第3章 Python环境搭建

第3章：Python环境搭建——Anaconda安装、Jupyter Notebook配置与核心库安装

说实话，很多搞机械故障诊断的同行，一听到「搭环境」就头大。我当年也是。记得第一次在工控机上装Python，折腾了一下午，最后发现是路径没配好。嗯，后来我就学乖了——用Anaconda，省心太多。

这一章，咱们就把环境彻底搞定。你跟着我走一遍，以后写代码、跑模型，一路顺畅。

3.1 为什么非得用Anaconda？

你可能会问：「我直接装个Python不行吗？」

当然行。但做轴承故障诊断，我们要用到NumPy做矩阵运算、SciPy做信号处理、PyTorch做深度学习。这些库互相依赖，版本一乱就崩。Anaconda说白了就是一个「全家桶」，把Python和常用科学计算库打包好了，还自带虚拟环境管理。

我在项目里吃过亏——有一次为了装一个新库，把旧库的版本搞乱了，整个项目跑不起来。从那以后，我所有项目都用Anaconda的虚拟环境隔离。

  核心优势：
  自带Python解释器 + 150+常用科学计算库
虚拟环境管理，项目之间互不干扰
跨平台支持（Windows/Linux/Mac）
图形化界面，新手友好

3.2 Anaconda安装实战

安装其实很简单，但有几个坑我得提前告诉你。

3.2.1 下载与安装

去官网下载Anaconda（选Python 3.9+版本，别选太老的）
双击安装包，一路Next
关键一步：安装时勾选「Add Anaconda to my PATH environment variable」
安装路径不要有中文和空格

我曾经踩过的坑： 第一次装的时候没勾选PATH，结果在命令行里打「conda」提示找不到命令。后来手动配环境变量，折腾了半小时。所以，这一步千万别省。

3.2.2 验证安装

打开命令行（Windows按Win+R，输入cmd），敲下面两行：

conda --version
python --version

如果都显示版本号，恭喜你，环境搭好了。

3.3 Jupyter Notebook配置

Jupyter Notebook是我个人最常用的工具。做故障诊断时，一边写代码一边看波形图，特别方便。你想想看，在终端里干巴巴地跑代码，哪有在Notebook里实时看到频谱图来得直观？

3.3.1 启动Jupyter

在命令行输入：

jupyter notebook

浏览器会自动打开一个页面，默认地址是 http://localhost:8888。如果没自动打开，手动复制这个地址到浏览器就行。

3.3.2 配置工作目录

我习惯把项目文件都放在一个专门的文件夹里。比如在D盘建一个 bearing_project 文件夹。然后修改Jupyter的默认启动路径：

# 生成配置文件
jupyter notebook --generate-config

# 找到配置文件中的这一行，去掉注释并修改路径
c.NotebookApp.notebook_dir = 'D:/bearing_project'

小技巧： 我一般会在桌面上建一个批处理文件，内容就一行 jupyter notebook，双击就能启动，省得每次敲命令。

3.4 核心库安装

做主轴轴承故障诊断，下面这几个库是吃饭的家伙。我按安装顺序列出来，你照着敲就行。

3.4.1 NumPy——矩阵运算基础

说白了，所有信号数据在Python里都是以数组形式存在的。NumPy就是处理这些数组的利器。

conda install numpy

验证：

import numpy as np
print(np.__version__)
# 创建一个简单的数组
arr = np.array([1, 2, 3, 4, 5])
print(arr)

3.4.2 SciPy——信号处理核心

做FFT（快速傅里叶变换）、滤波器设计、插值，全靠它。我在做轴承故障特征提取时，SciPy的 signal 模块几乎天天用。

conda install scipy

验证：

from scipy import signal
# 生成一个测试信号
t = np.linspace(0, 1, 1000)
freq = 50  # 50Hz正弦波
wave = np.sin(2 * np.pi * freq * t)
print("SciPy安装成功，信号长度:", len(wave))

3.4.3 PyTorch——深度学习引擎

这是咱们做智能诊断的重头戏。PyTorch的安装要注意版本匹配——CPU版和GPU版不一样。

CPU版（通用）：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

GPU版（有NVIDIA显卡）：

conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia

注意： 我曾经在实验室的服务器上装GPU版，忘了检查CUDA版本，结果装完跑不了。建议先运行 nvidia-smi 查看CUDA版本，再选对应的PyTorch版本。

验证：

import torch
print("PyTorch版本:", torch.__version__)
print("CUDA可用:", torch.cuda.is_available())
# 创建一个张量
x = torch.tensor([1.0, 2.0, 3.0])
print("张量:", x)

3.4.4 其他辅助库

库名	用途	安装命令
Matplotlib	数据可视化（画波形图、频谱图）	`conda install matplotlib`
Pandas	数据读取与处理（CSV、Excel）	`conda install pandas`
Scikit-learn	传统机器学习算法	`conda install scikit-learn`

3.5 本章知识体系

下面这张图，是我梳理的本章核心逻辑。你一看就明白整个环境搭建的脉络了。

3.6 避坑指南

最后，我把自己这些年踩过的坑总结一下，你遇到了直接对照着解决。

安装慢？ 换国内镜像源。在命令行执行：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
Jupyter打不开？ 检查防火墙，或者换个端口：jupyter notebook --port=9999
PyTorch装完报错？ 八成是CUDA版本不匹配。用 conda list cudatoolkit 查看已安装的CUDA版本
库冲突？ 新建一个虚拟环境：conda create -n bearing_env python=3.9，然后激活它再装库

我的习惯： 每个项目都建独立的虚拟环境。比如这个课程，我就建了一个叫 bearing_course 的环境。这样就算装坏了，删掉重来也不影响其他项目。

好了，环境搭好了，下一章咱们就开始真正接触轴承振动信号了。到时候你会感谢今天花时间把环境搞利索的——因为后面所有的代码，都能直接跑起来，不用再为环境问题分心。

📚 课程目录