2. 环境准备与依赖管理：Python虚拟环境搭建、pip与conda使用、requirements.txt与Docker基础
在构建异常交易检测模型时，环境隔离与依赖管理是保障项目可复现、可部署的基石。本章将系统讲解Python虚拟环境的核心工具、依赖锁定机制以及容器化基础，确保你的模型从开发到生产环境行为一致。
2.1 Python虚拟环境：为什么需要隔离？
金融风控项目通常依赖多个第三方库（如pandas、scikit-learn、xgboost、flask），不同项目可能对同一库的版本要求不同。虚拟环境为每个项目创建独立的Python解释器与包目录，避免全局冲突。
| 对比维度 | 全局环境 | 虚拟环境 |
|---|---|---|
| 包隔离性 | 所有项目共享 | 项目独立 |
| 版本冲突风险 | 高 | 低 |
| 部署可复现性 | 差 | 强 |
| 推荐场景 | 快速测试 | 生产/团队协作 |
2.2 使用venv搭建虚拟环境
Python 3.3+ 内置 venv 模块，无需额外安装。以下是标准操作流程：
- 创建虚拟环境：在项目根目录执行
python -m venv venv，会在当前目录生成venv/文件夹。 - 激活环境：
- Windows：
venv\Scripts\activate - macOS/Linux：
source venv/bin/activate
- Windows：
- 验证激活：终端提示符前出现
(venv)前缀，执行which python指向环境内解释器。 - 退出环境：执行
deactivate。
最佳实践： 将
venv/ 目录加入 .gitignore，避免将环境文件提交到版本控制。团队其他成员通过 requirements.txt 重建环境。
2.3 pip包管理与依赖锁定
pip 是Python官方包管理器，用于安装、升级和卸载第三方库。在虚拟环境激活状态下，所有操作仅影响当前环境。
常用pip命令速查
| 命令 | 说明 |
|---|---|
pip install <package> | 安装最新版本 |
pip install <package>==1.2.3 | 安装指定版本 |
pip install -r requirements.txt | 从文件批量安装 |
pip list | 列出当前环境所有包 |
pip freeze > requirements.txt | 导出当前环境依赖（含版本号） |
requirements.txt 规范示例
# 异常交易检测项目依赖
pandas==1.5.3
numpy==1.24.3
scikit-learn==1.2.2
xgboost==1.7.6
imbalanced-learn==0.10.1
flask==2.3.3
gunicorn==20.1.0
redis==4.5.5
提示： 使用
pip freeze 导出时，会包含所有间接依赖。建议手动整理，只保留顶层直接依赖，并锁定主版本号，让pip自动解析兼容的次版本。
2.4 conda环境管理
对于数据科学和机器学习项目，conda 提供了更强大的环境管理能力，尤其适合处理非Python依赖（如C++库、CUDA驱动）。
conda vs pip 核心差异
| 特性 | conda | pip |
|---|---|---|
| 包来源 | Anaconda仓库 + 自定义channel | PyPI |
| 依赖解析 | 内置SAT求解器，自动处理冲突 | 依赖链解析，可能遗漏 |
| 非Python包 | 支持（如C/C++库、R包） | 仅Python包 |
| 环境创建 | conda create -n myenv python=3.9 | 需先创建venv再激活 |
| 导出环境 | conda env export > environment.yml | pip freeze > requirements.txt |
conda常用操作
# 创建环境并指定Python版本
conda create -n fraud_detection python=3.9
# 激活环境
conda activate fraud_detection
# 安装包（从默认channel）
conda install pandas scikit-learn xgboost
# 从conda-forge channel安装
conda install -c conda-forge imbalanced-learn
# 导出环境文件
conda env export > environment.yml
# 从文件重建环境
conda env create -f environment.yml
# 退出环境
conda deactivate
注意： 在conda环境中仍可使用
pip install，但应优先使用conda安装。混用时，先装conda包，再装pip包，避免依赖覆盖。导出环境时，conda不会记录pip安装的包，需额外使用 pip freeze 补充。
2.5 Docker基础与容器化
Docker将应用及其依赖打包到轻量级容器中，确保开发、测试、生产环境完全一致。对于异常交易检测服务，Docker是微服务部署的标准方案。
Docker核心概念
- 镜像（Image）：只读模板，包含操作系统、Python、依赖库和代码。
- 容器（Container）：镜像的运行实例，可启动、停止、删除。
- Dockerfile：构建镜像的指令文件。
- docker-compose：编排多容器服务（如模型API + Redis + 数据库）。
异常交易检测服务Dockerfile示例
# 使用官方Python基础镜像
FROM python:3.9-slim
# 设置工作目录
WORKDIR /app
# 复制依赖文件并安装
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
# 复制应用代码
COPY . .
# 暴露服务端口
EXPOSE 5000
# 启动命令
CMD ["gunicorn", "-w", "4", "-b", "0.0.0.0:5000", "app:app"]
构建与运行命令
# 构建镜像（在Dockerfile所在目录）
docker build -t fraud-detection-api:v1 .
# 运行容器（映射端口）
docker run -d -p 5000:5000 --name fraud-api fraud-detection-api:v1
# 查看运行中的容器
docker ps
# 停止并删除容器
docker stop fraud-api && docker rm fraud-api
生产建议： 使用
python:3.9-slim 而非完整版，可大幅减小镜像体积。对于需要GPU加速的模型，选择 nvidia/cuda:11.8-runtime-ubuntu22.04 作为基础镜像，并安装对应Python环境。
2.6 环境管理流程总览
下图展示了从开发到部署的完整环境管理链路：
2.7 环境一致性检查清单
在团队协作或部署前，建议逐项核对以下要点：
- Python版本：确认所有环境使用相同主版本（如3.9.x），避免语法差异。
- 依赖版本锁定：requirements.txt 中每个包都指定了主版本号，避免自动升级引入不兼容。
- 操作系统差异：Windows与Linux在路径分隔符、换行符、C扩展编译上存在差异，优先在Linux容器中运行。
- GPU驱动：如果模型使用GPU推理，确保Docker镜像安装了匹配的CUDA和cuDNN版本。
- 环境变量：数据库连接串、API密钥等敏感信息通过环境变量注入，不硬编码在代码或镜像中。
实战建议： 在项目根目录创建
Makefile 或 setup.sh 脚本，将环境创建、依赖安装、Docker构建等命令封装为一条命令，降低新成员上手成本。