2. 模型开发环境搭建：Python环境配置、依赖管理（pip/conda）、虚拟环境最佳实践

催收模型从开发到生产部署，环境一致性是首要挑战。本章聚焦于搭建可复现、可隔离、可迁移的Python开发环境，涵盖解释器选择、依赖锁定、虚拟环境策略及CI/CD集成要点。

2.1 Python版本选择与基础环境

催收模型通常依赖scikit-learn、XGBoost、LightGBM、pandas、numpy等库。Python版本建议统一使用3.9～3.11（3.12部分库尚未完全兼容）。

2.2 虚拟环境最佳实践

每个催收模型项目应拥有独立的虚拟环境，避免全局包污染。以下对比三种主流方案：

2.2.1 推荐工作流（pip + venv）

# 1. 创建项目目录
mkdir collection_model && cd collection_model

# 2. 创建虚拟环境
python3.10 -m venv .venv

# 3. 激活环境
source .venv/bin/activate   # Linux/Mac
# .venv\Scripts\activate    # Windows

# 4. 安装核心依赖
pip install --upgrade pip setuptools wheel
pip install pandas numpy scikit-learn xgboost lightgbm joblib

# 5. 导出精确依赖（生产环境使用）
pip freeze > requirements-lock.txt

2.3 依赖管理策略：从开发到生产

催收模型上线时，开发环境与生产环境的依赖必须完全一致。推荐采用多文件分层管理：

collection_model/
├── requirements/
│   ├── base.in          # 核心依赖（numpy, pandas, sklearn）
│   ├── dev.in           # 开发工具（pytest, black, flake8）
│   ├── base-lock.txt    # 编译后的精确锁定文件
│   └── dev-lock.txt
├── pyproject.toml       # 项目元数据
└── Dockerfile           # 生产镜像

2.3.1 使用pip-tools实现依赖编译

# 安装pip-tools
pip install pip-tools

# 编译基础依赖
pip-compile requirements/base.in -o requirements/base-lock.txt

# 编译开发依赖（包含base）
pip-compile requirements/dev.in -o requirements/dev-lock.txt

# 生产环境安装（只安装base）
pip install -r requirements/base-lock.txt

2.4 环境搭建流程总览

下图展示了从本地开发到生产部署的完整环境流转：

2.5 Conda环境配置（GPU场景）

当催收模型需要GPU训练（如使用XGBoost GPU加速或深度学习组件）时，推荐使用conda管理CUDA依赖：

# 使用Miniforge创建环境
conda create -n collection_model python=3.10

# 激活环境
conda activate collection_model

# 安装GPU相关依赖
conda install -c conda-forge cudatoolkit=11.8 cudnn=8.6

# 安装ML库
pip install xgboost lightgbm scikit-learn pandas numpy

# 导出环境
conda env export > environment.yml

2.6 环境一致性检查清单

2.7 生产部署前的环境验证

在将模型推送至生产前，执行以下验证步骤：

1. 锁定文件完整性检查：在CI中运行 pip install -r base-lock.txt --dry-run 确认无冲突。
2. 模型加载测试：使用生产环境镜像加载训练好的模型文件，确保pickle/joblib版本兼容。
3. 依赖安全扫描：使用 pip-audit 或 safety 检查已知漏洞。
4. 性能基线对比：在开发和生产环境运行相同推理样本，验证输出差异在容忍范围内。