装体积和包管理策略上的核心差异：

2.3 使用Miniconda搭建虚拟环境：分步指南

以下步骤基于Miniconda（或已安装Conda的环境）进行操作，适用于Windows/macOS/Linux。

步骤1：安装Miniconda

访问 Miniconda官方下载页面，选择对应操作系统的安装包。安装时建议勾选“Add Miniconda to my PATH environment variable”（Windows）或按照终端提示完成初始化。

步骤2：验证安装

conda --version
# 输出示例: conda 24.1.2

步骤3：创建虚拟环境

为异常交易检测项目创建名为 fraud_detection 的环境，指定Python版本为3.10：

conda create -n fraud_detection python=3.10 -y

步骤4：激活环境

conda activate fraud_detection

激活后，终端提示符会显示 (fraud_detection)，表示当前处于该虚拟环境中。

步骤5：安装核心依赖

# 安装数据科学基础库
conda install numpy pandas scikit-learn matplotlib seaborn -y

# 安装Jupyter Lab（用于交互式开发）
conda install jupyterlab -y

步骤6：导出环境配置（用于复现）

conda env export > environment.yml

该文件记录了当前环境的所有包及其版本，团队成员或部署服务器可通过 conda env create -f environment.yml 重建完全一致的环境。

2.4 Jupyter Lab配置：打造交互式开发环境

Jupyter Lab是Jupyter Notebook的下一代界面，提供更现代的IDE体验，支持多标签页、文件浏览器、终端集成等功能。在异常检测模型开发中，Jupyter Lab非常适合进行数据探索、特征工程和模型原型验证。

2.4.1 启动Jupyter Lab

确保已激活 fraud_detection 环境，在终端执行：

jupyter lab

浏览器将自动打开 http://localhost:8888/lab，界面左侧为文件浏览器，右侧为工作区。

2.4.2 配置内核与虚拟环境绑定

为了让Jupyter Lab识别Conda虚拟环境，需要安装 ipykernel 并将环境注册为内核：

# 在 fraud_detection 环境中安装 ipykernel
conda install ipykernel -y

# 将当前环境注册为Jupyter内核
python -m ipykernel install --user --name fraud_detection --display-name "Python (fraud_detection)"

重启Jupyter Lab后，在新建Notebook时即可选择 Python (fraud_detection) 内核。

2.4.3 常用配置优化

配置方法：点击菜单栏 Settings → Advanced Settings Editor，在 Notebook 或 Editor 部分修改JSON配置。

2.5 环境验证：快速测试

完成上述配置后，在Jupyter Lab中新建一个Notebook，选择 fraud_detection 内核，运行以下代码验证环境是否正常：

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

print(f"NumPy 版本: {np.__version__}")
print(f"Pandas 版本: {pd.__version__}")
print(f"Scikit-learn 版本: {sklearn.__version__}")

# 生成一个简单的异常检测模拟数据
data = np.random.randn(100, 2)
outliers = np.random.uniform(low=-4, high=4, size=(5, 2))
combined = np.vstack([data, outliers])

plt.figure(figsize=(6, 4))
plt.scatter(combined[:, 0], combined[:, 1], c='#3498db', alpha=0.6)
plt.title("异常交易检测 - 环境测试数据")
plt.xlabel("特征1")
plt.ylabel("特征2")
plt.show()

如果代码无报错且成功显示散点图，说明环境搭建完成，可以进入下一章的数据准备阶段。