Python环境搭建：Anaconda安装、Jupyter Notebook配置、必备科学计算库

说实话，做光谱分析这事儿，环境搭不好，后面全是坑。我见过太多人花了两小时装库，结果版本冲突，最后连个简单的傅里叶变换都跑不出来。今天咱们就把这事儿一次性搞定。

为什么非得用Anaconda？

你想想看，光谱分析要用的库太多了——NumPy做矩阵运算、SciPy处理信号、Matplotlib画图。一个个手动装？那简直是自找麻烦。Anaconda把这些打包好了，还自带包管理器conda，省心得很。

我个人习惯是：千万别用系统自带的Python。为什么？因为系统Python往往版本老旧，而且你装的东西多了，容易把系统搞崩。我就在Ubuntu上吃过这个亏，装了个新版的matplotlib，结果系统自带的软件罢工了……

安装Anaconda，三步走

第一步，去官网下载对应操作系统的安装包。Windows选64位，macOS选Intel或M1/M2对应的版本，Linux选.sh文件。

第二步，双击安装。这里有个坑——安装路径不要有中文和空格。我曾经帮一个学生远程调试，他装在「D:\程序\Python」下面，结果死活跑不起来。改成「D:\Anaconda」就好了。

第三步，验证安装。打开终端（Windows用Anaconda Prompt），输入：

conda --version
python --version

看到版本号就说明装好了。嗯，这里要注意：如果提示「conda不是内部命令」，八成是环境变量没配好。Windows用户可以在安装时勾选「Add Anaconda to my PATH environment variable」。

Jupyter Notebook配置，其实很简单

Jupyter Notebook这东西，说白了就是个交互式编程环境。你写一行代码，立刻看到结果，特别适合做光谱分析这种探索性工作。

启动方式很简单：

jupyter notebook

它会自动在浏览器里打开一个页面。我建议你在桌面建一个专门的工作目录，比如叫「spectrum_analysis」，然后在终端里先cd到这个目录再启动Jupyter。

还有一个我常用的配置——修改默认工作目录。找到Jupyter的配置文件：

jupyter notebook --generate-config

然后编辑生成的jupyter_notebook_config.py，找到这行：

# c.NotebookApp.notebook_dir = ''

改成：

c.NotebookApp.notebook_dir = 'D:/spectrum_analysis'

这样每次启动Jupyter，就直接进到你的工作目录了。

必备科学计算库：NumPy、SciPy、Matplotlib

这三个库是光谱分析的铁三角。咱们一个一个说。

NumPy：数组运算的基石

光谱数据本质上就是一堆数值——波长和对应的强度。NumPy的ndarray就是专门处理这种数据的。我举个例子：

import numpy as np

# 模拟一个光谱数据：波长从400nm到700nm，间隔1nm
wavelength = np.arange(400, 701, 1)
# 模拟强度数据（高斯峰）
intensity = np.exp(-((wavelength - 550) / 20) ** 2)

print(f"数据点数：{len(wavelength)}")
print(f"最大强度：{np.max(intensity):.4f}")

你看，一行代码就生成了301个数据点。要是用Python原生列表写，得循环300次，累不累？

SciPy：科学计算的瑞士军刀

SciPy建立在NumPy之上，提供了更多高级功能。做光谱分析时，最常用的是：

• 信号处理（scipy.signal）：滤波、去噪、峰值检测
• 优化（scipy.optimize）：曲线拟合，比如拟合高斯峰
• 插值（scipy.interpolate）：数据重采样

我印象最深的一次，是处理一个拉曼光谱数据。原始数据噪声特别大，用scipy.signal的savgol_filter做平滑，效果立竿见影：

from scipy.signal import savgol_filter

# 对强度数据做平滑
smoothed = savgol_filter(intensity, window_length=11, polyorder=3)

Matplotlib：画图就靠它

光谱分析的结果，最终要落到图上。Matplotlib的pyplot模块，基本能满足所有需求。

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
plt.plot(wavelength, intensity, 'b-', label='原始数据')
plt.plot(wavelength, smoothed, 'r--', label='平滑后')
plt.xlabel('波长 (nm)')
plt.ylabel('强度')
plt.title('光谱数据可视化')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

知识体系总览

下面这张图，把咱们今天讲的内容串起来了：

避坑指南

最后分享几个我踩过的坑：

• 版本冲突：别用pip和conda混着装包。我建议统一用conda，实在找不到的包再用pip。混用容易导致依赖混乱。
• 虚拟环境：每个项目建一个独立环境。比如这个光谱分析课程，我就建了个叫「spectrum_env」的环境：conda create -n spectrum_env python=3.9。这样不同项目之间互不干扰。
• 中文显示问题：Matplotlib默认不支持中文。我曾经在汇报时，图表的横坐标「波长」显示成了方框，尴尬死了。解决办法：

plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

好了，环境搭好，咱们就可以正式开始光谱分析之旅了。记住：工欲善其事，必先利其器。花半小时把环境配好，后面能省你十个小时的调试时间。

---

公众号:蓝海资料掘金营，微信deep3321