2. Python 环境搭建：Anaconda安装、Jupyter Notebook配置、XGBoost库安装、pandas/sklearn等依赖库安装

在开始精算模型与XGBoost风控实战之前，搭建一个稳定、可复现的Python开发环境是第一步。本章将引导你完成从基础环境安装到核心依赖库配置的全流程，确保后续所有代码示例和模型训练能够顺利运行。

2.1 环境概览：精算风控的技术栈

本课程采用的技术栈以Anaconda作为发行版基础，集成Jupyter Notebook作为交互式开发环境，并围绕XGBoost、pandas、scikit-learn等核心库构建。下图展示了各组件之间的依赖关系与数据流向：

2.2 Anaconda 安装与配置

Anaconda 是一个开源的 Python 发行版，内置了 conda 包管理器、Python 解释器以及 1500+ 科学计算包。使用 Anaconda 可以避免手动解决依赖冲突，特别适合精算与风控场景下的多环境管理。

2.2.1 安装步骤

1. 下载安装包：访问 Anaconda 官网，选择对应操作系统（Windows / macOS / Linux）的 Python 3.9+ 版本。
2. 执行安装：
   • Windows：双击 .exe 文件，勾选 "Add Anaconda to my PATH environment variable"（建议勾选，便于命令行调用）。
   • macOS/Linux：在终端运行 bash Anaconda3-*.sh，按提示完成安装。
3. 验证安装：打开终端（或 Anaconda Prompt），输入以下命令：

conda --version
python --version

若正确显示版本号，则安装成功。

2.2.2 创建独立虚拟环境

为避免不同项目间的包版本冲突，建议为本课程创建一个专用虚拟环境：

conda create -n actuarial_xgb python=3.9 -y
conda activate actuarial_xgb

2.3 Jupyter Notebook 配置

Jupyter Notebook 提供基于 Web 的交互式编程界面，支持代码、公式、图表和文档混排，是精算模型探索与风控策略分析的首选工具。

2.3.1 安装与启动

在已激活的虚拟环境中执行：

conda install jupyter notebook -y
jupyter notebook

执行后终端会输出一个本地 URL（如 http://localhost:8888），浏览器将自动打开 Notebook 界面。

2.3.2 常用配置优化

配置项	说明	推荐设置
自动保存间隔	防止意外丢失代码	60 秒
代码补全	提升编码效率	启用（Hinterland 扩展）
行号显示	便于调试与定位	启用
默认工作目录	统一项目文件存放路径	设置为课程项目根目录

配置方法：在 Notebook 界面中点击 Edit → nbextensions config，勾选所需扩展。

2.4 XGBoost 库安装

XGBoost（eXtreme Gradient Boosting）是风控建模中常用的梯度提升框架，具有高效、灵活、可处理缺失值等优势。安装方式如下：

# 方式一：使用 conda 安装（推荐，自动处理依赖）
conda install -c conda-forge xgboost -y

# 方式二：使用 pip 安装
pip install xgboost

验证安装：

python -c "import xgboost; print(xgboost.__version__)"

输出示例：2.0.3

2.5 依赖库安装（pandas / scikit-learn 等）

精算风控项目依赖多个数据处理与机器学习库。下表列出核心依赖及其用途：

库名称	版本要求	主要用途	安装命令
pandas	≥1.4	数据清洗、聚合、时间序列处理	conda install pandas
NumPy	≥1.21	数值计算、矩阵运算	conda install numpy
scikit-learn	≥1.0	模型评估、特征工程、基础分类器	conda install scikit-learn
Matplotlib	≥3.5	可视化：ROC曲线、特征重要性	conda install matplotlib
seaborn	≥0.11	统计图表美化	conda install seaborn
imbalanced-learn	≥0.9	风控样本不平衡处理（SMOTE等）	pip install imbalanced-learn

批量安装命令（在虚拟环境中执行）：

conda install pandas numpy scikit-learn matplotlib seaborn -y
pip install imbalanced-learn

2.6 环境验证脚本

完成所有安装后，运行以下脚本验证环境是否就绪：

import sys
import pandas as pd
import numpy as np
import sklearn
import xgboost as xgb
import matplotlib
import seaborn as sns

print("Python 版本:", sys.version)
print("pandas 版本:", pd.__version__)
print("NumPy 版本:", np.__version__)
print("scikit-learn 版本:", sklearn.__version__)
print("XGBoost 版本:", xgb.__version__)
print("Matplotlib 版本:", matplotlib.__version__)
print("seaborn 版本:", sns.__version__)
print("✅ 所有依赖库安装成功！")

若所有版本号正常输出且无 ImportError，则环境搭建完成。

2.7 环境搭建流程总结

下图概括了从零开始搭建完整开发环境的步骤与依赖关系：