2. 精算模型开发环境搭建：Python 环境配置、Anaconda 与虚拟环境、依赖管理
精算模型从开发到生产上线，第一步就是搭建一个可复现、可隔离、可迁移的 Python 开发环境。本章将围绕 Python 解释器安装、Anaconda 虚拟环境管理 以及 依赖锁定与导出 三个核心环节展开，确保团队协作与生产部署时环境一致，避免“在我电脑上能跑”的经典问题。
2.1 Python 环境配置：版本选择与安装验证
精算模型通常依赖科学计算与机器学习库（如 NumPy、Pandas、Scikit-learn、PyTorch），建议使用 Python 3.9 ~ 3.12 版本。过旧的版本（如 3.7 以下）已停止安全更新，过新的版本（如 3.13）部分库可能尚未兼容。
| 版本 | 推荐场景 | 注意事项 |
|---|---|---|
| Python 3.9 | 存量项目、旧版 TensorFlow/PyTorch | 部分新库已停止支持 |
| Python 3.10 | 多数精算项目首选 | 稳定，生态兼容性好 |
| Python 3.11 | 新项目、追求性能提升 | 启动速度与错误提示优化 |
| Python 3.12 | 前沿探索、新库适配 | 部分旧库可能缺失 wheel |
验证安装： 打开终端执行
python --version 与 pip --version，确认解释器路径与版本号。若系统预装 Python 2，请使用 python3 命令区分。
2.2 Anaconda 与虚拟环境：隔离与复现的核心
Anaconda 是精算领域最常用的 Python 发行版，内置 conda 包管理器，支持创建独立的虚拟环境，避免不同项目间的依赖冲突。每个虚拟环境拥有独立的 Python 解释器、库集合与路径配置。
2.2.1 创建与激活虚拟环境
# 创建名为 actuarial_env 的环境，指定 Python 3.10
conda create -n actuarial_env python=3.10
# 激活环境（Windows）
conda activate actuarial_env
# 激活环境（macOS/Linux）
source activate actuarial_env
# 退出当前环境
conda deactivate
最佳实践： 每个精算模型项目对应一个独立虚拟环境，命名规则建议为
项目名_env，如 lapse_model_env、pricing_engine_env。
2.2.2 环境管理常用命令
| 操作 | 命令 | 说明 |
|---|---|---|
| 列出所有环境 | conda env list |
显示环境路径，当前环境前有 * 标记 |
| 克隆环境 | conda create -n new_env --clone old_env |
用于快速复制基线环境 |
| 删除环境 | conda remove -n env_name --all |
彻底移除环境及其所有包 |
| 导出环境 | conda env export > environment.yml |
包含 conda 与 pip 包，适合跨平台 |
2.3 依赖管理：requirements.txt 与 environment.yml
精算模型上线时，必须锁定所有依赖库的精确版本，避免因库版本升级导致模型输出不一致。Python 生态中两种主流锁定方式对比如下：
| 文件格式 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
requirements.txt |
纯 pip 项目、轻量部署 | 简单直接，Docker 构建常用 | 不记录 conda 包与渠道 |
environment.yml |
Anaconda 项目、跨平台 | 包含 conda 与 pip 包，可指定渠道 | 文件较大，部分包解析较慢 |
2.3.1 生成 requirements.txt
# 在激活的虚拟环境中执行
pip freeze > requirements.txt
# 推荐：仅导出当前项目实际导入的依赖（使用 pipreqs）
pip install pipreqs
pipreqs ./ --force
注意：
pip freeze 会导出环境中所有已安装的包，包括间接依赖，可能导致 requirements.txt 冗余。生产环境建议使用 pipreqs 或 pip-tools 进行依赖裁剪。
2.3.2 生成 environment.yml
# 导出当前激活环境的完整配置
conda env export > environment.yml
# 仅导出显式安装的包（不含依赖树）
conda env export --from-history > environment.yml2.3.3 从锁定文件重建环境
# 从 requirements.txt 安装
pip install -r requirements.txt
# 从 environment.yml 创建环境
conda env create -f environment.yml2.4 环境一致性检查清单
在将模型交付给 DevOps 或生产团队前，请逐项确认以下环境要素：
- Python 版本：开发环境与生产环境使用相同大版本（如 3.10.x）
- 依赖锁定文件：已生成
requirements.txt或environment.yml并提交至 Git - 无本地路径依赖：所有依赖均来自 PyPI 或 conda 官方渠道，无
-e .或本地 wheel - 跨平台测试：在 Linux/macOS/Windows 至少两个平台上执行
pip install -r requirements.txt验证 - 模型输出复现：在新环境中运行模型脚本，输出结果与开发环境一致（误差在浮点精度内）
推荐工具链： conda + pip-tools + pipreqs + Git LFS（用于大模型文件）。对于精算模型中的随机数种子、参数初始化等，建议在代码中显式固定
random.seed() 与 numpy.random.seed()，避免环境差异导致结果波动。