第2章：开发环境搭建——工欲善其事，必先利其器
做仿真脚本开发，第一步不是写代码，而是搭环境。我见过太多新手，一上来就 pip install 一堆东西，结果版本冲突、路径不对，折腾半天还没开始就放弃了。说白了，环境搭好了，后面能省 80% 的坑。
这一章，我们就来搞定三件事：Python 环境怎么配、常用库怎么装、IDE 怎么选。嗯，跟着我的节奏来，半小时内让你拥有一套能直接上手的开发环境。
2.1 Python 环境配置——别小看这一步
我个人习惯用 Python 3.8 到 3.11 之间的版本。为什么？因为 numpy、scipy 这些库对 3.12 的支持还不算完美，我在项目中遇到过几次因为版本太高导致某些函数报错的情况。所以，稳妥起见，推荐 3.9 或 3.10。
2.1.1 下载与安装
去 Python 官网下载对应版本。安装时记得勾选「Add Python to PATH」——这个选项很多人会漏掉，结果后面在命令行里打 python 没反应。我曾经帮一个同事排查了半天，最后发现就是没勾这个。
2.1.2 验证安装
打开终端（Windows 用 cmd 或 PowerShell，Mac/Linux 用 terminal），输入：
python --version
pip --version如果能看到版本号，说明安装成功。如果提示「不是内部或外部命令」，那就是 PATH 没配好。别慌，去环境变量里手动加上 Python 的安装路径和 Scripts 子目录就行。
2.2 虚拟环境——每个项目一个独立空间
你想想看，如果所有项目都共用一套 Python 库，A 项目需要 numpy 1.21，B 项目需要 numpy 1.19，那不就打架了吗？所以，虚拟环境是必须的。
我个人推荐用 venv，它是 Python 自带的，不需要额外安装。用法很简单：
# 创建虚拟环境
python -m venv myenv
# 激活（Windows）
myenv\Scripts\activate
# 激活（Mac/Linux）
source myenv/bin/activate激活后，终端前面会出现 (myenv) 字样，说明你已经在虚拟环境里了。这时候再 pip install 的东西，都只装在这个环境里，不会影响全局。
2.3 常用库安装——numpy、scipy、matplotlib
这三个库是仿真脚本开发的铁三角。numpy 负责数值计算，scipy 负责科学计算和优化，matplotlib 负责可视化。说白了，一个仿真脚本的完整流程就是：用 numpy 生成数据 → 用 scipy 做分析 → 用 matplotlib 画图。
2.3.1 安装命令
在激活的虚拟环境里，执行：
pip install numpy scipy matplotlib如果网络慢，可以加国内镜像源，比如清华的：
pip install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple2.3.2 验证安装
写一个简单的测试脚本：
import numpy as np
import scipy as sp
import matplotlib.pyplot as plt
print(f"NumPy version: {np.__version__}")
print(f"SciPy version: {sp.__version__}")
print(f"Matplotlib version: {plt.__version__}")
# 简单测试
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title("Test Plot")
plt.show()如果能正常显示一个正弦波图，说明环境没问题。如果报错，多半是版本冲突。这时候我建议你直接删掉虚拟环境重建，比一个一个排查快得多。
2.4 IDE 选择与配置——找到你的趁手兵器
IDE 这东西，没有最好的，只有最顺手的。我这些年用过 PyCharm、VS Code、Jupyter Notebook，各有各的适用场景。
2.4.1 三种 IDE 的对比
| IDE | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| PyCharm | 大型项目、团队协作 | 功能全面、调试强大、代码提示好 | 启动慢、吃内存 |
| VS Code | 中小型项目、快速开发 | 轻量、插件丰富、免费 | 需要自己配置插件 |
| Jupyter Notebook | 数据分析、原型验证 | 交互式、可视化方便、适合探索 | 不适合大型脚本、版本管理麻烦 |
我个人习惯是：写仿真脚本用 VS Code，做数据分析用 Jupyter Notebook，大型项目用 PyCharm。你刚开始的话，我建议从 VS Code 入手，门槛低，配置也灵活。
2.4.2 VS Code 配置要点
安装 VS Code 后，需要装几个关键插件：
- Python（微软官方）——提供代码补全、调试、语法检查
- Jupyter——支持在 VS Code 里直接运行 .ipynb 文件
- Python Docstring Generator——自动生成函数注释模板
- GitLens——方便查看代码历史
然后配置一下 Python 解释器路径。按 Ctrl+Shift+P，输入「Python: Select Interpreter」，选择你刚才创建的虚拟环境里的 python.exe。这样 VS Code 就会自动使用那个环境里的库。
2.5 本章知识体系总览
下面这张图，把整个开发环境搭建的流程串起来了。你可以把它当作一个检查清单，每完成一步就打个勾。
2.6 常见问题与避坑
最后，分享几个我踩过的坑，你遇到了可以直接翻到这里查。
- pip 安装超时： 加镜像源，或者用 pip --default-timeout=100 install 延长超时时间。
- 虚拟环境激活后 pip 还是全局的： 检查一下 PATH 顺序，确保虚拟环境的 Scripts 目录在系统 Python 之前。
- matplotlib 中文乱码： 在代码开头加两行：plt.rcParams['font.sans-serif'] = ['SimHei'] 和 plt.rcParams['axes.unicode_minus'] = False。
- VS Code 不识别虚拟环境： 手动选择解释器路径，或者重启 VS Code 让它重新扫描。
嗯，环境搭建这部分就到这里。别嫌麻烦，这一步做好了，后面写脚本的时候你会感谢自己的。