3. Python 环境准备：Anaconda安装、Jupyter Notebook配置、Neo4j驱动安装、pandas与numpy库导入

在开始告警阈值调优之前，必须搭建一套稳定、可复现的Python开发环境。本章将指导你完成从基础环境安装到核心库导入的全流程，确保后续的图谱构建与阈值分析能够顺畅运行。

3.1 环境概览与组件关系

反欺诈图谱分析涉及数据预处理、图数据库交互、算法调优三个核心环节，每个环节依赖不同的工具组件。下图展示了各组件之间的协作关系：

3.2 Anaconda 安装与验证

Anaconda 是数据科学领域最流行的 Python 发行版，内置了 conda 虚拟环境管理工具。安装步骤如下：

1. 下载安装包：访问 https://www.anaconda.com/download，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"（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），执行以下命令：

conda --version
# 输出示例：conda 23.7.4

python --version
# 输出示例：Python 3.10.12

3.3 Jupyter Notebook 配置

Jupyter Notebook 提供交互式编程环境，适合进行阈值调优的探索性分析。配置流程如下：

3.4 Neo4j 驱动安装

Neo4j 是反欺诈图谱的核心图数据库，Python 通过 neo4j 驱动与之通信。安装与连接验证步骤如下：

1. 安装驱动：在终端执行以下命令：

pip install neo4j
# 或使用 conda
conda install -c conda-forge neo4j-python-driver

2. 验证安装：在 Python 交互环境或 Jupyter Notebook 中执行：

from neo4j import GraphDatabase

# 连接参数（请替换为实际地址）
uri = "bolt://localhost:7687"
username = "neo4j"
password = "your_password"

driver = GraphDatabase.driver(uri, auth=(username, password))

# 测试连接
with driver.session() as session:
    result = session.run("RETURN 'Neo4j连接成功' AS message")
    for record in result:
        print(record["message"])

driver.close()

3.5 pandas 与 numpy 库导入

pandas 和 numpy 是数据处理与数值计算的基础库，在阈值调优中用于统计分布计算、特征工程和结果评估。导入方式如下：

import pandas as pd
import numpy as np

# 验证版本
print(f"pandas 版本: {pd.__version__}")
print(f"numpy 版本: {np.__version__}")

# 快速测试：创建示例数据
data = pd.DataFrame({
    '告警次数': np.random.poisson(lam=5, size=100),
    '欺诈标签': np.random.choice([0, 1], size=100, p=[0.9, 0.1])
})
print(data.head())

下表总结了三个核心库在反欺诈阈值调优中的典型用途：

3.6 环境验证清单

完成上述安装后，建议执行以下完整验证脚本，确保所有组件正常工作：

# 环境验证脚本：env_check.py
import sys
import pandas as pd
import numpy as np
from neo4j import GraphDatabase

print("=" * 50)
print("反欺诈图谱环境验证")
print("=" * 50)

# 1. Python 版本
print(f"[OK] Python 版本: {sys.version.split()[0]}")

# 2. pandas 版本
print(f"[OK] pandas 版本: {pd.__version__}")

# 3. numpy 版本
print(f"[OK] numpy 版本: {np.__version__}")

# 4. neo4j 驱动版本
try:
    from neo4j import __version__ as neo4j_version
    print(f"[OK] neo4j 驱动版本: {neo4j_version}")
except ImportError:
    print("[FAIL] neo4j 驱动未安装")

# 5. 简单计算测试
test_array = np.array([1, 2, 3, 4, 5])
test_df = pd.DataFrame({'value': test_array, 'threshold': [3, 3, 3, 3, 3]})
print(f"[OK] 阈值测试: 超过阈值数量 = {(test_df['value'] > test_df['threshold']).sum()}")

print("=" * 50)
print("环境验证完成，所有组件就绪！")
print("=" * 50)