第二课：环境搭建——Python、Jupyter Notebook与三大库的安装配置
好，咱们正式开始动手了。
做功耗分析，说白了就是跟数据打交道。你想想看，电池续航日志、电流电压采样、温度变化曲线……这些数据不会自己说话，得靠工具去解读。而Python，就是我这些年用得最顺手的“翻译官”。
这一章，我带你把整个环境搭起来。别小看这一步，我见过太多人卡在安装环节，折腾半天连个DataFrame都打不开。嗯，咱们一次搞定。
2.1 Python环境：选对版本，少走弯路
我个人习惯用Python 3.8到3.11之间的版本。为什么？因为太新的版本（比如3.12、3.13）有些库还没完全适配，你装的时候可能会报错。太老的版本（3.6以下）又缺一些语法糖，写起来不爽。
我建议你直接装Anaconda。它自带Python、包管理器conda，还有一大堆常用库。省心。
下载地址：https://www.anaconda.com/download
选Windows、macOS或Linux版本，根据你的系统来。我当年在Windows上踩过坑——记得勾选“Add Anaconda to my PATH environment variable”，不然命令行里找不到python命令。
装完之后，打开终端（Windows用cmd或PowerShell，macOS/Linux用Terminal），输入：
python --version如果看到类似 Python 3.9.13 的输出，恭喜，环境成了。
小技巧：我习惯用 conda create -n battery_analysis python=3.9 创建一个独立的环境。这样不同项目之间不会互相干扰。你想想看，要是某个库升级把别的项目搞崩了，多闹心。
2.2 Jupyter Notebook：交互式分析的利器
做数据分析，我几乎离不开Jupyter Notebook。它让你能边写代码边看结果，还能加注释、画图表，特别适合探索性的功耗分析工作。
安装很简单。在终端里输入：
pip install jupyter notebook或者如果你用Anaconda，它已经自带了。启动方式：
jupyter notebook浏览器会自动打开一个页面，默认地址是 http://localhost:8888。点右上角的“New” -> “Python 3”，就能新建一个笔记本了。
注意：我曾经在服务器上跑Jupyter，结果忘了设置密码，被外人连进来乱搞。所以如果你要在远程服务器上用，记得配个密码：jupyter notebook password。
在笔记本里，你可以按 Shift + Enter 运行当前单元格。我刚开始用的时候老忘记，结果代码写了一大堆，一运行全是语法错误……嗯，习惯就好。
2.3 Pandas：处理电池日志的核心工具
Pandas，说白了就是Python版的Excel。但它比Excel强太多了——处理几十万行数据不卡顿，各种筛选、聚合、合并操作一行代码搞定。
安装：
pip install pandas导入习惯：
import pandas as pd我处理电池日志时，最常用的几个操作：
- 读取CSV：
df = pd.read_csv('battery_log.csv') - 查看前5行：
df.head() - 查看数据类型：
df.dtypes - 处理缺失值：
df.dropna()或df.fillna(method='ffill')
避坑指南：我曾经遇到一个日志文件，时间戳列是字符串格式，直接做时间差计算全错了。记得用 pd.to_datetime() 转换一下。
2.4 Matplotlib：画图的基础框架
Matplotlib是Python画图的“老祖宗”。虽然它默认的样式有点丑，但胜在灵活——你想怎么调就怎么调。
安装：
pip install matplotlib导入习惯：
import matplotlib.pyplot as plt画一个简单的电压曲线：
plt.plot(df['time'], df['voltage'])
plt.xlabel('时间 (s)')
plt.ylabel('电压 (V)')
plt.title('电池放电曲线')
plt.show()我个人习惯在Jupyter里加一行 %matplotlib inline，这样图表直接显示在单元格下方，不用弹窗。
小技巧：用 plt.style.use('ggplot') 或 plt.style.use('seaborn-v0_8') 能让图表好看不少。我早期画的图那叫一个丑，后来发现换个样式就顺眼多了。
2.5 Seaborn：让图表更专业
Seaborn是建立在Matplotlib之上的高级库。它简化了很多操作，比如画热力图、箱线图、分布图，一行代码搞定。
安装：
pip install seaborn导入习惯：
import seaborn as sns举个例子，你想看不同温度下电池容量的分布：
sns.boxplot(x='temperature', y='capacity', data=df)
plt.show()你想想看，用Matplotlib画这个得写十几行代码，Seaborn一行就完了。省下来的时间，喝杯咖啡不香吗？
注意：Seaborn的某些功能依赖Matplotlib的版本。如果你遇到 AttributeError，多半是版本不匹配。我建议统一用 pip install --upgrade matplotlib seaborn 升级到最新。
2.6 验证环境：跑一个完整的例子
环境搭没搭好，跑个例子就知道了。我在Jupyter里新建一个笔记本，输入以下代码：
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 生成模拟数据
import numpy as np
time = np.arange(0, 3600, 10) # 每10秒一个采样点
voltage = 3.7 - 0.0001 * time + np.random.normal(0, 0.02, len(time))
df = pd.DataFrame({'time': time, 'voltage': voltage})
# 画图
plt.figure(figsize=(10, 4))
plt.plot(df['time'], df['voltage'], label='电压', color='blue')
plt.xlabel('时间 (s)')
plt.ylabel('电压 (V)')
plt.title('模拟电池放电曲线')
plt.legend()
plt.grid(True)
plt.show()如果能看到一条下降的曲线，说明环境全部就绪。
总结一下：Python + Jupyter Notebook + Pandas + Matplotlib + Seaborn，这五个工具就是咱们做功耗分析的“五虎将”。后面每一章都会用到它们。
好，环境搭完了。下一章咱们开始真正分析电池日志——从数据导入到初步探索，一步步来。