2. 环境搭建：Python环境配置、LightGBM库安装、Jupyter Notebook与IDE推荐

在开始构建特征监控与坏账率预警系统之前，必须搭建一套稳定、可复现的机器学习开发环境。本节将指导你完成从Python基础环境配置到LightGBM库安装，再到开发工具选型的全流程，确保后续章节的代码能够无缝运行。

2.1 Python环境配置

推荐使用 Python 3.8 ~ 3.11 版本（LightGBM 4.x 已全面支持）。为避免依赖冲突，强烈建议使用虚拟环境隔离项目依赖。

2.2 LightGBM库安装

LightGBM支持多种安装方式，根据操作系统和硬件环境选择最合适的方案。

2.2.1 标准安装（CPU版本）

# 通过pip安装（推荐）
pip install lightgbm

# 验证安装
python -c "import lightgbm as lgb; print(lgb.__version__)"

2.2.2 GPU加速安装

如果训练数据量超过百万级，GPU版本可显著提升训练速度。需要预先安装CUDA Toolkit 11.x 或 12.x。

# GPU版本安装（需先安装CUDA）
pip install lightgbm --config-settings=cmake.define.USE_GPU=ON

# 验证GPU支持
python -c "import lightgbm as lgb; print(lgb.__version__); print('GPU支持:', lgb.device_type())"

2.2.3 依赖库安装

本课程实战项目还需要以下核心依赖：

# 数据科学基础库
pip install numpy pandas scikit-learn

# 可视化与监控
pip install matplotlib seaborn plotly

# 模型解释与特征监控
pip install shap

# Jupyter环境
pip install jupyter notebook ipykernel

2.3 开发工具与IDE推荐

选择合适的开发工具能大幅提升特征监控与预警系统的开发效率。以下是针对不同场景的推荐方案：

2.4 环境验证与架构总览

完成安装后，执行以下脚本验证所有组件是否就绪：

import sys
import numpy as np
import pandas as pd
import lightgbm as lgb
import shap

print("Python版本:", sys.version)
print("NumPy版本:", np.__version__)
print("Pandas版本:", pd.__version__)
print("LightGBM版本:", lgb.__version__)
print("SHAP版本:", shap.__version__)
print("✅ 环境搭建完成，所有依赖就绪！")

下图展示了本课程完整的开发环境架构，从底层系统到上层应用工具的分层关系：

2.5 环境配置检查清单

为确保后续章节的实战内容能够顺利执行，请逐项核对以下清单：

• Python版本：确认 python --version 输出为 3.8+
• 虚拟环境：已创建并激活独立环境（如 lgb_monitor）
• LightGBM：pip list | grep lightgbm 显示版本号 ≥ 4.0
• GPU支持（可选）：lgb.device_type() 返回 'gpu'
• Jupyter内核：已将虚拟环境注册为Jupyter内核：python -m ipykernel install --user --name lgb_monitor
• SHAP：import shap 无报错，用于后续特征重要性监控