第4章：Python环境搭建

说实话，很多初学者在Python环境搭建这一步就栽了跟头。我见过太多人因为环境配置问题，浪费了一整天时间。今天我就带你把这步走稳了。

4.1 为什么选择Anaconda？

Python环境管理，说白了就是解决两个问题：版本冲突和依赖管理。你想想看，做风机数据分析要用numpy 1.20，做机器学习又要用numpy 1.24，要是没有环境隔离工具，那可就乱套了。

Anaconda就是来解决这个问题的。它集成了Python解释器、包管理器conda，还有一大堆科学计算库。我个人习惯用Anaconda，因为它开箱即用，省去了手动配置的麻烦。

4.2 Anaconda安装实战

安装过程其实很简单，但有几点我要特别提醒你。

Windows系统安装

1. 去官网下载Anaconda最新版（Python 3.9+版本）
2. 双击安装包，一路Next
3. 关键步骤：勾选"Add Anaconda to my PATH environment variable"
4. 安装完成后，打开命令行输入conda --version验证

Linux/Mac系统安装

# 下载安装脚本
wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh

# 运行安装
bash Anaconda3-2023.09-0-Linux-x86_64.sh

# 按照提示操作，最后选择yes初始化conda
# 验证安装
conda --version

4.3 Jupyter Notebook配置

Jupyter Notebook是我做数据分析时最常用的工具。它支持交互式编程，特别适合做探索性分析。嗯，这里要注意一点：Jupyter是Anaconda自带的，不需要额外安装。

启动Jupyter Notebook

# 在命令行输入
jupyter notebook

# 或者用Anaconda Navigator图形界面启动

启动后浏览器会自动打开，默认端口是8888。我在项目中遇到过端口被占用的情况，这时候可以指定端口：

jupyter notebook --port 9999

4.4 必备库安装

做风机数字孪生，这几个库是绕不开的。我按使用频率给你排个序：

批量安装命令

# 一次性安装所有必备库
conda install numpy pandas matplotlib scikit-learn

# 验证安装
python -c "import numpy; import pandas; import matplotlib; import sklearn; print('All libraries installed successfully!')"

4.5 知识体系总览

下面这张图帮你理清Python环境搭建的整体脉络：

4.6 验证环境是否正常

安装完成后，我建议你跑一个简单的测试脚本，确认所有库都能正常工作：

# test_env.py
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 生成测试数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])

# 训练线性回归模型
model = LinearRegression()
model.fit(x.reshape(-1, 1), y)

# 预测
pred = model.predict([[6]])
print(f"预测结果：{pred[0]:.2f}")

# 绘制图表
plt.plot(x, y, 'o-')
plt.title("环境测试 - 线性回归")
plt.savefig("test_plot.png")
print("环境配置成功！")

如果这段代码能顺利运行，说明你的Python环境已经搭建好了。我在项目中每次换新电脑，都会先跑一遍这个测试脚本，确保环境没问题再开始干活。

conda create -n wind_turbine python=3.9
conda activate wind_turbine
conda install numpy pandas matplotlib scikit-learn