📚 课程目录第2章环境搭建

2. 环境搭建：安装 Python、LightGBM、SHAP、Pandas、Matplotlib 等依赖库

在开始构建拒贷原因解释模型之前，需要先搭建一个稳定、可复现的 Python 开发环境。本章将指导你完成从 Python 安装到核心依赖库配置的全过程，确保后续所有代码都能顺畅运行。

2.1 环境概览与版本要求

本教程基于以下软件版本进行开发和测试，建议读者尽量保持一致，以避免因版本差异导致的兼容性问题。

组件	推荐版本	说明
Python	3.9 ~ 3.12	建议使用 3.10 或 3.11，兼容性最佳
LightGBM	≥ 4.0.0	核心梯度提升框架，支持 GPU 加速
SHAP	≥ 0.44.0	模型解释库，用于计算特征贡献度
Pandas	≥ 2.0.0	数据处理与清洗
Matplotlib	≥ 3.7.0	基础可视化，配合 SHAP 绘图
Scikit-learn	≥ 1.3.0	数据切分、评估指标、预处理工具

💡 版本选择建议： 如果你正在使用 Anaconda 或 Miniconda，建议创建一个新的虚拟环境，避免与现有项目发生依赖冲突。

2.2 安装步骤详解

以下步骤按照从底层到上层的顺序进行，推荐在终端或命令行中逐条执行。

创建并激活虚拟环境（可选但强烈推荐）

# 使用 conda
conda create -n lgbm_explain python=3.11 -y
conda activate lgbm_explain

# 或使用 venv
python -m venv lgbm_explain
# Windows
lgbm_explain\Scripts\activate
# macOS / Linux
source lgbm_explain/bin/activate

安装核心计算库
```
pip install numpy pandas scikit-learn
```
安装 LightGBM
```
pip install lightgbm
```
🔧 GPU 加速（可选）： 如需 GPU 训练，请先安装对应 CUDA 工具包，然后执行：pip install lightgbm --config-settings=cmake.define.USE_CUDA=ON
安装模型解释与可视化库
```
pip install shap matplotlib
```

验证安装

python -c "import lightgbm as lgb; import shap; import pandas as pd; import matplotlib.pyplot as plt; print('所有依赖库安装成功！')"

2.3 依赖关系与架构

下图展示了本教程中各个库之间的依赖层次与数据流向，帮助你理解每个组件在拒贷原因解释流程中的角色。

2.4 常见安装问题与解决方案

在实际安装过程中，可能会遇到一些典型问题。下表总结了常见错误及其处理方法。

错误现象	可能原因	解决方案
`lightgbm.LightGBMError`	系统缺少 OpenMP 动态链接库	Windows 安装 VC++ Redistributable；Linux 执行 `sudo apt-get install libomp-dev`
`ImportError: No module named 'shap'`	SHAP 未安装或安装不完整	执行 `pip install --upgrade shap`，或使用 `conda install -c conda-forge shap`
`matplotlib 中文显示为方框`	系统缺少中文字体	在代码中添加：`plt.rcParams['font.sans-serif'] = ['SimHei']` 或 `['Arial Unicode MS']`
`pip 安装速度慢或超时`	默认源在国外	使用国内镜像：`pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名`

⚠️ 重要提醒： 如果同时安装了多个 Python 版本，请确保在正确的虚拟环境中执行安装命令。可以使用 where python（Windows）或 which python（macOS/Linux）确认当前使用的 Python 路径。

2.5 快速验证脚本

完成安装后，建议运行以下完整脚本，确认所有组件可以协同工作。该脚本将加载一个简单的模拟数据集，训练 LightGBM 模型，并使用 SHAP 输出特征重要性。

import pandas as pd
import numpy as np
import lightgbm as lgb
import shap
import matplotlib.pyplot as plt

# 1. 生成模拟数据
np.random.seed(42)
X = pd.DataFrame({
    '收入': np.random.normal(15000, 5000, 1000),
    '负债比': np.random.uniform(0.1, 0.8, 1000),
    '信用分': np.random.randint(300, 850, 1000),
    '查询次数': np.random.randint(0, 20, 1000)
})
y = (X['信用分'] * 0.4 + X['收入'] * 0.3 - X['负债比'] * 2000 - X['查询次数'] * 50 + np.random.normal(0, 100, 1000)) > 500

# 2. 训练 LightGBM
model = lgb.LGBMClassifier(n_estimators=100, max_depth=5, random_state=42)
model.fit(X, y)

# 3. SHAP 解释
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)

# 4. 输出特征重要性
shap.summary_plot(shap_values, X, plot_type="bar", show=False)
plt.title("特征重要性（SHAP）")
plt.tight_layout()
plt.show()

print("✅ 环境验证通过！所有依赖库工作正常。")