4. Python 环境搭建：Anaconda安装、Jupyter Notebook配置、虚拟环境管理

在金融风控的额度定价稳定性巡检工作中，Python 环境的稳定性与可复现性直接决定了巡检脚本能否在开发、测试、生产环境间无缝迁移。本节将系统讲解基于 Anaconda 的 Python 环境搭建流程，涵盖安装、Jupyter Notebook 配置以及虚拟环境管理三大核心模块。

4.1 Anaconda 安装与验证

Anaconda 是一个开源的 Python 发行版，内置了 conda 包管理器、Python 解释器以及 1500+ 科学计算库。对于金融风控团队，推荐使用 Anaconda 而非原生 Python，原因如下：

• 依赖管理：conda 可同时管理 Python 版本和 C 扩展库，避免 pip 在 Windows 下编译失败。
• 环境隔离：每个巡检项目可拥有独立的 Python 版本和包集合，互不干扰。
• 预装常用库：pandas、numpy、scikit-learn、matplotlib 等开箱即用。

4.2 Jupyter Notebook 配置与安全加固

Jupyter Notebook 是额度定价巡检中最常用的交互式开发环境。金融数据敏感，必须对 Notebook 进行安全配置。

4.2.1 生成配置文件与密码

# 生成默认配置文件
jupyter notebook --generate-config

# 设置密码（用于 Web 登录）
jupyter notebook password
# 输入两次密码后，密码哈希值自动写入 jupyter_notebook_config.json

4.2.2 关键配置项（位于 ~/.jupyter/jupyter_notebook_config.py）

4.3 虚拟环境管理：conda 与 pip 双轨制

额度定价稳定性巡检通常涉及多个项目，每个项目依赖的 Python 版本和包版本可能不同。虚拟环境是解决依赖冲突的唯一标准方案。

4.3.1 conda 虚拟环境核心命令

# 创建环境（指定 Python 版本）
conda create -n pricing_audit python=3.9

# 激活环境
conda activate pricing_audit

# 安装包（优先使用 conda install，回退 pip）
conda install pandas numpy scikit-learn
pip install xgboost lightgbm

# 导出环境清单（用于团队复现）
conda env export > environment.yaml

# 从 yaml 重建环境
conda env create -f environment.yaml

# 退出环境
conda deactivate

# 删除环境
conda env remove -n pricing_audit

4.3.2 环境管理最佳实践

• 每个巡检项目一个独立环境：例如 pricing_v1_audit、pricing_v2_stability。
• 锁定版本：使用 conda env export > environment.yaml 记录精确版本号，避免“在我机器上能跑”问题。
• 区分 conda 与 pip：conda 安装纯 Python 包和 C 扩展包；pip 安装 PyPI 独有包。先 conda 后 pip，避免覆盖冲突。

4.4 环境搭建全流程架构

下图展示了从 Anaconda 安装到 Jupyter Notebook 启动的完整链路，以及虚拟环境在其中的隔离作用。

4.5 为 Jupyter 注册虚拟环境 Kernel

创建虚拟环境后，需要将环境注册为 Jupyter 内核，才能在 Notebook 中切换使用。

# 1. 激活目标环境
conda activate pricing_audit

# 2. 安装 ipykernel
conda install ipykernel

# 3. 注册内核（--name 指定显示名称）
python -m ipykernel install --user --name pricing_audit --display-name "Python (pricing_audit)"

# 4. 验证：启动 Jupyter Notebook，点击 Kernel -> Change kernel，即可看到 "Python (pricing_audit)"

4.6 环境一致性校验清单

在团队协作或生产部署前，建议按以下清单逐项确认环境一致性：