2. 环境搭建：Python与Anaconda安装、LightGBM库安装、Jupyter Notebook配置、GPU版本安装说明

在开始《LightGBM组合风险人群切片实战》之前，搭建一个稳定、可复现的机器学习开发环境是第一步。本章将引导你完成从基础Python环境到LightGBM GPU加速的全流程配置，确保后续所有实战代码能够无缝运行。

2.1 环境概览与版本选择

本课程推荐使用 Python 3.9~3.11 版本，配合 Anaconda 进行包管理与虚拟环境隔离。LightGBM 的 CPU 版本安装简单，GPU 版本则需要额外的 CUDA 和 Boost 库支持。下表列出了核心组件的推荐版本与用途：

2.2 Python 与 Anaconda 安装

Anaconda 是一个开源的 Python 发行版，内置了 conda 包管理器、Jupyter Notebook、Spyder 等工具，能够极大简化环境配置流程。

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 3.10+ 版本安装包。
2. 执行安装：
   • Windows： 双击安装包，勾选 "Add Anaconda to my PATH environment variable"（建议勾选，方便命令行调用），其余保持默认。
   • macOS/Linux： 在终端运行 bash Anaconda3-*.sh，按照提示完成安装。
3. 验证安装： 打开终端（或 Anaconda Prompt），输入以下命令：

conda --version
python --version

如果正确显示版本号，说明安装成功。

2.2.2 创建虚拟环境

为了避免不同项目之间的包冲突，强烈建议为本课程创建一个独立的虚拟环境：

conda create -n lgb_risk python=3.10 -y
conda activate lgb_risk

后续所有库的安装都在 lgb_risk 环境中进行。

2.3 LightGBM 库安装（CPU 版本）

CPU 版本安装最为简单，适合快速上手和中小规模数据集。在激活的虚拟环境中执行：

pip install lightgbm

或者使用 conda 安装（推荐，依赖管理更完善）：

conda install -c conda-forge lightgbm

安装完成后，通过 Python 验证：

python -c "import lightgbm as lgb; print(lgb.__version__)"

如果输出类似 4.5.0 的版本号，则安装成功。

2.4 Jupyter Notebook 配置

Jupyter Notebook 是本课程主要的交互式编程环境。Anaconda 已内置 Notebook，但需要将其内核绑定到我们创建的虚拟环境。

2.4.1 安装 ipykernel 并注册内核

conda activate lgb_risk
pip install ipykernel
python -m ipykernel install --user --name lgb_risk --display-name "Python (lgb_risk)"

启动 Jupyter Notebook：

jupyter notebook

在浏览器中打开后，新建 Notebook 时，在 Kernel > Change kernel 中选择 "Python (lgb_risk)" 即可。

2.5 GPU 版本安装说明

当处理百万级以上的风险样本时，GPU 加速可以显著缩短模型训练时间。LightGBM GPU 版本需要额外的系统级依赖。

2.5.1 前置条件检查

• NVIDIA 显卡： 计算能力 5.0+（GTX 10 系列及以上）。
• CUDA Toolkit： 版本 11.x 或 12.x（与显卡驱动匹配）。
• Boost 库： 用于 GPU 编译的依赖。

在终端检查 CUDA 是否可用：

nvidia-smi
nvcc --version

如果 nvidia-smi 显示驱动信息且 nvcc 显示 CUDA 版本，则满足条件。

2.5.2 安装 GPU 版本

LightGBM GPU 版本推荐从源码编译，以获得最佳性能。以下是基于 conda 的简化安装方式（Windows 与 Linux 通用）：

conda activate lgb_risk
# 安装 GPU 依赖
conda install -c conda-forge boost-cpp
# 安装 LightGBM GPU 版本
pip install lightgbm --install-option=--gpu

如果上述方法遇到编译错误，可以使用预编译的 wheel 包（仅限 Linux）：

pip install lightgbm --config-settings=cmake.define.USE_GPU=ON

2.5.3 验证 GPU 加速

运行以下 Python 代码，检查 LightGBM 是否成功识别 GPU：

import lightgbm as lgb
# 创建一个简单的数据集测试 GPU 训练
import numpy as np
X = np.random.rand(1000, 10)
y = np.random.randint(0, 2, 1000)
train_data = lgb.Dataset(X, label=y)
params = {
    'boosting_type': 'gbdt',
    'device': 'gpu',
    'gpu_platform_id': 0,
    'gpu_device_id': 0,
    'num_leaves': 31,
    'objective': 'binary',
    'verbose': -1
}
gbm = lgb.train(params, train_data, num_boost_round=10)
print("GPU 训练成功！")

如果输出 "GPU 训练成功！" 且没有报错，则 GPU 环境配置完成。

2.6 环境搭建流程总览

下图展示了从零开始到 GPU 加速环境就绪的完整流程，帮助你快速定位当前所处的配置阶段：

2.7 环境验证与常见问题

完成上述所有步骤后，建议运行一个完整的验证脚本，确保所有组件协同工作：

# 环境验证脚本
import sys
import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.datasets import make_classification

print(f"Python 版本: {sys.version}")
print(f"NumPy 版本: {np.__version__}")
print(f"Pandas 版本: {pd.__version__}")
print(f"LightGBM 版本: {lgb.__version__}")

# 测试 CPU 训练
X, y = make_classification(n_samples=10000, n_features=20, random_state=42)
train_data = lgb.Dataset(X, label=y)
params = {'objective': 'binary', 'num_leaves': 31, 'verbose': -1}
model = lgb.train(params, train_data, num_boost_round=100)
print("✅ CPU 训练测试通过")

# 尝试 GPU 训练（如果可用）
try:
    params_gpu = params.copy()
    params_gpu['device'] = 'gpu'
    model_gpu = lgb.train(params_gpu, train_data, num_boost_round=100)
    print("✅ GPU 训练测试通过")
except Exception as e:
    print(f"⚠️ GPU 训练不可用（不影响 CPU 课程）：{e}")