4、Python科学计算环境搭建：Anaconda安装与配置、NumPy基础、SciPy基础、Matplotlib可视化入门

做运动控制算法仿真，说白了就是先得有个趁手的工具。Python 这几年在工控圈越来越火，我个人觉得最大的原因就是它的科学计算生态太完善了。你想想看，从矩阵运算到信号处理，再到画个漂亮的波形图，一套工具链全搞定。

这一章，咱们就把这套环境搭起来。别嫌麻烦，环境搭好了，后面写代码才顺手。

4.1 Anaconda：一站式科学计算平台

Anaconda 是什么？它就是一个 Python 的发行版，把 NumPy、SciPy、Matplotlib 这些常用库都打包好了。我刚开始用 Python 做仿真时，一个个库手动装，装到后面版本冲突，搞得头大。后来换成 Anaconda，嗯，省心多了。

4.1.1 安装与配置

去官网下载对应系统的安装包就行。我个人建议选 Python 3.8 以上的版本，太老的版本有些新库不支持。

安装时注意两点：

• 路径不要有中文——我吃过这个亏，有些库对中文路径不友好
• 勾选「Add Anaconda to PATH」——这样在命令行里就能直接调用了

装好后，打开终端或 Anaconda Prompt，输入：

conda --version

能看到版本号，就说明装好了。

conda create -n motion_control python=3.9
conda activate motion_control

4.1.2 环境管理

做运动控制仿真，经常需要不同版本的库。比如有的算法库只支持 NumPy 1.19，有的要 1.21。这时候 conda 的环境管理就派上用场了。

常用命令：

• conda list —— 查看当前环境装了哪些包
• conda install numpy —— 安装 NumPy
• conda remove numpy —— 卸载

4.2 NumPy：矩阵运算的基石

运动控制算法里，最常打交道的就是矩阵和向量。比如机械臂的雅可比矩阵、PID 控制器的状态向量，全是 NumPy 的 ndarray 对象。说白了，NumPy 就是 Python 里的矩阵计算器。

4.2.1 创建数组

import numpy as np

# 一维数组
a = np.array([1, 2, 3, 4, 5])

# 二维数组（矩阵）
b = np.array([[1, 2], [3, 4], [5, 6]])

# 全零矩阵
c = np.zeros((3, 3))

# 等差数列
d = np.linspace(0, 10, 100)  # 从0到10，均匀取100个点

linspace 这个函数我特别喜欢。做仿真时经常要生成时间轴，比如仿真时长 10 秒，步长 0.01 秒，用 linspace 一行搞定。

4.2.2 数组运算

NumPy 最爽的地方就是向量化运算。不用写循环，直接对整个数组做操作：

# 逐元素运算
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
z = x + y  # [5, 7, 9]

# 矩阵乘法
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
C = np.dot(A, B)  # 或者 A @ B

为什么会强调向量化？因为运动控制仿真往往要跑成千上万步，用 for 循环写，速度慢得让人抓狂。向量化运算底层是 C 语言实现的，快了一个数量级不止。

4.2.3 索引与切片

处理传感器数据时，经常要取某一段数据。NumPy 的切片语法和 Python 列表类似，但更强大：

data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 取第一行
row = data[0, :]  # [1, 2, 3]

# 取第一列
col = data[:, 0]  # [1, 4, 7]

# 取子矩阵
sub = data[0:2, 1:3]  # [[2, 3], [5, 6]]

4.3 SciPy：科学计算的瑞士军刀

SciPy 建立在 NumPy 之上，提供了更高级的科学计算功能。做运动控制仿真，最常用的是信号处理和优化模块。

4.3.1 信号处理

传感器数据往往有噪声，得先滤波。SciPy 的 signal 模块提供了各种滤波器：

from scipy import signal

# 设计一个低通滤波器
b, a = signal.butter(4, 0.1, 'low')

# 对数据滤波
filtered_data = signal.filtfilt(b, a, raw_data)

filtfilt 和 lfilter 有什么区别？filtfilt 是零相位滤波，不会引入延迟。我在做实时控制时用 lfilter，离线分析时用 filtfilt。

4.3.2 优化算法

运动控制里经常要解优化问题，比如找最优轨迹、标定参数。SciPy 的 optimize 模块很实用：

from scipy.optimize import minimize

# 定义目标函数
def cost_function(x):
    return (x[0] - 1)**2 + (x[1] - 2)**2

# 求解
result = minimize(cost_function, [0, 0])
print(result.x)  # 最优解

我记得有一次做机器人标定，需要拟合 12 个参数。手写最小二乘法太麻烦，直接用 SciPy 的 least_squares，几行代码就搞定了。

4.3.3 插值与积分

仿真时经常要处理离散数据点之间的插值。比如传感器采样率不够，需要插出中间值：

from scipy import interpolate

# 已知数据点
x = np.array([0, 1, 2, 3, 4])
y = np.array([0, 1, 4, 9, 16])

# 创建插值函数
f = interpolate.interp1d(x, y, kind='cubic')

# 插值
x_new = np.linspace(0, 4, 100)
y_new = f(x_new)

kind 参数可以选 'linear'、'quadratic'、'cubic'。我一般用 cubic，平滑度好，计算量也还能接受。

4.4 Matplotlib：数据可视化入门

做仿真，光有数据不行，得能看出来趋势。Matplotlib 就是 Python 里最经典的绘图库。说实话，我见过不少工程师用 Excel 画图，但那个灵活度和 Matplotlib 没法比。

4.4.1 基本绘图

import matplotlib.pyplot as plt

# 生成数据
t = np.linspace(0, 10, 1000)
y = np.sin(t)

# 绘图
plt.figure(figsize=(10, 6))
plt.plot(t, y, label='sin(t)', linewidth=2)
plt.xlabel('时间 (s)')
plt.ylabel('幅值')
plt.title('正弦波')
plt.grid(True)
plt.legend()
plt.show()

画图时我习惯先调好 figure size，不然默认的图太小，放到论文里看不清。

4.4.2 多子图与样式

仿真报告里经常要同时展示多个波形，比如位置、速度、加速度。用 subplot 可以排在一起：

fig, axes = plt.subplots(3, 1, figsize=(10, 8))

axes[0].plot(t, pos, 'b-')
axes[0].set_ylabel('位置')

axes[1].plot(t, vel, 'r-')
axes[1].set_ylabel('速度')

axes[2].plot(t, acc, 'g-')
axes[2].set_ylabel('加速度')
axes[2].set_xlabel('时间 (s)')

plt.tight_layout()
plt.show()

4.4.3 保存图片

仿真结果要放到报告里，得保存成图片：

plt.savefig('step_response.png', dpi=300, bbox_inches='tight')

dpi 设成 300，打印出来才清晰。bbox_inches='tight' 可以自动裁剪空白边距，省得手动调。

知识体系总览

下面这张图，把这一章的核心逻辑串起来了。你照着这个路线走，环境搭建不会迷路：

这一章的内容就这些。环境搭好了，后面咱们就可以开始写真正的运动控制算法了。记住，工欲善其事，必先利其器。花点时间把环境搞顺，后面写代码会顺畅很多。