3、Python环境搭建：Anaconda安装、Jupyter Notebook配置、标定分析专用库安装
说实话，很多工程师一听到「搭环境」就头大。
我以前带过几个新人，上来就问：「能不能直接给我一个装好Python的U盘？」
嗯，我理解这种心情。但做标定数据分析，环境搭不好，后面全是坑。今天我就把这一套流程掰开揉碎了讲清楚。
3.1 为什么选Anaconda？
你可能会问：「直接装个Python不行吗？」
行，但没必要。Anaconda自带了一堆科学计算库，省得你一个个pip安装。我在项目里遇到过最头疼的事——同事装了个裸Python，结果pandas版本和numpy版本打架，一跑就报错。折腾了两天才发现是依赖冲突。
Anaconda的conda包管理器能自动处理依赖关系。说白了，它帮你把「螺丝刀、扳手、钳子」打包成一个工具箱，你直接拎走用就行。
核心优势：
- 自带Python解释器 + 150+常用库
- conda管理环境，隔离不同项目依赖
- Windows/Mac/Linux全平台支持
3.2 Anaconda安装步骤
我建议去清华镜像站下载，官网那个速度...你懂的。
- 下载安装包：访问
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/，选最新版（我写这课时是2024.10版本） - 安装过程：一路Next，但注意两个关键点：
- 勾选「Add Anaconda to my PATH environment variable」——虽然安装程序会警告不推荐，但咱们做数据分析经常要用命令行，加上方便
- 安装路径不要有中文和空格，我见过有人装到「D:\软件\Python」结果死活打不开
- 验证安装：打开命令行，输入
conda --version，看到版本号就说明成了
避坑指南：我曾经在Win7上装Anaconda最新版，结果提示「不支持此系统」。后来查了文档，Anaconda 2023以后只支持Win10+。如果你还在用老系统，去下载2022.05版本。
3.3 Jupyter Notebook配置
Jupyter Notebook是我做标定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，特别适合探索性分析。
安装完Anaconda后，Jupyter已经自动装好了。你只需要做两件事：
3.3.1 启动Jupyter
打开命令行，输入：
jupyter notebook浏览器会自动弹出。如果没弹，复制终端里那个带 token= 的链接到浏览器打开。
3.3.2 修改默认工作目录
我个人习惯把标定数据和分析脚本放在一个固定文件夹。默认的Jupyter工作目录在用户文件夹下，太乱了。
修改方法：
- 在命令行输入
jupyter notebook --generate-config，生成配置文件 - 找到
C:\Users\你的用户名\.jupyter\jupyter_notebook_config.py - 用记事本打开，搜索
#c.NotebookApp.notebook_dir - 改成
c.NotebookApp.notebook_dir = 'D:\INCA_Analysis'（去掉前面的#号）
小技巧：我习惯在D盘建一个 INCA_Analysis 文件夹，里面再分 data、scripts、results 三个子文件夹。这样标定数据、分析脚本、输出图表各归其位，找起来特别快。
3.4 标定分析专用库安装
做标定数据分析，有三个库是绕不开的：
| 库名 | 用途 | 安装命令 |
|---|---|---|
| pyarrow | 读取INCA导出的.parquet文件，处理大数据集 | conda install pyarrow |
| pandas | 数据清洗、筛选、统计、合并 | conda install pandas |
| matplotlib | 绘制标定曲线、对比图、趋势图 | conda install matplotlib |
3.4.1 安装命令
打开Anaconda Prompt（开始菜单里找），依次输入：
conda install pyarrow
conda install pandas
conda install matplotlib为什么用conda而不是pip？因为conda会自动检查依赖兼容性。我遇到过用pip装pyarrow，结果把pandas从2.0降级到了1.5，气得我...后来全用conda就再没出过问题。
3.4.2 验证安装
打开Jupyter Notebook，新建一个Python3笔记本，输入：
import pyarrow
import pandas as pd
import matplotlib.pyplot as plt
print("pyarrow version:", pyarrow.__version__)
print("pandas version:", pd.__version__)
print("matplotlib version:", plt.matplotlib.__version__)如果没报错，恭喜你，环境搭好了。
重要提醒：这三个库是基础。后续章节我们还会用到 numpy、scipy、seaborn 等，但今天先把地基打牢。
3.5 我的个人建议
环境搭建这一步，看起来简单，但很多人栽在这里。我总结三条经验：
- 用虚拟环境隔离项目：不同车型的标定分析，依赖可能不同。用
conda create -n project_name python=3.10创建独立环境，互不干扰 - 别用最新版Python：我目前用Python 3.10，稳定。3.12有些库还没适配，别当小白鼠
- 装完库重启一下内核：Jupyter里装完新库，记得重启内核（Kernel -> Restart），不然import会报错
好了，环境搭完，下一章我们正式开始用Python处理INCA标定数据。到时候你就知道，前面这些折腾都是值得的。