AI-动手深度学习环境搭建-d2l

D2L（动手学深度学习）环境搭建+电商数据可视化实战教程

文档说明

本文档完整记录从d2l环境搭建到实现电商产品数据可视化的全流程，所有命令/操作均可直接复用，适配Windows系统+Anaconda环境。

一、前期准备：激活d2l环境并打开终端

激活d2l环境
- 方式1（Anaconda Navigator）：选中左侧d2l环境 → 点击环境右侧绿色播放按钮 → 选择Open Terminal；
- 方式2（Anaconda Prompt）：打开Anaconda Prompt → 输入conda activate d2l（终端开头显示(d2l)即激活成功）。
验证环境 终端输入python --version，能正常显示Python版本（如3.9.x）即环境可用。

二、核心依赖包安装（逐行执行终端命令）

bash 复制代码

# 1. 升级pip（避免装包兼容问题，清华源加速）
python -m pip install --upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple

# 2. 安装PyTorch CPU版（适配学习场景，无需GPU）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

# 3. 安装d2l工具包+Jupyter（核心运行环境）
pip install d2l==0.17.6 jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4. 解决Jupyter版本冲突（若启动报错时执行）
pip uninstall notebook jupyter-server -y
pip install notebook==6.5.6 jupyter-server==2.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 5. 安装可视化依赖（解决图表显示问题）
pip install matplotlib-inline -i https://pypi.tuna.tsinghua.edu.cn/simple

三、启动Jupyter Notebook

在(d2l)终端输入：
bash 复制代码
```
jupyter notebook
```
自动弹出浏览器（地址：http://localhost:8888/），若未弹出，复制终端内http://localhost:8888/?token=xxx链接手动打开。

四、电商数据可视化实战（模拟数据）

1. 新建Notebook

在Jupyter文件页右上角点击New → 选择Python 3 (ipykernel)，生成空白Notebook。

2. 粘贴完整代码（直接运行）

python 复制代码

# 解决Matplotlib中文显示问题（Windows专用）
import matplotlib.pyplot as plt
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False

# 导入核心库
import pandas as pd
import matplotlib
matplotlib.use('Agg')  # 避开Jupyter图表后端兼容问题
import numpy as np

# 生成模拟电商产品数据（500个产品）
np.random.seed(123)  # 固定随机数，结果可复现
product_data = {
    "产品ID": [f"P{1000+i}" for i in range(500)],
    "平台": np.random.choice(["亚马逊", "TK", "沃尔玛"], size=500),
    "类目": np.random.choice(["服装", "3C", "家居", "户外"], size=500),
    "售价": np.round(np.random.uniform(10, 100, size=500), 2),
    "成本": np.round(np.random.uniform(5, 60, size=500), 2),
    "销量": np.random.randint(0, 500, size=500),
    "评分": np.round(np.random.uniform(3.0, 5.0, size=500), 1)
}

# 转换为表格并分析
df = pd.DataFrame(product_data)

# 1. 输出前10行数据
print("===== 模拟产品数据（前10行） =====")
print(df.head(10))

# 2. 输出核心指标统计
print("\n===== 数据基本统计（核心指标） =====")
print(df[["售价", "成本", "销量", "评分"]].describe())

# 3. 输出各平台平均销量
print("\n===== 各平台平均销量 =====")
platform_sales = df.groupby("平台")["销量"].mean().sort_values(ascending=False)
print(platform_sales)

# 4. 生成销量分布直方图（保存为图片）
plt.figure(figsize=(10, 5))
df["销量"].hist(bins=20, color="#4CAF50", edgecolor="black")
plt.title("产品销量分布（模拟数据）", fontsize=12)
plt.xlabel("销量", fontsize=10)
plt.ylabel("产品数量", fontsize=10)
plt.grid(axis="y", alpha=0.3)
plt.savefig("sales_distribution.png")
plt.close()

# 5. 生成类目销量柱状图（保存为图片）
plt.figure(figsize=(8, 4))
category_sales = df.groupby("类目")["销量"].mean().sort_values(ascending=False)
category_sales.plot(kind="bar", color="#2196F3", edgecolor="black")
plt.title("不同类目平均销量（模拟数据）", fontsize=12)
plt.xlabel("类目", fontsize=10)
plt.ylabel("平均销量", fontsize=10)
plt.xticks(rotation=0)
plt.grid(axis="y", alpha=0.3)
plt.savefig("category_sales.png")
plt.close()

print("\n✅ 运行完成！")
print("📊 图表已保存为：sales_distribution.png 和 category_sales.png")
print("👉 回到Jupyter文件列表页即可查看图片！")

3. 运行代码

选中代码块 → 按Shift+Enter（或点击顶部▶️ Run按钮）；
运行后可见文字输出（数据表格/统计值），并生成2张可视化图片。

五、常见问题及解决方案

问题现象	原因	解决方案
Jupyter启动报错`ModuleNotFoundError: No module named 'jupyter_server.contents'`	notebook与jupyter-server版本不兼容	执行：`pip uninstall notebook jupyter-server -y && pip install notebook==6.5.6 jupyter-server==2.10.0`
图表不显示/报`matplotlib-inline`错误	缺少内嵌显示依赖	执行：`pip install matplotlib-inline`
图片中文字显示为方框/乱码	Windows无Matplotlib中文字体	在代码开头添加中文配置（见实战代码第2-5行）

六、后续操作建议

替换为真实数据 ：将代码中"模拟数据生成"部分替换为df = pd.read_csv("你的产品数据.csv")，即可分析自有ERP数据；
进阶学习：从《动手学深度学习》第3章"线性网络"入手，实现产品销量预测；
Jupyter使用技巧 ：
- 关闭Jupyter：先关浏览器 → 终端按Ctrl+C → 输入y确认；
- 下次启动：conda activate d2l → jupyter notebook。

文档下载保存方法

复制上述全部内容；
打开电脑记事本（Notepad）→ 粘贴内容 → 点击"文件"→"保存"；
保存类型选择"所有文件"，文件名填写D2L环境搭建+电商可视化教程.md，编码选择UTF-8；
保存后可直接用记事本/VS Code/浏览器打开查看，也可导入Markdown编辑器格式化显示。

总结

核心流程：激活d2l环境 → 安装依赖包 → 启动Jupyter → 运行可视化代码，全程无需GPU，纯CPU即可完成；
关键解决点：Jupyter版本冲突、Matplotlib中文显示、图表后端兼容问题；
实战价值：可直接替换为真实电商数据，完成销量统计/类目分析/可视化，为后续机器学习打基础。