第二章：环境搭建——工欲善其事，必先利其器

做量化交易也好，搞情绪分析也罢，第一步永远不是写代码，而是搭环境。我见过太多人一上来就 pip install，结果装到一半报错，折腾半天还没跑通第一个 demo。说实话，这很打击信心。

所以这一章，咱们老老实实把环境搭好。你跟着我来，半小时内搞定。

2.1 Python 版本选择——别用最新的

我个人习惯用 Python 3.9 或 3.10。为什么不用 3.12？因为很多金融库还没适配。我在项目中遇到过，用 Python 3.11 装 TA-Lib，折腾了两小时没装上，换回 3.9 一分钟搞定。

你想想看，咱们是做情绪分析的，不是做版本测试的。稳定第一。

⚠️ 避坑指南： 我曾经在 Windows 上装了 Python 3.12，结果 transformers 库死活装不上，因为依赖的 tokenizers 没有预编译包。最后只能降版本。所以，听我的，用 3.9 或 3.10。

2.2 Anaconda——环境管理的瑞士军刀

Anaconda 这东西，说白了就是个环境管家。你一个项目用 TensorFlow 2.x，另一个项目用 PyTorch，它们可能依赖不同版本的 CUDA。用 Anaconda 创建独立环境，互不干扰。

安装步骤很简单：

  1. 去官网下载 Anaconda 最新版（选 Python 3.9 那个）
  2. 一路默认安装，但记得勾选「Add Anaconda to my PATH」
  3. 打开终端，输入 conda --version 验证

装完后，我建议你创建一个专门用于情绪分析的环境：

conda create -n sentiment_analysis python=3.9
conda activate sentiment_analysis

嗯，这里要注意：每次打开新终端，记得先 conda activate sentiment_analysis。不然你装的东西全跑到 base 环境里去了，时间一长乱成一锅粥。

2.3 Jupyter Notebook——交互式开发的利器

做数据分析，Jupyter Notebook 几乎是标配。为什么？因为你可以边写代码边看结果，还能加 Markdown 笔记。我经常用它来做数据探索，画个图、看个分布，非常直观。

安装很简单：

conda install jupyter notebook
jupyter notebook

然后浏览器会自动打开，你就能看到熟悉的界面了。我个人习惯在项目根目录下启动，这样所有文件都在一个工作区里。

💡 小技巧： 在 Jupyter 里，按 Tab 可以自动补全，按 Shift + Tab 可以查看函数文档。这两个快捷键用熟了，效率翻倍。

2.4 关键库安装——一个都不能少

咱们这个课程要用到四个核心库：Pandas、NumPy、Scikit-learn、Transformers。下面一个一个说。

2.4.1 Pandas——数据处理的核心

Pandas 是 Python 里的 Excel，但比 Excel 强大得多。你想想看，几百万条数据，Excel 直接卡死，Pandas 几秒钟搞定。

conda install pandas

装完后，你可以快速验证：

import pandas as pd
print(pd.__version__)

我在项目中遇到过，有人用 pip 装 pandas，结果依赖的 numpy 版本冲突，导致整个环境崩了。用 conda 装就很少出这种问题。

2.4.2 NumPy——科学计算的基础

NumPy 是 Pandas 的底层依赖，也是几乎所有科学计算库的基础。它提供了高效的数组操作和数学函数。

conda install numpy

验证一下：

import numpy as np
print(np.array([1, 2, 3]) * 2)

输出应该是 [2 4 6]。如果报错，检查一下是不是环境没激活。

2.4.3 Scikit-learn——机器学习的工具箱

Scikit-learn 封装了几乎所有经典机器学习算法。咱们后面做情感分类，会用到它的 LogisticRegression、TfidfVectorizer 等。

conda install scikit-learn

验证：

from sklearn.linear_model import LogisticRegression
print("Scikit-learn 安装成功")
⚠️ 注意： 我曾经在 macOS 上用 pip 装 scikit-learn，结果因为缺少编译器，装了一下午。用 conda 装就省心多了，它会自动处理二进制依赖。

2.4.4 Transformers——拥抱大模型

这是咱们情绪分析的核心库。Hugging Face 的 Transformers 提供了 BERT、RoBERTa 等预训练模型，开箱即用。

conda install -c huggingface transformers

或者用 pip：

pip install transformers

验证：

from transformers import pipeline
classifier = pipeline("sentiment-analysis")
result = classifier("I love this course!")
print(result)

如果输出类似 [{'label': 'POSITIVE', 'score': 0.999...}]，说明一切正常。

2.5 知识体系总览

下面这张图，帮你理清整个环境搭建的脉络：

AI驱动市场情绪分析系统——环境搭建知识体系 Python 3.9/3.10 Anaconda 环境管理 Jupyter Notebook 关键库安装 Pandas 数据处理 NumPy 科学计算 Scikit-learn 机器学习 Transformers 大模型 conda create -n sentiment_analysis python=3.9 conda install pandas numpy scikit-learn transformers

2.6 验证环境——跑一个完整示例

所有库装完后，咱们跑一个完整的情绪分析示例，验证环境是否正常：

import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from transformers import pipeline

# 1. 用 Transformers 做情绪分析
classifier = pipeline("sentiment-analysis")
texts = ["This product is amazing!", "I hate waiting in line."]
results = classifier(texts)
print("Transformers 结果：")
for text, result in zip(texts, results):
    print(f"  {text} -> {result['label']} ({result['score']:.2f})")

# 2. 用 Scikit-learn 做简单分类
data = pd.DataFrame({
    'text': ['good', 'bad', 'great', 'terrible'],
    'label': [1, 0, 1, 0]
})
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(data['text'])
model = LogisticRegression()
model.fit(X, data['label'])
print("\nScikit-learn 结果：")
print(f"  'awesome' 预测: {model.predict(vectorizer.transform(['awesome']))[0]}")
print(f"  'awful' 预测: {model.predict(vectorizer.transform(['awful']))[0]}")

如果一切顺利，你会看到 Transformers 输出情感标签，Scikit-learn 输出 0/1 分类。这说明环境搭建成功了。

✅ 环境验证清单：
  • Python 3.9 或 3.10 已安装
  • Anaconda 环境已创建并激活
  • Jupyter Notebook 可正常启动
  • Pandas、NumPy、Scikit-learn、Transformers 导入无报错
  • Transformers pipeline 能正常推理

好了，环境搭好了，咱们就可以正式开始做情绪分析了。下一章，我会带你从零开始，用真实数据跑通第一个情绪分析模型。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →