3. 环境搭建：Python环境、XGBoost库安装、Flask/FastAPI框架选择、Docker基础

本章将搭建完整的XGBoost实时评分模型部署环境。一个稳定、可复现的环境是模型从开发到生产的关键基础。我们将依次完成Python环境配置、XGBoost库安装、Web框架选型与安装，以及Docker容器化基础。

3.1 Python环境配置

推荐使用 Python 3.9 ~ 3.12 版本，并采用虚拟环境隔离项目依赖。以下是两种主流方案对比：

创建并激活虚拟环境：

# 创建虚拟环境
python -m venv xgb_deploy_env

# 激活（Linux/macOS）
source xgb_deploy_env/bin/activate

# 激活（Windows）
xgb_deploy_env\Scripts\activate

3.2 XGBoost库安装

XGBoost提供CPU和GPU两种计算后端。根据硬件环境选择安装方式：

# CPU版本（通用）
pip install xgboost

# GPU版本（需NVIDIA显卡 + CUDA）
pip install xgboost-gpu  # 或 pip install xgboost[cuda]

验证安装：

import xgboost as xgb
print(xgb.__version__)  # 输出示例：2.1.1

3.3 Web框架选择：Flask vs FastAPI

实时评分需要Web框架接收HTTP请求并返回预测结果。以下是两个主流框架的对比：

安装FastAPI及生产服务器Uvicorn：

pip install fastapi uvicorn[standard]

3.4 Docker基础

Docker将应用及其依赖打包成轻量级容器，确保环境一致性。以下是部署XGBoost模型的核心Docker概念：

• 镜像（Image）：包含Python、XGBoost、FastAPI及模型文件的只读模板。
• 容器（Container）：镜像的运行实例，提供隔离的运行环境。
• Dockerfile：定义如何构建镜像的脚本。
• docker-compose：编排多容器服务（如模型服务+数据库）。

3.5 编写Dockerfile

以下是一个针对XGBoost实时评分服务的Dockerfile示例：

# 基础镜像：官方Python 3.11 slim版
FROM python:3.11-slim

# 设置工作目录
WORKDIR /app

# 复制依赖文件
COPY requirements.txt .

# 安装Python依赖
RUN pip install --no-cache-dir -r requirements.txt

# 复制应用代码和模型文件
COPY ./app ./app
COPY ./model ./model

# 暴露服务端口
EXPOSE 8000

# 启动命令
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]

对应的 requirements.txt：

xgboost==2.1.1
fastapi==0.115.0
uvicorn[standard]==0.30.0
pydantic==2.9.0
pandas==2.2.0
numpy==1.26.0

3.6 构建与运行容器

使用以下命令构建镜像并启动容器：

# 构建镜像
docker build -t xgb-score-service:latest .

# 运行容器
docker run -d --name xgb-service -p 8000:8000 xgb-score-service:latest

# 查看运行状态
docker ps

# 测试服务
curl -X POST http://localhost:8000/predict \
  -H "Content-Type: application/json" \
  -d '{"features": [5.1, 3.5, 1.4, 0.2]}'

3.7 环境验证清单

完成上述步骤后，使用以下清单确认环境就绪：