4、Python环境搭建：Anaconda安装、Jupyter Notebook配置、虚拟环境管理、必备库安装
说实话，很多初学者在风机数字孪生这条路上栽的第一个跟头，不是算法太难，而是环境没搭好。我见过太多人花了两天装库，结果版本冲突，最后心态崩了。今天咱们就把这事一次性搞定。
4.1 为什么选Anaconda？
做风电数据分析，你免不了要跟numpy、pandas、scikit-learn这些库打交道。一个个手动装？太累了。而且不同项目依赖的库版本可能不一样——比如老项目用Python 3.6，新项目用3.9，硬装在一起会出大问题。
Anaconda就是来解决这个痛点的。它自带Python、包管理器conda，还有1500多个科学计算库。说白了，你装一个Anaconda，等于把整个工具箱都搬回家了。
- 自带Python解释器，不用单独装
- conda命令比pip更智能，能自动处理依赖冲突
- 支持创建隔离的虚拟环境，项目之间互不干扰
4.2 Anaconda安装实战
我个人习惯去清华镜像站下载，速度快很多。官网下载也行，就是慢点。
Windows用户注意：
- 安装时勾选「Add Anaconda to my PATH environment variable」——虽然安装程序会警告你，但我建议勾上，省得后面麻烦
- 安装路径不要有中文和空格，比如
C:\Anaconda3
Linux/Mac用户：
下载.sh文件后，终端执行：
bash Anaconda3-2024.10-1-Linux-x86_64.sh一路yes就行。安装完记得重启终端，或者执行 source ~/.bashrc。
4.3 验证安装
打开终端（Windows用Anaconda Prompt），输入：
conda --version
python --version如果看到版本号，说明安装成功。我一般还会跑一句：
python -c "import numpy; print('numpy is ready')"虽然numpy不是自带的，但这一步能提前暴露问题。
4.4 Jupyter Notebook配置
Jupyter Notebook是我做风电数据分析最常用的工具。为什么？因为它能边写代码边看结果，还能加注释、画图。你想想看，分析一个风机的SCADA数据，你肯定希望实时看到趋势图，而不是跑完脚本再打开图片。
安装很简单：
conda install jupyter notebook启动：
jupyter notebook浏览器会自动打开一个页面。我个人习惯做两件事：
- 修改默认工作目录：在配置文件
jupyter_notebook_config.py里找到c.NotebookApp.notebook_dir，改成你的项目文件夹路径 - 安装jupyter_contrib_nbextensions：提供代码折叠、目录生成等插件，写长文档时特别好用
Shift+Enter 执行当前单元格，Esc + H 查看所有快捷键。我刚开始用的时候，全靠快捷键提升效率。
4.5 虚拟环境管理——你的项目隔离舱
做风机数字孪生，你可能同时维护好几个项目：一个用TensorFlow 1.x做老旧模型，另一个用PyTorch 2.0做新算法。如果全装在base环境里，迟早会冲突。
虚拟环境就是干这个的。每个环境就像独立的房间，里面的Python版本、库版本互不干扰。
常用命令：
| 操作 | 命令 |
|---|---|
| 创建环境 | conda create -n wind_turbine python=3.9 |
| 激活环境 | conda activate wind_turbine |
| 退出环境 | conda deactivate |
| 查看所有环境 | conda env list |
| 删除环境 | conda env remove -n wind_turbine |
项目名_py版本，比如 wt_scada_py39。这样半年后回头看，一眼就知道这个环境是干什么的。
4.6 必备库安装
风机数字孪生最核心的四个库，我按安装顺序列出来：
- numpy —— 数值计算基础，所有数组操作都靠它
- pandas —— 数据处理神器，SCADA数据清洗全靠它
- matplotlib —— 画图工具，功率曲线、趋势图都靠它
- scikit-learn —— 机器学习库，做故障预测、参数辨识时用
激活你的虚拟环境后，一行命令全装：
conda install numpy pandas matplotlib scikit-learn或者用pip（如果conda源里没有）：
pip install numpy pandas matplotlib scikit-learn4.7 验证安装是否成功
写一个简单的测试脚本，跑通了就说明环境没问题：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 生成模拟数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])
# 线性回归
model = LinearRegression()
model.fit(x.reshape(-1, 1), y)
# 画图
plt.scatter(x, y)
plt.plot(x, model.predict(x.reshape(-1, 1)), 'r-')
plt.title('Test: Linear Regression')
plt.show()
print("All libraries are working!")如果能看到一条红色的拟合直线，恭喜你，环境搭建成功了。
4.8 本章知识体系
下面这张图帮你理清整个环境搭建的脉络：
这张图把今天的内容串起来了。从Anaconda这个根节点出发，分三条线：安装验证、Jupyter配置、虚拟环境管理，最后汇聚到四个必备库。你照着这个路径走，环境搭建不会出大问题。
公众号:蓝海资料掘金营，微信deep3321