一：先安装软件，任意一个都可以

PyCharm安装教程

https://www.cnblogs.com/du-hong/p/10244304.html

Anaconda安装教程

https://blog.csdn.net/ITLearnHall/article/details/81708148

二：相关软件以及Python库的知识讲解：

PyCharm概述

PyCharm是一个Python IDE，它附带了一套工具，可以帮助用户在使用Python进行开发时提高效率，比如调试、语法突出显示、项目管理、代码跳转、智能提示、自动完成、单元测试和版本控制。此外，IDE还提供了一些高级功能来支持Django框架下的专业Web开发。

Anaconda概述

Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统。它提供包管理和环境管理功能。它可以很容易地解决多版本Python共存、切换和各种第三方包的安装问题。Anaconda利用工具/命令conda来进行包管理和环境管理，并且已经包括了Python和相关的支持工具。
conda可以理解为一个工具和一个可执行的命令。它的核心功能是包管理与环境管理。包管理类似于pip，环境管理允许用户轻松安装不同版本的python并在它们之间快速切换。Anaconda则是一个打包的集合，里面预装好了conda、某个版本的Python、众多packages、科学计算工具等等。它也被称为Python的一个发行版。

Jupyter Notebook概述

Jupyter Notebook（此前被叫做 IPython notebook）是一款支持40多种编程语言的交互式笔记本。Jupyter Notebooks 是一个开源的网络应用程序，我们可以使用它来创建和共享代码和文档。它提供了一种环境，在这种环境中，您可以编写代码、运行代码、查看输出、可视化数据和查看结果，而不需要离开环境。因而，它是执行端到端数据科学工作流的一个方便工具，包括数据清理、统计建模、构建和训练机器学习模型、数据可视化等。
Jupyter Notebook是以网页的形式打开，可以直接在网页中编写代码和运行代码，代码的运行结果也会直接显示在代码块下。如果在编程过程中需要编写说明文件，可以直接在同一页中编写，以便及时做出解释和说明。

Numpy库

Numpy是Python语言的扩展库，它支持大量的维度数组和矩阵操作，以及用于数组操作的大量数学函数库。NumPy 的前身 Numeric 最初是由 Jim Hugunin 和其它合作者开发的。2005 年，Travis Oliphant 将来自另一个具有相同性质的库Numarray的特性与其他扩展组合在一起，开发了Numpy In Numeric。Numpy 是为开放源码开发的，并由许多协作者维护。
Numpy 是一个非常快速的数学库，主要用于数组计算，它包含：
1.一个强大的N维数组对象 ndarray。
2.广播功能函数。
3.整合 C/C++/Fortran 代码的工具，更是Scipy、Pandas等的基础。
4.线性代数、傅里叶变换、随机数生成等函数。

Matplotlib库

Matplotlib是由John Hunter（1968－2012）发明的。Matplotlib是一个基于python的二维图形库，它以各种硬拷贝格式和跨平台交互环境生成具有出版质量的图形。总的目标是让简单的事情变得更加简单，让复杂的事情成为可能。Matplotlib库由各种可视化类构成，具有复杂的内部结构。Matplotlib.pyplot的灵感来自于Matlab，是一个用于绘制各种可视图形的命令子库，相当于一个快捷方式。通过 Matplotlib，开发人员只需几行代码就可以生成直方图、条形图和散点图等。

三：相关库的下载：

安装下载Numpy和 Matplotlib库：

Windows+R打开命令终端：
输入

 pip install numpypip  install matplotlib

ps：如果提示pip命令不存在，原因是没有将python配置到环境变量中。教程如下添加链接描述
（环境变量的配置，参考群里蒋锦涛学长发的链接教程）

四：两种软件的运行结果：
（1）Pycharm的运行结果：

（2）Anaconda下的jupyter的运行结果：

五：程序源代码：

import numpy as np
import matplotlib.pyplot as pltfig = plt.figure(figsize=(10, 6))
# 极坐标轴域
ax = plt.subplot(111, projection='polar')
# 顺时针
ax.set_theta_direction(-1)
# 正上方为0度
ax.set_theta_zero_location('N')# 测试数据
r = np.arange(100, 800, 20)
theta = np.linspace(0, np.pi * 2, len(r), endpoint=False)
# 绘制柱状图
ax.bar(theta, r,  # 角度对应位置，半径对应高度width=0.18,  # 宽度color=np.random.random((len(r), 3)),  # 颜色align='edge',  # 从指定角度的径向开始绘制bottom=100)  # 远离圆心，设置偏离距离# 在圆心位置显示文本
ax.text(np.pi * 3 / 2 - 0.2, 90, 'Origin', fontsize=14)
# 每个柱的顶部显示文本表示大小
for angle, height in zip(theta, r):ax.text(angle + 0.03, height + 105, str(height), fontsize=height / 80)# 不显示坐标轴和网格线
plt.axis('off')
# 紧凑布局，缩小外边距
plt.tight_layout()
plt.savefig('polarBar.png', dpi=480)
plt.show()