2. 环境搭建与工具准备：Python环境配置（Anaconda）、Jupyter Notebook使用、必备库安装
说实话，做量化因子挖掘这件事，最怕的不是策略写不出来，而是环境没搭好就开始写代码。我见过太多人卡在第一步——装库装到崩溃，版本冲突搞到怀疑人生。嗯，今天咱们就把这事一次性搞定。
2.1 为什么选Anaconda？
Python的包管理，说白了就是一场「依赖地狱」。你装A库，它要B库的1.0版本；装C库，它要B库的2.0版本。怎么办？
我个人习惯用Anaconda，因为它自带了一个「隔离箱」——conda环境。每个项目一个环境，互不干扰。我在项目中遇到过最惨的一次，就是全局装了一堆库，结果某个升级把pandas搞崩了，回滚花了整整半天。从那以后，我每个项目都老老实实建新环境。
- 自带Python解释器 + 150+常用科学计算库
- conda命令比pip更擅长处理二进制依赖（比如numpy底层调用的BLAS库）
- 环境隔离，一个项目一套配置，删了也不心疼
2.2 安装Anaconda
去官网下载对应系统的安装包。我建议选Python 3.9+版本，太老的版本有些新库不支持。
安装时注意两点：
- Windows用户： 勾选「Add Anaconda to my PATH environment variable」——虽然安装程序会警告不推荐，但你不勾选后面命令行会找不到conda命令，更麻烦。
- macOS/Linux用户： 安装完后记得跑一下
conda init，让shell识别conda命令。
验证安装：打开终端（Windows用Anaconda Prompt），输入：
conda --version
python --version看到版本号就说明成了。如果报错「command not found」——别慌，我曾经也栽过。检查一下环境变量，或者重启终端试试。
2.3 创建专属环境
咱们这门课所有代码，我建议都放在一个叫 quant_factor 的环境里。这样你学完30章，环境里装了什么库一目了然。
conda create -n quant_factor python=3.9
conda activate quant_factor看到命令行前面多了 (quant_factor) 字样，就说明环境激活成功了。退出环境用 conda deactivate。
environment.yml 文件，记录所有依赖。这样换电脑时，一行 conda env create -f environment.yml 就能复现环境。
2.4 安装必备库
量化因子挖掘离不开这几大件。咱们一个一个来装：
conda install pandas numpy matplotlib seaborn scipy statsmodels
conda install jupyter notebook等等，为什么不用pip？
我的经验是：能用conda就别用pip。conda会帮你处理底层C库的依赖，比如numpy的BLAS加速库。pip有时候装的是纯Python版本，性能差一大截。你想想看，回测几百万条数据，差10倍速度是什么概念？
装完后验证一下：
python -c "import pandas; import numpy; import matplotlib; import seaborn; import scipy; import statsmodels; print('All good!')"如果没报错，恭喜你，基础环境搭好了。
2.5 Jupyter Notebook 使用
Jupyter Notebook 是我们做因子挖掘的「草稿本」。你可以边写代码边看结果，还能加注释、画图，非常直观。
启动方式：
jupyter notebook浏览器会自动打开一个页面，显示文件目录。点右上角「New」→「Python 3 (ipykernel)」就能新建一个笔记本。
几个我常用的快捷键：
| 快捷键 | 作用 |
|---|---|
| Shift + Enter | 运行当前单元格，并跳到下一个 |
| Ctrl + Enter | 运行当前单元格，不跳转 |
| Esc + A | 在当前单元格上方插入新单元格 |
| Esc + B | 在当前单元格下方插入新单元格 |
| Esc + M | 将当前单元格切换为Markdown（写注释用） |
| Esc + Y | 将当前单元格切换为代码模式 |
2.6 知识体系总览
下面这张图，把咱们这章的核心逻辑串起来了。你可以把它当作「环境搭建的路线图」：
2.7 第一个实战：验证环境
环境搭好了，咱们跑个小例子热热身。打开Jupyter Notebook，新建一个笔记本，输入：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 生成1000个随机数，模拟收益率
returns = np.random.randn(1000)
df = pd.DataFrame(returns, columns=['returns'])
# 画个直方图看看
sns.histplot(df['returns'], bins=50, kde=True)
plt.title('模拟收益率分布')
plt.show()如果能看到一张漂亮的直方图，说明你的环境完全OK。我在项目中经常用这个代码快速检查新环境——既能验证库是否装全，又能确认matplotlib后端是否正常。
%matplotlib inline。这是Jupyter的魔法命令，强制图形在笔记本内显示。
好了，环境这块咱们就聊到这儿。工具准备好了，接下来就可以正式进入因子挖掘的世界了。