第3章 Python环境搭建

第3章：Python环境搭建

说实话，每次带新人入门红外热图分析，我最怕的就是环境搭建这一步。明明代码逻辑都讲清楚了，结果卡在装软件上，你说气不气人？

我自己带过不少学生，发现一个规律：环境搭得顺不顺，直接决定了你后面学得开不开心。所以这一章，咱们把Anaconda、Jupyter Notebook、OpenCV和PIL这些基础工具一次性搞定。

本章核心目标：让你能在自己的电脑上，顺利跑起来第一行红外热图分析的代码。

3.1 为什么选Anaconda？

你可能听说过Python，也听说过pip install。但我要说，做数据分析、图像处理这块，Anaconda才是真正省心的选择。

为什么？我举个例子。有一次我在项目里需要同时用OpenCV 3.4和TensorFlow 2.0，这两个库对某些底层依赖的要求是冲突的。用pip硬装？折腾了我一下午。换成Anaconda的虚拟环境，十分钟搞定。

说白了，Anaconda帮你做了三件事：

包管理——装库、卸库、查依赖，一条命令搞定
环境隔离——不同项目用不同Python版本，互不干扰
预装常用库——numpy、pandas、matplotlib这些，装好就有

嗯，这里要注意：千万别图省事直接装个裸Python。你想想看，后面我们要装OpenCV、PIL、scipy、matplotlib……一个个手动装，依赖关系能把你搞疯。

3.2 Anaconda安装实战

安装过程其实很简单，但我还是把关键步骤列出来，免得你踩坑。

3.2.1 下载安装包

去Anaconda官网（anaconda.com）下载对应你操作系统的版本。我个人习惯用Python 3.9以上的版本，太老的版本有些新库不支持。

小技巧：如果你网速慢，可以去清华镜像站下载，速度快很多。搜索"清华Anaconda镜像"就能找到。

3.2.2 安装过程

Windows用户注意：安装时有个选项叫"Add Anaconda to my PATH environment variable"，我建议你勾上。虽然官方说不推荐，但实际用起来方便很多。

Mac和Linux用户：用命令行安装就行，记得用bash命令执行.sh文件。

3.2.3 验证安装

装完之后，打开终端（Windows叫Anaconda Prompt），输入：

conda --version

如果看到版本号，比如conda 23.1.0，那就说明装好了。

再输入：

python --version

看到Python 3.x版本号，一切正常。

注意：如果提示"conda不是内部或外部命令"，那就是环境变量没配好。去系统环境变量里，把Anaconda的Scripts目录加进去就行。

3.3 Jupyter Notebook配置

Jupyter Notebook这东西，我第一次用的时候就觉得——这才是做数据分析该有的工具。代码写一段、跑一段、看结果，再写下一段，特别适合我们这种探索式的开发方式。

3.3.1 启动Jupyter

装好Anaconda后，Jupyter Notebook已经自带了。启动方式有两种：

图形界面：在开始菜单找到"Jupyter Notebook"图标，点击启动
命令行：打开终端，输入jupyter notebook，回车

浏览器会自动打开一个页面，地址栏显示http://localhost:8888。这就是Jupyter的主界面了。

3.3.2 创建第一个Notebook

点右上角的"New"按钮，选择"Python 3"。一个新的笔记本就创建好了。

在单元格里输入：

print("Hello, 红外热图分析！")

然后按Shift + Enter运行。看到输出结果了吗？嗯，环境已经跑通了。

我的习惯：每次新建项目，我都会先建一个专门的文件夹，然后在Jupyter里切换到那个目录。这样所有代码和图片都整整齐齐的，不会乱。

3.3.3 常用快捷键

用Jupyter，快捷键能省一半时间。我列几个最常用的：

快捷键	功能
Shift + Enter	运行当前单元格，并选中下一个
Ctrl + Enter	运行当前单元格，不移动
A	在当前单元格上方插入新单元格
B	在当前单元格下方插入新单元格
DD	删除当前单元格
M	将单元格切换为Markdown模式（写说明文字用）

3.4 安装OpenCV与PIL

好，重头戏来了。这两个库是我们做红外热图分析的核心工具。

3.4.1 OpenCV安装

OpenCV，全称Open Source Computer Vision Library，图像处理界的瑞士军刀。读取图片、处理像素、画框标注，它全包了。

安装命令很简单：

pip install opencv-python

或者用conda：

conda install opencv

我个人推荐用pip装。为什么？因为conda上的opencv版本有时候更新慢，而pip上的opencv-python基本跟官方同步。

装完之后验证一下：

import cv2
print(cv2.__version__)

看到版本号，比如4.8.0，就说明装好了。

我曾经踩过的坑：有次装完opencv，import时报错说"找不到DLL"。查了半天，发现是Visual C++运行库没装。去微软官网下载安装"Visual C++ Redistributable"就好了。Windows用户如果遇到类似问题，先检查这个。

3.4.2 PIL（Pillow）安装

PIL是Python Imaging Library的缩写，但原版PIL已经停止维护了。现在大家都在用它的分支——Pillow。

安装命令：

pip install pillow

验证：

from PIL import Image
print(Image.__version__)

PIL和OpenCV有什么区别？我简单说一下：

OpenCV：偏底层，处理速度快，适合做实时视频分析、复杂图像变换
PIL：偏上层，API更友好，适合做图片格式转换、缩略图生成、简单滤镜

在实际项目中，我经常两个库混着用。比如用OpenCV读红外热图的原始数据，用PIL做伪彩色映射，再转回OpenCV画温度标注框。

3.4.3 其他推荐安装的库

既然环境都搭好了，顺手把后面会用到的库也装上：

pip install numpy matplotlib scipy pandas

这些库的作用：

numpy：处理温度数据矩阵，几乎每个红外热图分析都离不开它
matplotlib：画温度分布曲线、热力图可视化
scipy：做温度数据的插值、滤波处理
pandas：整理温度数据表格，导出Excel报告

3.5 本章知识体系

下面这张图，帮你理清这一章的核心逻辑：

3.6 环境验证总检查

所有东西都装完之后，我建议你跑一遍这个完整的验证脚本。能顺利执行，就说明环境完全OK了：

# 环境验证脚本
import sys
import numpy as np
import cv2
from PIL import Image
import matplotlib.pyplot as plt

print("Python版本:", sys.version)
print("NumPy版本:", np.__version__)
print("OpenCV版本:", cv2.__version__)
print("Pillow版本:", Image.__version__)

# 创建一个简单的测试图像
test_img = np.zeros((100, 100, 3), dtype=np.uint8)
test_img[30:70, 30:70] = [0, 0, 255]  # 画一个蓝色方块

# 用OpenCV显示
cv2.imwrite("test_output.png", test_img)
print("OpenCV图像保存成功！")

# 用PIL读取并显示信息
img_pil = Image.open("test_output.png")
print(f"PIL读取图像尺寸: {img_pil.size}")

print("\n✅ 所有环境验证通过！可以开始红外热图分析了。")

把这段代码复制到Jupyter Notebook里运行。如果最后看到绿色的"所有环境验证通过"，恭喜你，环境搭建这一步就彻底搞定了。

最后说一句：环境搭建这东西，一次配好，后面省心很久。我建议你把Anaconda的安装包和常用库的安装命令保存下来，以后换电脑或者帮同事配环境，直接复制粘贴就行。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录