第3章 Python环境与数据处理库

第3章：Python环境与数据处理库

说实话，很多做测试的兄弟一听到「搭环境」就头大。我当年也是，刚入行那会儿，光装个Python就折腾了一下午，版本冲突、路径不对、缺这缺那……后来用了Anaconda，真香。

这一章，咱们就把吃饭的家当先备齐。说白了，就是三样东西：Anaconda（环境管家）、Pandas（表格处理神器）、NumPy（数组运算基石）。再加上Jupyter Notebook这个交互式笔记本，你就能边写代码边看结果，调试起来特别顺手。

3.1 Anaconda：一站式环境管理

Anaconda是什么？你可以把它理解成一个「Python全家桶」。它自带Python解释器，还预装了200多个常用库。我建议新手直接装Anaconda，省心。

安装步骤很简单：

去官网下载对应系统的安装包（Windows/Mac/Linux都支持）
一路默认安装，记得勾选「Add Anaconda to my PATH environment variable」
装完后打开终端，输入 conda --version 验证

我的小习惯：每次开始新项目，我都会用 conda create -n test_env python=3.9 创建一个独立环境。这样不同项目之间不会互相干扰。我曾经因为环境混乱，导致一个跑了两周的自动化脚本突然崩溃……从那以后，环境隔离成了我的铁律。

常用的conda命令，我列个表给你：

命令	作用
`conda create -n env_name python=3.9`	创建新环境
`conda activate env_name`	激活环境
`conda deactivate`	退出环境
`conda install pandas numpy`	安装库
`conda list`	查看已安装的库

3.2 Jupyter Notebook：边写边测的利器

Jupyter Notebook是Anaconda自带的。你想想看，在测试数据分析时，你经常需要试一段代码、看个中间结果、再改改参数。用传统IDE写个完整脚本再运行，太慢了。Jupyter Notebook允许你把代码切成一个个「单元格」，每个单元格独立运行，结果直接显示在下方。

启动方式：在终端输入 jupyter notebook，浏览器会自动打开一个页面。新建一个Notebook，就能开始写了。

    避坑指南：我曾经在Notebook里写了一个很长的数据处理流程，结果不小心把某个单元格的顺序搞乱了，导致后面所有结果都错了。所以我的建议是：尽量按顺序执行单元格，如果修改了前面的代码，记得重新运行后面的所有单元格。

3.3 NumPy基础：数组运算的基石

NumPy是Python科学计算的底层库。测试数据里，我们经常要处理波形数据、向量、矩阵，这些用Python原生的列表做运算，慢得让人抓狂。NumPy的数组（ndarray）在底层是用C语言实现的，速度能快几十倍。

先看个最简单的例子：

import numpy as np

# 创建一个一维数组
data = np.array([1.2, 2.5, 3.8, 4.1, 5.6])
print(data)

# 数组运算：每个元素加10
data_shifted = data + 10
print(data_shifted)

# 计算均值、标准差
mean_val = np.mean(data)
std_val = np.std(data)
print(f"均值: {mean_val}, 标准差: {std_val}")

输出结果：

[1.2 2.5 3.8 4.1 5.6]
[11.2 12.5 13.8 14.1 15.6]
均值: 3.44, 标准差: 1.56

你看，一行代码就能算均值、标准差。在量产测试中，我们经常用这个来快速评估一批芯片的参数分布。

NumPy还有几个常用功能：

数组切片： data[1:4] 取第2到第4个元素
条件筛选： data[data > 3.0] 找出所有大于3.0的值
矩阵运算： np.dot(A, B) 矩阵乘法

注意：NumPy数组的索引从0开始，这一点和Excel不同。我刚开始用的时候，经常因为索引搞错而取错数据。建议你写代码时多打印几行看看，确认数据对不对。

3.4 Pandas入门：测试数据的瑞士军刀

Pandas是建立在NumPy之上的数据分析库。如果说NumPy是「数组」，那Pandas就是「带标签的表格」。测试数据通常以CSV或Excel文件形式存在，有行有列，Pandas处理这种数据简直不要太顺手。

先看怎么读取数据：

import pandas as pd

# 读取CSV文件
df = pd.read_csv('test_data.csv')
print(df.head())  # 查看前5行

# 读取Excel文件
df_excel = pd.read_excel('test_results.xlsx', sheet_name='Sheet1')

假设我们的测试数据长这样：

芯片ID	测试项	测量值	规格下限	规格上限	结果
CHIP001	VDD	1.82	1.70	1.90	PASS
CHIP001	IDD	12.5	0.0	15.0	PASS
CHIP002	VDD	1.65	1.70	1.90	FAIL

用Pandas做数据分析，几行代码就能搞定：

# 筛选出所有FAIL的芯片
fail_df = df[df['结果'] == 'FAIL']
print(f"失效芯片数量: {len(fail_df)}")

# 按测试项分组，计算均值
grouped = df.groupby('测试项')['测量值'].mean()
print(grouped)

# 计算良率
total = len(df)
pass_count = len(df[df['结果'] == 'PASS'])
yield_rate = pass_count / total * 100
print(f"良率: {yield_rate:.2f}%")

输出结果：

失效芯片数量: 1
测试项
IDD    12.50
VDD     1.74
Name: 测量值, dtype: float64
良率: 66.67%

我的经验：在量产测试中，我经常用 df.describe() 来快速查看所有数值列的统计信息（均值、标准差、最小值、最大值等）。这能帮你一眼看出哪些参数分布异常。比如某个电压的均值偏下限，可能就需要调整测试程序了。

3.5 本章知识体系

下面这张图，帮你理清这三个工具的关系：

你看，Anaconda是底座，Jupyter Notebook是操作台，NumPy和Pandas是工具箱里的两把利器。学完这一章，你就能用Python处理测试数据了。下一章，咱们会拿真实的量产测试数据来练手，到时候你就知道这些工具多好用了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录