环境搭建：Python环境配置、虚拟环境创建、常用库安装

说实话，很多做传感器标定的工程师，最后卡住的不是算法本身，而是环境没搭好。我见过太多人花了两天时间调代码，最后发现是numpy版本不对。嗯，咱们先把地基打牢。

一、Python版本选择

我个人习惯用Python 3.8或3.10。为什么？3.8足够稳定，大部分科学计算库都支持。3.10性能有提升，但有些老库可能不兼容。

去官网下载安装包时，记得勾选「Add Python to PATH」。这一步很多人会忘，导致后面命令行里打不出python命令。

二、虚拟环境——你的项目隔离区

你想想看，一个项目用numpy 1.21，另一个用1.24。如果装在一起，迟早出问题。虚拟环境就是干这个的。

我常用的工具是venv，Python自带的，不用额外装。操作很简单：

# 创建虚拟环境
python -m venv sensor_calib_env

# 激活（Windows）
sensor_calib_env\Scripts\activate

# 激活（Mac/Linux）
source sensor_calib_env/bin/activate

# 退出
deactivate

激活后，命令行前面会出现环境名。看到那个括号了吗？说明你已经在虚拟环境里了。

三、常用库安装

传感器标定离不开这几个库。说白了，它们是我们的工具箱。

安装时建议用国内镜像，速度会快很多：

pip install numpy scipy matplotlib pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

四、验证环境是否正常

写个简单的脚本测试一下：

import numpy as np
import scipy.optimize as opt
import matplotlib.pyplot as plt
import pandas as pd

print("numpy版本:", np.__version__)
print("scipy版本:", scipy.__version__)

# 生成一组模拟传感器数据
x = np.linspace(0, 10, 100)
y = 2.5 * x + 1.2 + np.random.normal(0, 0.5, 100)

# 用scipy做线性拟合
def linear_func(x, a, b):
    return a * x + b

params, _ = opt.curve_fit(linear_func, x, y)
print(f"拟合结果: a={params[0]:.3f}, b={params[1]:.3f}")

# 画图看看
plt.plot(x, y, 'o', label='原始数据')
plt.plot(x, linear_func(x, *params), 'r-', label='拟合曲线')
plt.legend()
plt.show()

能跑出图来，说明环境没问题。我记得第一次做标定时，就是靠这个脚本确认了所有库都正常工作。

五、常见问题与解决

• pip不是内部命令——检查Python是否添加到PATH，或者用python -m pip install
• 安装超时——换国内镜像，或者加--default-timeout=100
• 版本冲突——用虚拟环境隔离，别偷懒
• matplotlib中文乱码——设置中文字体，后面章节会细讲

六、知识体系总览

下面这张图，把环境搭建的核心逻辑串起来了：

环境搭建看起来琐碎，但一次配好，后面能省很多事。我每次开始新项目，第一件事就是建虚拟环境、装库、跑测试脚本。三分钟的事，别省。

好了，环境搭好了。接下来就可以真正开始处理传感器数据了。