第3章：环境搭建——Python环境配置与雷达SDK安装
说实话，做雷达数据回放这件事，环境搭建往往是第一个坑。我见过不少同事，代码写得挺好，结果卡在环境配置上，一卡就是半天。今天咱们就把这事一次性搞定。
3.1 为什么选Anaconda？
你可能要问：直接用系统自带的Python不行吗？嗯，理论上可以。但我在项目中吃过这个亏——项目做到一半，发现需要某个库的特定版本，一升级，其他库全崩了。那叫一个酸爽。
Anaconda的好处就是隔离。每个项目一个独立环境，互不干扰。说白了，就是给每个项目搭个小窝，各玩各的。
核心优势：
- 环境隔离，避免库版本冲突
- 预装1500+科学计算库，省去手动安装的麻烦
- conda包管理器比pip更智能，自动处理依赖关系
3.2 安装Anaconda
去官网下载对应系统的安装包。我个人习惯用64位版本，因为毫米波雷达的数据量不小，64位能处理更大的内存空间。
安装时注意两点：
- 安装路径不要有中文和空格
- 勾选"Add Anaconda to my PATH environment variable"（虽然安装程序会警告，但我建议勾上，省事）
装完后打开终端，输入：
conda --version如果看到版本号，恭喜你，第一步走通了。
3.3 创建专用环境
我习惯给每个项目建一个独立环境。比如这个雷达课程，我建了个叫radar_env的环境：
conda create -n radar_env python=3.9为什么选Python 3.9？因为我在测试时发现，某些雷达SDK对3.10以上版本支持不太好。3.9是个稳妥的选择。
激活环境：
conda activate radar_env看到命令行前面多了个(radar_env)，说明环境激活成功。
3.4 安装必备库
接下来装四个核心库。我按依赖顺序列出来：
| 库名 | 版本建议 | 用途 |
|---|---|---|
| numpy | ≥1.21.0 | 数组运算、矩阵操作 |
| matplotlib | ≥3.5.0 | 数据可视化、波形绘制 |
| scipy | ≥1.7.0 | 信号处理、滤波算法 |
| pySerial | ≥3.5 | 串口通信、雷达数据采集 |
安装命令很简单：
pip install numpy matplotlib scipy pyserial或者用conda：
conda install numpy matplotlib scipy pyserial我个人更推荐conda，因为它会自动检查依赖兼容性。有一次我用pip装scipy，结果它把numpy给降级了，折腾了我半小时才排查出来。
小技巧：装完后可以用一条命令验证所有库是否安装成功：
python -c "import numpy, matplotlib, scipy, serial; print('All OK')"如果输出"All OK"，说明环境没问题。
3.5 雷达SDK安装与验证
不同厂家的SDK安装方式不同。我这里以TI（德州仪器）的mmWave SDK为例，因为这是市面上最常用的方案之一。
安装步骤：
- 从TI官网下载mmWave SDK安装包（需要注册账号，免费）
- 双击安装，默认路径即可
- 安装完成后，设置环境变量
MMWAVE_SDK_INSTALL_PATH
验证SDK是否装好：
echo %MMWAVE_SDK_INSTALL_PATH% # Windows
echo $MMWAVE_SDK_INSTALL_PATH # Linux/Mac如果输出了安装路径，说明SDK环境变量配置成功。
注意：我曾经遇到过一个坑——SDK装好了，但Python调用时总报错。后来发现是SDK的DLL文件没在系统路径里。解决办法是把SDK的bin目录加到PATH环境变量中。
3.6 整体架构一览
下面这张图展示了我们搭建的环境在整个雷达数据回放系统中的位置：
你看，从硬件到可视化，每一层都依赖我们刚才安装的组件。少了任何一个，整个链路就断了。
3.7 快速验证脚本
最后，我写了个小脚本，帮你一次性验证所有组件是否正常工作：
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
import serial
print("numpy版本:", np.__version__)
print("scipy版本:", signal.__version__)
# 生成一个模拟的雷达回波信号
t = np.linspace(0, 1, 1000)
freq = 10 # 10Hz信号
wave = np.sin(2 * np.pi * freq * t)
# 加一点噪声
noise = 0.2 * np.random.randn(len(t))
signal_with_noise = wave + noise
# 用scipy做低通滤波
b, a = signal.butter(4, 0.1, 'low')
filtered = signal.filtfilt(b, a, signal_with_noise)
# 画图
plt.figure(figsize=(10, 4))
plt.plot(t, signal_with_noise, alpha=0.5, label='原始信号（含噪声）')
plt.plot(t, filtered, 'r-', linewidth=2, label='滤波后信号')
plt.legend()
plt.title('雷达回波模拟信号验证')
plt.xlabel('时间 (s)')
plt.ylabel('幅度')
plt.grid(True)
plt.show()
print("环境验证通过！所有组件正常工作。")运行这个脚本，如果能看到滤波前后的波形对比图，说明你的环境已经全部就绪。
我的经验：第一次运行如果报错，别慌。90%的情况是库版本不匹配。用pip list查看已安装的库版本，对照上面的表格检查一下。我曾经因为numpy版本太低，导致scipy的滤波函数报错，升级后就解决了。
好了，环境搭建就到这里。记住，这一步虽然枯燥，但基础打牢了，后面写代码、调算法才会顺手。磨刀不误砍柴工嘛。