第三节：虚拟环境、环境变量与依赖包

1. 为什么需要虚拟环境

可以把虚拟环境理解成“给每个项目一个独立工具箱”。刚开始学习时，可能会觉得创建环境、激活环境、选择内核很麻烦；但它解决的是一个很实际的问题：让“今天能运行的课程代码”，在下周、换电脑、交给同学或部署到服务器时仍然有机会运行。

把它想成安全带。平时可能感觉多了一步，但真正遇到版本冲突、换电脑或部署时，虚拟环境会让排查范围小很多。课程要求使用它，不是为了增加操作，而是为了训练可复现的工作习惯。

2. 先理解几个词

3. 推荐的课程环境创建流程

下面以 `venv` 为例。命令不需要一次背下来，但要理解顺序：先进入项目文件夹，再创建环境，再激活环境，再安装包，最后让 Jupyter 能找到这个环境。

# 1. 进入课程项目文件夹
cd python-finance-course

# 2. 创建虚拟环境
python -m venv .venv

# 3. 激活环境
# macOS / Linux
source .venv/bin/activate

# Windows PowerShell
.venv\\Scripts\\Activate.ps1

# 4. 安装课程常用包
pip install notebook ipykernel numpy pandas matplotlib seaborn statsmodels scikit-learn openpyxl

# 5. 把这个环境注册为 Notebook 内核
python -m ipykernel install --user --name python-finance --display-name \"Python Finance\"

本课程使用 Notebook，因此安装 `notebook` 和 `ipykernel` 很重要。打开 `.ipynb` 后，要选择 `Python Finance` 这个内核，代码才会使用刚刚创建的环境。

官方参考：Python venv 文档；如果使用 conda，可参考 conda 环境管理文档。

4. 环境变量是什么

环境变量是系统层面的配置信息。对于初学者，先理解两个用途：一是让系统知道去哪里找工具，二是保存不适合写进代码的配置。

4.1 Windows：找到、编辑和使用环境变量

1. 通过图形界面查看。在开始菜单搜索“编辑系统环境变量”，打开“系统属性”，点击“高级” → “环境变量”。上半部分是当前用户变量，下半部分是系统变量。初学时优先使用“用户变量”，避免影响电脑上的其他用户。
2. 添加或编辑。在“用户变量”中点击“新建”，变量名例如 OPENAI_API_KEY 或 TIANCHI_PROJECT，变量值填写真实内容。编辑 PATH 时应新增一条目录，不要删除已有的系统路径。保存后要重新打开 PowerShell、Trae 或 Jupyter，旧进程不会自动获得新变量。
3. 只在当前 PowerShell 临时设置。这适合课堂测试，关闭窗口后变量就消失：

   $env:COURSE_MODE = "practice"
   $env:COURSE_MODE
   Remove-Item Env:COURSE_MODE

4. 用 Python 读取。Python 只能读取当前进程已经继承到的变量：

   import os
   
   course_mode = os.getenv("COURSE_MODE", "not-set")
   api_key = os.getenv("OPENAI_API_KEY")
   
   print(course_mode)
   print("API Key 是否存在：", bool(api_key))
   # 不要 print(api_key)

5. 理解“更改”的范围。os.environ["COURSE_MODE"] = "debug" 只改变当前 Python 进程及其子进程；它不会替你修改 Windows 的永久用户变量。永久修改仍应回到“环境变量”窗口，或使用 Microsoft 文档中说明的用户 / 系统范围设置。

4.2 macOS：找到、编辑和使用环境变量

1. 查看当前终端变量。打开“终端”，输入 printenv 查看全部变量，输入 echo $PATH 查看 PATH。macOS 默认使用 zsh，变量名区分大小写。
2. 临时设置。当前终端中输入：

   export COURSE_MODE="practice"
   echo $COURSE_MODE
   unset COURSE_MODE

   关闭这个终端窗口后，临时变量通常就不存在了。
3. 持久设置。在终端输入 nano ~/.zshrc，在文件末尾加入例如 export COURSE_MODE="practice"，保存后执行 source ~/.zshrc。也可以关闭终端并重新打开。不要把真正的 API Key 粘贴到课堂截图或共享文件中。
4. 给 Python 使用。在同一个终端启动 Trae 或 Jupyter，Python 就能读取该终端继承的变量；如果先打开了 GUI 应用，再修改 ~/.zshrc，应用可能仍看不到新变量，此时需要完全退出并重新打开应用。
5. 用 Python 更改。os.environ["COURSE_MODE"] = "debug" 只对当前 Python 进程有效。程序结束后不会自动写回 ~/.zshrc，这正是它比较安全的地方。

# .env（只保存在自己的电脑）
COURSE_MODE=practice
OPENAI_API_KEY=replace-with-your-key

# Python
from dotenv import load_dotenv
import os

load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
print("API Key 是否存在：", bool(api_key))

# .gitignore
.env
.venv/
__pycache__/
*.ipynb_checkpoints/

Windows 的用户变量、系统变量和当前进程范围，以及 PowerShell 的 $Env: 用法，可参考 Microsoft Learn：about Environment Variables。macOS 的命令行示例遵循 zsh 的常见使用方式。

5. 遇到问题先检查这些

# 当前终端使用哪个 Python
which python

# Python 版本
python --version

# 当前环境安装了哪些包
pip list

# 在 Notebook 中检查当前 Python
import sys
print(sys.executable)

如果终端里能导入 pandas，但 Notebook 里不能导入，通常不是 pandas 突然坏了，而是 Notebook 选择了另一个 kernel。先检查 `sys.executable`，看它是不是课程虚拟环境中的 Python。

不要一看到报错就复制网上的安装命令反复运行。先确认当前环境，再决定是否安装或切换内核。

6. 虚拟环境、容器与大语言模型部署

现在很多人会用 Python 调用大语言模型、运行本地推理服务或部署一个金融问答程序。这些任务通常比普通数据分析需要更多依赖：模型库、向量数据库、Web 服务、GPU 驱动和特定版本的深度学习框架。虚拟环境正是把这些依赖分开管理的第一步。

虚拟环境不能替代数据安全、访问控制和模型许可审查。部署大语言模型时，仍然要检查模型许可、训练数据来源、日志中的敏感信息，以及 API Key 是否可能被提交或打印。

7. 本节练习