HNU 数据挖掘 实验1 实验报告

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

实验一：开发平台搭建与环境配置

课程名称：数据挖掘（Data Mining）
操作系统：Windows 11

1. 实验目标

• 掌握在 Windows 系统中部署和配置 Python 开发环境的基本流程。
• 熟悉 Anaconda 的安装过程、环境管理机制及其常用命令操作。
• 能够独立创建指定版本的 Python 虚拟环境（本实验要求建立名为 DM 的 Python 3.7 环境）。
• 熟练完成主流开发工具如 PyCharm 和 Jupyter Notebook 的安装与集成。
• 成功安装深度学习框架 PyTorch 2.2.2 及一系列常用第三方库，包括：numpy、pandas、tensorflow、h5py、mygene、matplotlib、seaborn、umap-learn。
• 理解并掌握 pip 与 conda 两种包管理工具的使用场景与基本指令。

2. 实验运行环境

• 操作系统：Windows 11
• Anaconda（Python 发行版）
• PyCharm（Community 或 Professional 版本）
• Jupyter Notebook
• Python 3.7（后续调整为 3.10）
• PyTorch 2.2.2（支持 CPU 或 GPU 运行）

3. 实验步骤与实施过程

3.1 Anaconda 安装流程

从 Anaconda 官方网站下载适用于 Windows 平台的安装程序。双击执行安装文件，并按照默认向导进行安装。建议勾选“Add Anaconda to my PATH”选项以方便命令行调用（非强制）。推荐使用 Anaconda Prompt 来统一管理虚拟环境。

安装完成后，启动 Anaconda Prompt 验证安装状态。

conda --version

由于系统此前已存在旧版本 Anaconda，因此当前显示为较早版本信息。

3.2 创建独立 Python 环境 DM（基于 Python 3.7）

打开 Anaconda Prompt，输入以下命令创建指定环境：

conda create -n DM python=3.7 -y

随后激活该环境：

conda activate DM

通过如下命令查看所有已创建的 conda 环境列表：

conda env list

结果显示环境中已包含名为 DM 的条目，表明虚拟环境创建成功。

3.3 安装与启动 Jupyter Notebook

Jupyter Notebook 已包含于 Anaconda 默认组件中。若缺失或需重装，可使用以下命令：

conda install jupyter -y

安装完毕后，运行：

jupyter notebook

jupyter notebook

浏览器将自动打开本地 Jupyter 服务页面，若能正常访问则表示安装成功。

3.4 PyCharm 的安装与解释器配置

前往 JetBrains 官网下载并安装 PyCharm 开发工具。安装完成后，进入软件界面：

File → Settings → Project → Python Interpreter

点击添加解释器（Add Interpreter），选择 Conda Environment → Existing Environment，然后指定 DM 环境对应的 Python 解释器路径。

<Anaconda路径>\Scripts\conda.exe

确认设置后，项目即使用 DM 环境中的 Python 解释器。

3.5 在 DM 环境中安装 PyTorch 2.2.2

尝试安装支持 GPU（CUDA）的 PyTorch 版本（例如 CUDA 11.8）：

conda install pytorch==2.2.2 torchvision torchaudio cudatoolkit=11.8 -c pytorch -y

安装完成后执行验证命令：

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

但在实际安装过程中发现，PyTorch 2.2.2 要求 Python 版本不低于 3.10，与原定使用的 Python 3.7 存在兼容性冲突。因此，最终决定将 DM 环境升级至 Python 3.10 以满足依赖要求。

3.6 第三方数据科学库的安装

首先激活 DM 环境，然后批量安装常用科学计算库：

conda activate DM
conda install numpy pandas matplotlib seaborn scikit-learn scipy -y

对于 umap-learn 库，采用 conda-forge 渠道进行安装：

conda install -c conda-forge umap-learn -y

其余部分库通过 pip 安装：

pip install h5py mygene

3.7 包管理工具命令汇总

conda 常用命令总结：

conda create -n envname python=3.X     # 创建环境 
conda activate envname                 # 激活环境 
conda deactivate                       # 退出环境 
conda install package                  # 安装包 
conda list                             # 查看已安装包 
conda remove -n envname --all          # 删除环境

pip 常用命令一览：

pip install package                    # 安装包
pip uninstall package                  # 卸载包
pip list                               # 查看已安装包
pip install -U package                 # 更新包

4. 实验总结与体会

本次实验完成了数据挖掘所需基础开发环境的全面搭建。通过对 Anaconda、Jupyter Notebook、PyCharm 等工具的安装与配置，掌握了 Python 多环境管理的核心方法。特别是在创建独立项目环境 DM 的过程中，深入理解了 conda 在环境隔离与依赖管理方面的优势。

在安装 PyTorch 时遇到的版本兼容问题，提醒我们在构建环境前应充分查阅各组件之间的依赖关系。最终通过将 Python 升级至 3.10 成功解决了冲突，确保了框架的正常运行。

此外，结合 conda 与 pip 完成了多个关键数据处理与可视化库的安装，进一步熟悉了两种包管理方式的应用场景与协作模式。整体上，本次实践为后续的数据分析与模型训练打下了坚实的环境基础。

本次实验让我完整地实践了在 Windows 系统上构建 Python 数据挖掘开发环境的各个步骤。整个过程涵盖了 Anaconda 的安装与配置、虚拟环境的创建与管理，以及 Jupyter Notebook 和 PyCharm 两款主流开发工具的基本使用。同时，我还完成了包括 PyTorch 在内的多个核心库的安装与测试。

通过实际操作，我更加明确了虚拟环境在项目开发中的关键作用。它能够有效隔离不同项目的依赖包，防止版本冲突，从而保障各实验环境的独立性与稳定性。此外，在手动安装 NumPy、Pandas、Matplotlib 等常用科学计算库的过程中，我对 conda 与 pip 两种包管理工具的适用场景有了更深入的理解，也掌握了根据具体需求选择更优安装方式的能力。

在配置 PyTorch 时，我特别关注了 CPU 与 GPU 版本的区别，并学习了如何根据系统显卡驱动和 CUDA 版本选择合适的安装命令。这一过程使我意识到 CUDA 兼容性对于深度学习模型训练效率的重要影响，也为今后开展基于 GPU 加速的实验打下了基础。

总体来看，此次实验不仅提升了我在本地搭建和维护 Python 数据分析环境的技术能力，还帮助我建立起对数据挖掘工具链的整体认知。从环境管理到开发工具，再到核心框架的部署，每一个环节都为后续的数据建模、算法训练与结果分析提供了可靠的运行支撑。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：实验报告 数据挖掘 scikit-learn Professional environment