第4章 Python基础与科学计算

第4章 Python基础与科学计算：Python环境配置（Anaconda）、NumPy数组运算、Matplotlib数据可视化基础

各位同学，欢迎来到运动控制算法的编程基础篇。

说实话，很多做运动控制的工程师，一开始对Python是有点抵触的。觉得C/C++才是硬核，Python太慢。我当年也这么想。直到有一次，我需要快速验证一个S型速度规划算法，用C写了个测试框架，光编译调试就花了一整天。后来换成Python，半小时就把曲线画出来了。嗯，从那以后，我再也不敢小看Python了。

这一章，我们就来搞定Python在科学计算和可视化方面的三大件：Anaconda环境、NumPy数组、Matplotlib绘图。这些都是后续做联合仿真和硬件部署前的必备技能。

4.1 Anaconda：一站式Python环境管理

我个人习惯用Anaconda来管理Python环境。为什么？因为做运动控制仿真，你可能会用到不同的库版本。比如有的老项目依赖NumPy 1.19，新项目要用1.24。用Anaconda的虚拟环境，可以轻松切换，互不干扰。

核心概念：Anaconda是一个Python发行版，内置了conda包管理器。它最大的好处是帮你解决了依赖地狱的问题。

安装与配置要点：

下载地址：官网选择对应操作系统版本（Windows/Linux/macOS）
安装时建议勾选「Add Anaconda to my PATH environment variable」
安装完成后，打开终端或Anaconda Prompt，输入 conda --version 验证

常用命令速查：

操作	命令	说明
创建环境	`conda create -n motion_ctrl python=3.9`	创建名为motion_ctrl的环境，Python 3.9
激活环境	`conda activate motion_ctrl`	进入该环境
安装包	`conda install numpy matplotlib`	同时安装多个包
退出环境	`conda deactivate`	回到base环境

我的小技巧：每个项目单独建一个环境。比如这个课程，我就建了一个叫 motion_sim 的环境。这样即使某个库升级出问题，也不会影响其他项目。

4.2 NumPy：运动控制中的数组运算利器

做运动控制，你天天要和数组打交道。位置序列、速度曲线、加速度数据……这些在Python里最优雅的处理方式就是NumPy数组。

为什么不用Python自带的列表？你想想看，一个电机的位置数据可能有几万个点，用列表做逐元素乘法，速度慢得让人抓狂。NumPy底层用C实现，向量化运算快了几十倍。

创建数组的几种方式：

import numpy as np

# 从列表创建
pos = np.array([0.0, 1.0, 2.0, 3.0, 4.0])

# 创建全零数组，常用于初始化
vel = np.zeros(100)  # 100个速度点，初始为0

# 创建等差数列，常用于生成时间轴
time = np.linspace(0, 1, 1000)  # 0到1秒，1000个点

# 创建随机数组，仿真测试时常用
noise = np.random.randn(1000) * 0.01  # 模拟传感器噪声

我曾经踩过的坑：用 np.array 时忘记指定dtype，导致整数除法出问题。比如 np.array([1, 2, 3]) / 2 在Python 2里会得到 [0, 1, 1]。现在Python 3虽然改了，但养成好习惯：明确指定 dtype=np.float64。

核心运算：

向量化运算： acc = (vel[1:] - vel[:-1]) / dt 直接算加速度，不用写for循环
切片与索引： pos[10:20] 取第10到19个位置点
条件筛选： vel[vel > 0.5] 找出速度超过0.5的点
矩阵运算： 做坐标变换时，np.dot(R, p) 实现旋转矩阵乘向量

一个实际例子：计算梯形速度曲线的位移

import numpy as np

# 参数
v_max = 1.0      # 最大速度 m/s
a_max = 2.0      # 最大加速度 m/s²
total_time = 2.0 # 总时间 s

# 生成时间轴
dt = 0.001
t = np.arange(0, total_time, dt)
n = len(t)

# 初始化速度数组
v = np.zeros(n)

# 加速阶段
t_acc = v_max / a_max
acc_mask = t < t_acc
v[acc_mask] = a_max * t[acc_mask]

# 匀速阶段
const_mask = (t >= t_acc) & (t < total_time - t_acc)
v[const_mask] = v_max

# 减速阶段
dec_mask = t >= total_time - t_acc
v[dec_mask] = a_max * (total_time - t[dec_mask])

# 用梯形法求位移
position = np.cumsum(v) * dt
print(f"最终位移: {position[-1]:.3f} m")

你看，整个计算过程没有一行for循环，全是向量化操作。这就是NumPy的魅力。

4.3 Matplotlib：把数据变成看得见的曲线

做运动控制仿真，光看数字是看不出问题的。你得把位置曲线、速度曲线、加速度曲线画出来，一眼就能看出有没有超调、有没有震荡。

我个人习惯用Matplotlib的pyplot接口，简单直接。

基本绘图流程：

import matplotlib.pyplot as plt

# 准备数据
t = np.linspace(0, 1, 100)
pos = np.sin(2 * np.pi * t)  # 模拟一个正弦运动

# 创建图形
plt.figure(figsize=(8, 4))

# 画曲线
plt.plot(t, pos, 'b-', linewidth=2, label='位置')

# 添加标签和标题
plt.xlabel('时间 (s)')
plt.ylabel('位置 (m)')
plt.title('运动曲线')
plt.grid(True)
plt.legend()

# 显示
plt.show()

我的经验：在仿真阶段，一定要把网格线打开（plt.grid(True)）。有一次我调试一个PID参数，没开网格，以为曲线已经收敛了。后来开了网格才发现，稳态误差还有0.5mm。网格线能帮你更精确地判断数值。

多子图对比：做运动控制时，经常需要把位置、速度、加速度放在一起看。

fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(8, 6), sharex=True)

ax1.plot(t, pos, 'r')
ax1.set_ylabel('位置 (m)')
ax1.grid(True)

ax2.plot(t, vel, 'g')
ax2.set_ylabel('速度 (m/s)')
ax2.grid(True)

ax3.plot(t, acc, 'b')
ax3.set_ylabel('加速度 (m/s²)')
ax3.set_xlabel('时间 (s)')
ax3.grid(True)

plt.tight_layout()
plt.show()

保存图片：仿真结果要写到报告里，用 plt.savefig('trajectory.png', dpi=300) 保存高清图。

4.4 本章知识体系

下面这张图，是我梳理的本章核心脉络。你可以把它当作一个地图，后续用到哪个知识点，回来对照着看。

本章小结：

Anaconda帮你管理Python环境，每个项目独立隔离
NumPy是运动控制数据处理的基石，向量化运算效率极高
Matplotlib让数据可视化变得简单，多子图对比是调试利器

好了，这一章的内容就到这里。配置好环境，把上面的代码跑一遍，你就能感受到Python在科学计算上的威力。下一章我们会把这些工具用在真正的运动控制算法上。

📚 课程目录