2. 环境搭建与工具准备

在开始特征回放对比的实践之前，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 Python 解释器安装到核心数据科学库验证的全流程，确保后续所有实验都能在统一的环境中顺利运行。

2.1 Python 环境配置

推荐使用 Python 3.9 ~ 3.12 版本，避免使用 Python 2.x 或过旧的 3.x 版本。以下是两种主流的环境配置方式：

2.2 Jupyter Notebook 安装

Jupyter Notebook 是特征回放对比工作中最常用的交互式开发工具，支持代码、可视化图表与说明文本的混合编排。安装步骤如下：

1. 激活环境： conda activate feature_replay
2. 安装 Jupyter： conda install jupyter notebook 或 pip install jupyter
3. 启动服务： 终端执行 jupyter notebook，浏览器自动打开工作台
4. 验证安装： 新建一个 Notebook，执行 import jupyter; print(jupyter.__version__)

2.3 核心依赖库安装与验证

特征回放对比涉及数据处理、数值计算、可视化与机器学习建模四个核心环节，对应的依赖库如下：

安装完成后，建议执行以下验证脚本，确保所有库均可正常导入且版本符合要求：

# 验证脚本：check_env.py
import sys
import pandas as pd
import numpy as np
import matplotlib
import sklearn

print(f"Python 版本: {sys.version}")
print(f"pandas 版本: {pd.__version__}")
print(f"numpy  版本: {np.__version__}")
print(f"matplotlib 版本: {matplotlib.__version__}")
print(f"scikit-learn 版本: {sklearn.__version__}")

# 快速功能测试
df = pd.DataFrame({'a': [1, 2, 3], 'b': [4, 5, 6]})
arr = np.array([1, 2, 3])
print(f"pandas DataFrame 创建成功: {df.shape}")
print(f"numpy 数组均值: {arr.mean()}")
print("✅ 所有核心库安装验证通过！")

2.4 环境架构总览

下图展示了从底层操作系统到上层应用工具的完整环境层级关系，帮助你理解各组件之间的依赖与协作方式：

2.5 依赖关系与数据流

在特征回放对比的实际工作流中，四个核心库并非孤立运行，而是形成一条清晰的数据处理链路。下图展示了从原始数据输入到最终对比结果输出的完整数据流：

2.6 环境验证清单

完成上述所有步骤后，请对照以下清单逐项确认，确保环境准备无遗漏：