第二章 环境搭建与工具链：工欲善其事，必先利其器

做剩余寿命预测，说白了就是跟数据打交道。数据不会自己从天上掉下来，你得先搭好一个能干活的环境。我见过不少新手，一上来就急着跑模型，结果装个库装半天，版本冲突搞得头大。嗯，咱们先把地基打牢。

2.1 Python环境配置：Anaconda

Anaconda是什么？它就是一个Python的“全家桶”。把Python解释器、常用库、包管理工具打包在一起。你下载一个，就全有了。

为什么要用它？因为省心。我在项目中遇到过好几次，不同项目依赖不同版本的库，比如项目A要PyTorch 1.8，项目B要PyTorch 2.0。如果全装在一个环境里，早晚会出问题。Anaconda的虚拟环境就是干这个的。

安装步骤：

1. 去Anaconda官网下载对应系统的安装包（Windows/Mac/Linux）
2. 双击安装，一路默认就行。但注意：安装时勾选“Add Anaconda to my PATH environment variable”
3. 安装完成后，打开终端（或Anaconda Prompt），输入 conda --version 验证

创建虚拟环境：

# 创建一个名为 rl_env 的环境，指定Python版本为3.9
conda create -n rl_env python=3.9

# 激活环境
conda activate rl_env

# 退出环境
conda deactivate

# 查看所有环境
conda env list

我曾经犯过一个错：把所有库都装在base环境里。结果有一天要升级某个库，把整个环境搞崩了。从那以后，我每个项目都新建一个环境。你想想看，这就像每个项目有自己的工具箱，互不借用，多清爽。

2.2 核心库安装：Pandas, NumPy, Scikit-learn, Matplotlib, PyTorch

这些库是剩余寿命预测的“左膀右臂”。咱们一个一个来装。

库名	作用	安装命令
NumPy	数值计算、矩阵运算	conda install numpy
Pandas	数据处理、表格操作	conda install pandas
Scikit-learn	传统机器学习算法	conda install scikit-learn
Matplotlib	数据可视化、画图	conda install matplotlib
PyTorch	深度学习框架	见下方说明

安装PyTorch要注意：

PyTorch的安装跟你的CUDA版本有关。如果你有NVIDIA显卡，想用GPU加速，先去终端输入 nvidia-smi 查看CUDA版本。然后去PyTorch官网（pytorch.org）选择对应的安装命令。

# 举例：CUDA 11.8 版本
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

# 如果没有GPU，装CPU版本
conda install pytorch torchvision torchaudio cpuonly -c pytorch

批量安装：

你可以把所有库写在一个文件里，一次性安装。创建一个 requirements.txt：

numpy==1.24.3
pandas==2.0.3
scikit-learn==1.3.0
matplotlib==3.7.2
torch==2.0.1

然后运行：

pip install -r requirements.txt

2.3 Jupyter Notebook使用

Jupyter Notebook是什么？它是一个交互式的编程环境。你可以在网页里写代码、运行、看结果、写笔记。非常适合做数据分析和算法实验。

安装与启动：

# 安装
conda install jupyter

# 启动
jupyter notebook

启动后，浏览器会自动打开一个页面。你会看到文件目录，点“New” -> “Python 3” 就能新建一个Notebook。

基本操作：

• 单元格（Cell）： 每个代码块就是一个单元格。按 Shift + Enter 运行当前单元格并跳到下一个。
• 两种模式： 命令模式（按Esc进入）和编辑模式（按Enter进入）。命令模式下，按 a 在上方插入单元格，按 b 在下方插入。
• Markdown单元格： 可以写文字、公式、标题。把单元格类型从“Code”改成“Markdown”就行。

一个完整的示例：

# 第一个单元格：导入库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch

print("所有库导入成功！")

# 第二个单元格：创建一个简单的数据集
data = pd.DataFrame({
    '时间': np.arange(1, 101),
    '振动值': np.sin(np.arange(1, 101) * 0.1) + np.random.randn(100) * 0.1
})
data.head()

# 第三个单元格：画个图看看
plt.figure(figsize=(10, 4))
plt.plot(data['时间'], data['振动值'])
plt.title('传感器振动信号')
plt.xlabel('时间点')
plt.ylabel('振动幅值')
plt.show()

你想想看，在Notebook里，你可以一边写代码一边看结果。发现数据有问题，马上就能改。这种即时反馈，对做算法实验来说太重要了。