第1章：环境搭建与工具链准备

说实话，做异常交易检测这个方向，环境搭建往往是第一道坎。我见过太多同学在配置环境上花了两三天，结果还没开始跑模型就心态崩了。今天咱们就把这事一次性搞定。

1.1 Python环境配置

我个人习惯用Anaconda来管理Python环境。为什么？因为它自带了很多数据科学常用的包，省得你一个个去装。

安装步骤其实很简单：

1. 去Anaconda官网下载对应系统的安装包
2. 一路默认安装，记得勾选"Add Anaconda to my PATH environment variable"
3. 打开终端或命令行，输入 python --version 验证

嗯，这里要注意：Windows用户如果遇到权限问题，试试以管理员身份运行安装程序。

1.2 Jupyter Notebook：你的实验笔记本

Jupyter Notebook这东西，说白了就是一个交互式的Python编辑器。你可以在里面写代码、跑结果、记笔记，一气呵成。

安装方式很简单：

# 如果你用的是Anaconda，Jupyter已经自带了
# 如果没有，可以用pip安装
pip install jupyter

# 启动
jupyter notebook

启动后浏览器会自动打开一个页面，默认地址是 http://localhost:8888。你可以在里面新建一个Python 3的笔记本，开始你的实验。

1.3 Pandas：数据处理的核心工具

做异常检测，数据清洗和预处理是重头戏。Pandas就是干这个的。

# 安装
pip install pandas

# 验证
import pandas as pd
print(pd.__version__)

Pandas里最常用的两个数据结构是DataFrame和Series。DataFrame你可以理解成一张Excel表格，有行有列。Series就是一列数据。

举个例子，假设我们有一批交易数据：

import pandas as pd

# 创建一个简单的交易数据表
data = {
    '交易ID': ['T001', 'T002', 'T003'],
    '金额': [1000, 50000, 200],
    '时间': ['2024-01-01', '2024-01-01', '2024-01-02']
}
df = pd.DataFrame(data)
print(df)

输出结果：

  交易ID     金额          时间
0  T001   1000  2024-01-01
1  T002  50000  2024-01-01
2  T003    200  2024-01-02

你看，是不是很直观？

1.4 Scikit-learn：机器学习工具箱

Scikit-learn是Python最经典的机器学习库。它封装了大量算法，从数据预处理到模型评估，一条龙服务。

# 安装
pip install scikit-learn

# 验证
import sklearn
print(sklearn.__version__)

在异常检测中，我们常用Scikit-learn里的这些模块：

模块	用途	常用算法
sklearn.ensemble	集成学习	Isolation Forest, Random Forest
sklearn.svm	支持向量机	One-Class SVM
sklearn.covariance	协方差估计	Elliptic Envelope
sklearn.neighbors	近邻算法	Local Outlier Factor

你想想看，这些算法各有各的适用场景。比如Isolation Forest适合高维数据，One-Class SVM适合数据分布比较集中的情况。具体怎么选，咱们后面章节会细讲。

1.5 PyOD库：异常检测的瑞士军刀

PyOD（Python Outlier Detection）是一个专门做异常检测的库。它集成了30多种算法，从经典的LOF到最新的深度学习方法，应有尽有。

# 安装
pip install pyod

# 验证
import pyod
print(pyod.__version__)

PyOD的设计很优雅，所有算法都遵循统一的API接口：

from pyod.models.iforest import IForest
from pyod.utils.data import generate_data

# 生成示例数据
X_train, X_test, y_train, y_test = generate_data(
    n_train=500, n_test=100, contamination=0.1
)

# 训练模型
model = IForest(contamination=0.1)
model.fit(X_train)

# 预测
y_pred = model.predict(X_test)  # 0:正常, 1:异常
y_score = model.decision_function(X_test)  # 异常分数

我曾经在一个金融风控项目里，用PyOD的集成方法同时跑了5种算法，最后取投票结果，效果出奇的好。

1.6 知识体系总览

下面这张图帮你理清今天讲的内容：

1.7 一键安装脚本

懒得一个个装？我给你准备了一个一键脚本：

# 创建新环境（可选）
conda create -n anomaly_detection python=3.9
conda activate anomaly_detection

# 安装所有依赖
pip install pandas scikit-learn pyod jupyter matplotlib seaborn

# 验证安装
python -c "import pandas; import sklearn; import pyod; print('All good!')"

跑完这个脚本，你的环境就搭好了。如果遇到报错，多半是网络问题，换个镜像源试试：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas scikit-learn pyod

好了，环境搭好了，咱们就可以正式开始异常交易检测的实战了。下一章，我会带你用真实数据跑第一个异常检测模型。

---