第3章 Python环境搭建

第3章：Python环境搭建——工欲善其事，必先利其器

说实话，我见过太多同学在传递函数建模上栽跟头，最后发现是环境没配好。这就像你买了把好扳手，结果发现工具箱里全是螺丝刀——活没法干。今天咱们就把这套工具链彻底搞定。

我个人习惯用Anaconda来管理Python环境，省心。当然你用原生Python也行，但相信我，Anaconda能帮你省掉至少80%的依赖冲突问题。

3.1 核心三件套：NumPy/SciPy/Matplotlib

这三个库是Python科学计算的基石。说白了，NumPy管矩阵运算，SciPy管高级数学，Matplotlib管画图。缺一个，你的离散系统建模就瘸腿。

安装命令（一行搞定）：

pip install numpy scipy matplotlib

如果你用Anaconda，那更简单：

conda install numpy scipy matplotlib

嗯，这里要注意版本问题。我去年有个项目，就因为NumPy版本太新（1.24+），跟旧版SciPy不兼容，折腾了我一下午。建议统一用2023年后的版本：

库名	推荐版本	最低版本
NumPy	1.24.3	1.21.0
SciPy	1.10.1	1.7.0
Matplotlib	3.7.1	3.5.0

小技巧：安装完后，在Python里输入 import numpy; print(numpy.__version__) 快速验证版本。

3.2 控制库control——离散系统的灵魂

这个库才是咱们的主角。它封装了传递函数、状态空间、根轨迹等所有控制工程需要的功能。你想想看，如果没有它，你得手写矩阵运算来实现z变换——那画面太美我不敢看。

安装命令：

pip install control

或者从源码安装（我一般不推荐，除非你要用最新特性）：

pip install git+https://github.com/python-control/python-control.git

我曾经在给一个电机控制系统做建模时，发现control库的离散系统函数 c2d() 默认用的是零阶保持器（ZOH），而实际系统用的是一阶保持器（FOH）。这个坑让我多花了三天时间调试。所以记住：

避坑指南：control库的 c2d() 函数默认method='zoh'。如果你需要其他离散化方法（如tustin、matched），务必显式指定参数。

验证安装是否成功：

import control as ct
# 创建一个离散传递函数：G(z) = (z+0.5)/(z^2 - 1.5z + 0.7)
num = [1, 0.5]
den = [1, -1.5, 0.7]
G = ct.TransferFunction(num, den, dt=1)  # dt=1表示采样周期1秒
print(G)

如果输出类似下面这样，说明安装成功：

    z + 0.5
-----------------
z^2 - 1.5 z + 0.7

dt = 1

3.3 Jupyter Notebook配置——交互式建模利器

我个人强烈推荐用Jupyter Notebook来做离散系统建模。为什么？因为你可以边写代码边看结果，还能随时插入Markdown笔记。这比在终端里一行行敲代码爽太多了。

安装与启动：

pip install jupyter notebook
jupyter notebook

启动后浏览器会自动打开，默认端口8888。如果你在服务器上跑，记得加参数：

jupyter notebook --ip=0.0.0.0 --port=8888 --no-browser

这里有个我踩过的坑：Jupyter Notebook默认的工作目录是启动时的路径。如果你把notebook文件放在别处，导入模块时会找不到。解决办法是在启动前cd到项目目录，或者修改配置文件：

jupyter notebook --generate-config
# 然后编辑 ~/.jupyter/jupyter_notebook_config.py
# 找到 c.NotebookApp.notebook_dir = '' 改成你的路径

    核心配置清单：
    安装扩展：pip install jupyter_contrib_nbextensions（代码折叠、目录生成等）
魔法命令：在cell里输入 %matplotlib inline 让图表直接显示在notebook里
自动重载：%load_ext autoreload; %autoreload 2 修改模块后自动生效

3.4 知识体系总览

下面这张图是我自己画的，把本章的知识结构串起来了。你看一眼就能明白每个工具在哪个环节发挥作用：

3.5 快速验证脚本

装完别急着走。跑一遍这个脚本，确保所有组件都能正常工作：

import numpy as np
import scipy.signal as signal
import matplotlib.pyplot as plt
import control as ct

# 1. NumPy验证
print("NumPy版本:", np.__version__)
A = np.array([[1, 2], [3, 4]])
print("矩阵乘法测试:\n", A @ A)

# 2. SciPy验证
num = [1]
den = [1, 0.5, 0.25]
sys = signal.TransferFunction(num, den)
print("SciPy传递函数:", sys)

# 3. Matplotlib验证
t = np.linspace(0, 10, 100)
plt.plot(t, np.sin(t))
plt.title("测试图表")
plt.show()

# 4. control库验证
G = ct.TransferFunction([1], [1, 0.5, 0.25], dt=0.1)
print("control离散传递函数:\n", G)

print("\n✅ 所有组件安装成功！")

    常见问题排查：
    如果control库报错 ImportError: No module named 'control'，检查是否在正确的虚拟环境中
如果Matplotlib不显示图形，试试 plt.switch_backend('TkAgg')
如果SciPy的 TransferFunction 报错，可能是版本太旧，升级到1.7+

好了，环境搭好了，咱们就可以正式开始玩离散系统传递函数了。记住：工具是死的，人是活的。别被安装过程劝退——我当年第一次配环境也折腾了两天，现在回想起来，那都是必经之路。

📚 课程目录