由 dawei Windows系统上搭建稳定的数据科学环境，核心在于运行库的精准配置与持续管理。推荐以Miniconda作为基础平台，它轻量且能精确控制Python版本与依赖包，避免系统Python被意外修改。
安装Miniconda后，立即创建独立环境，例如执行conda create -n ds python=3.9，避免在base环境中直接安装包。随后通过conda activate ds激活该环境，并优先使用conda install安装主流科学计算库（如numpy、pandas、scikit-learn），因其经过编译优化，兼容性更强；对于conda未收录的包，则用pip install补充，但需注意两者混用时尽量先conda后pip，防止依赖冲突。
运行库版本一致性至关重要。建议将环境导出为environment.yml文件：conda env export > environment.yml，其中手动清理非跨平台字段（如build、prefix），保留明确的python和关键包版本号。团队协作或迁移部署时，可直接conda env create -f environment.yml重建完全一致的环境。
图形界面库（如matplotlib、seaborn）在Windows上常因后端问题导致图表无法显示。若遇到空白图或崩溃，可在代码开头添加import matplotlib; matplotlib.use(‘Agg’)，或在环境变量中设置MPLBACKEND=Agg；交互式绘图需求则可改用PyQt5后端（需额外安装conda install pyqt），并确保系统已安装Microsoft Visual C++ Redistributable。
GPU加速支持需额外配置。CUDA Toolkit须与PyTorch/TensorFlow版本严格匹配——例如PyTorch 2.0对应CUDA 11.8，应从官网下载对应版本安装，而非使用系统自带驱动附带的CUDA。验证时运行torch.cuda.is_available()，避免仅依赖nvcc命令结果，因其可能显示旧版而实际不可用。
AI生成的示意图，仅供参考
环境维护宜自动化。定期运行conda update conda && conda update –all保持基础工具更新；对生产环境，禁用自动升级，改用conda install package=1.2.3锁死版本；清理无用包与缓存则执行conda clean –all，减少磁盘占用并提升环境纯净度。