在配置Python机器学习环境前，需确保系统为最新状态，并安装编译Python、运行机器学习库所需的依赖包。
1. 更新系统软件包
执行以下命令更新CentOS系统至最新版本，避免因软件包过时导致的兼容性问题：
sudo yum update -y 2. 安装开发工具与依赖库
机器学习库（如TensorFlow、PyTorch）的安装需要编译工具和系统库支持，安装以下组件：
sudo yum groupinstall -y "Development Tools" # 包含gcc、make等编译工具 sudo yum install -y openssl-devel bzip2-devel libffi-devel zlib-devel readline-devel sqlite-devel wget 这些依赖包将用于后续Python环境的编译与运行。
CentOS 7及以上系统默认安装Python 2.7（已停止维护），需安装Python 3以满足机器学习库的需求。
1. 安装Python 3及pip
通过yum安装Python 3（以Python 3.6+为例），同时安装pip（Python包管理工具）：
sudo yum install -y python3 python3-pip 2. 验证安装
检查Python 3及pip版本，确认安装成功：
python3 --version # 输出类似Python 3.6.8 pip3 --version # 输出pip版本（如pip 21.1.3） 虚拟环境可隔离不同项目的依赖，避免全局安装导致的库版本冲突。
1. 安装venv模块
若系统未自带venv，通过pip安装：
sudo yum install -y python3-venv 2. 创建并激活虚拟环境
在项目目录下创建虚拟环境（如命名为my_ml_env），并激活：
python3 -m venv my_ml_env # 创建虚拟环境 source my_ml_env/bin/activate # 激活虚拟环境（激活后命令行提示符会显示环境名） 激活后，所有后续安装的库将仅存在于该虚拟环境中。
根据项目需求选择合适的机器学习库，以下为常见组合：
1. 基础数据处理与机器学习库
安装NumPy（数值计算）、Pandas（数据处理）、Scikit-learn（传统机器学习）、Matplotlib/Seaborn（数据可视化）：
pip install numpy pandas scikit-learn matplotlib seaborn 2. 深度学习框架（可选）
pip install torch torchvision torchaudiopip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113pip install tensorflowpip install tensorflow-gpu（需匹配CUDA版本）。通过简单代码验证库是否安装成功及环境配置是否正确。
1. 验证基础库
创建test_numpy.py文件，内容如下：
import numpy as np arr = np.array([1, 2, 3]) print(arr * 2) # 输出[2 4 6] 运行脚本：python test_numpy.py，若输出正确则说明NumPy安装成功。
2. 验证PyTorch（GPU版）
创建test_pytorch.py文件，内容如下：
import torch print(torch.__version__) # 输出PyTorch版本（如2.0.1） print(torch.cuda.is_available()) # 若安装GPU版，输出True；否则False 运行脚本：python test_pytorch.py，根据输出结果确认PyTorch是否正常工作。
若需要同时使用多个Python版本（如Python 3.8与3.12），可使用pyenv工具进行管理。
1. 安装pyenv
执行以下命令安装pyenv及依赖：
curl https://pyenv.run | bash 将以下内容添加到~/.bashrc文件中，使pyenv生效：
export PATH="$HOME/.pyenv/bin:$PATH" eval "$(pyenv init --path)" eval "$(pyenv virtualenv-init -)" 重新加载配置：source ~/.bashrc。
2. 使用pyenv安装Python版本
安装指定版本的Python（如3.12.1）：
pyenv install 3.12.1 设置为全局默认版本：pyenv global 3.12.1。
3. 创建虚拟环境
结合pyenv创建虚拟环境：pyenv virtualenv 3.12.1 my_ml_env，激活方式与普通虚拟环境一致。
通过以上步骤，即可在CentOS系统上配置好Python机器学习环境，满足数据处理、模型训练等需求。根据实际项目需要，可进一步安装其他库（如OpenCV、XGBoost等）或优化环境配置。
