NumPy 安装_w3cschool

安装 NumPy 的唯一先决条件是 Python 本身。如果你还没有 Python 并且想要以最简单的方式开始，我们建议使用 Anaconda Distribution - 它包括 Python、NumPy 和许多其他用于科学计算和数据科学的常用包。

NumPy 可以通过conda、pip、 macOS 和 Linux 上的包管理器安装，或者从来源处安装。有关更详细的说明，请参阅下面的Python 和 NumPy 安装指南。

conda

如果使用conda，则可以用defaults或conda-forge 方法安装 NumPy ：

## Best practice, use an environment rather than install in the base env
conda create -n my-env
conda activate my-env
## If you want to install from conda-forge
conda config --env --add channels conda-forge
## The actual install command
conda install numpy

pip

如果使用pip，则可以使用以下命令安装 NumPy：

pip install numpy

此外，在使用 pip 时，最好使用虚拟环境 - 请参阅下面的可重复安装了解有关使用虚拟环境的详细信息。

Python 和 NumPy 安装指南

在 Python 中安装和管理包很复杂，对于大多数任务，有许多替代解决方案。本指南将会帮助读者了解最佳（或最受欢迎）的解决方案，并给出明确的建议。它侧重于Python、NumPy 和 PyData（或数值计算）堆栈在常见操作系统和硬件上的用户。

建议

我们将从基于用户体验水平和感兴趣的操作系统的建议开始。如果您介于“初级”和“高级”之间，且您只是要简单的了解一下，请选择“初级”；如果您想根据未来走得更远的最佳实践工作，请选择“高级”。

初级用户

在所有 Windows、macOS 和 Linux 上：

安装Anaconda（它会安装您需要的所有软件包以及下面提到的所有其他工具）。
对于编写和执行代码，在JupyterLab 中使用 notebooks 进行探索性和交互式计算，使用 Spyder或Visual Studio Code 编写脚本和包。
使用Anaconda Navigator管理您的包并启动 JupyterLab、Spyder 或 Visual Studio Code。

高级用户

Windows 或 macOS

安装Miniconda。
保持base最小的conda 环境，并使用一个或多个 conda 环境来安装您正在处理的任务或项目所需的包。
除非您只对defaults频道中的软件包感到满意，否则请通过conda-forge 设置频道优先级来设置您的默认频道。

Linux

如果你觉得稍微过时的软件包没问题，并且更喜欢稳定性，可以不用直接去使用最新版本的库：

尽可能多地使用你的操作系统包管理器（Python 本身、NumPy 和其他库）。
使用pip install somepackage --user.

如果使用 GPU：

安装Miniconda。
保持base最小的conda 环境，并使用一个或多个 conda 环境来安装您正在处理的任务或项目所需的包。
使用defaultsconda 通道（conda-forge对 GPU 包还没有很好的支持）。

Python 包管理

管理包是一个具有挑战性的问题，因此有很多工具。对于 Web 和通用 Python 开发，有大量与 pip 互补的工具。对于高性能计算（HPC）， Spack 值得考虑。不过对于大多数 NumPy 用户来说，conda 和 pip 是两个最流行的工具。

pip 和 conda

安装 Python 包的两个主要工具是 pip 和 conda。它们的功能部分重叠（例如，两者都可以安装numpy），但是，它们也可以一起工作。我们将在这里讨论 pip 和 conda 之间的主要区别。如果想有效地管理包，这对于理解这一点很重要。

第一个区别是 conda 是跨语言的，它可以安装 Python，而 pip 是为系统上的特定 Python 安装的，并且仅将其他软件包安装到同一个 Python 安装中。这也意味着 conda 可以安装您可能需要的非 Python 库和工具（例如编译器、CUDA、HDF5），而 pip 不能。

第二个区别是 pip 从 Python Packaging Index (PyPI) 安装，而 conda 从它自己的渠道安装（通常是“defaults”或“conda-forge”）。PyPI 是迄今为止最大的软件包集合，但是，所有流行的软件包也可用于 conda。

第三个区别是 conda 是用于管理包、依赖项和环境的集成解决方案，而使用 pip 您可能需要另一个工具（有很多！）来处理环境或复杂的依赖项。

选择 pip/PyPI

对于那些从个人喜好或者了解了上面关于 conda 和 pip 之间的主要区别，确定自己更喜欢基于 pip/PyPI 的解决方案的用户，我们建议：

从python.org、 Homebrew或您的 Linux 包管理器安装 Python 。
使用 Poetry 作为维护最良好的工具，它以与 conda 类似的方式提供依赖项解析器和环境管理功能。

可重复安装

随着库的更新，运行代码的结果可能会发生变化，或者您的代码可能会完全中断。能够重建您正在使用的软件包和版本集非常重要。最佳做法是：

为您正在处理的每个项目使用不同的环境，
使用您的软件包安装程序记录软件包名称和版本；

每个都有自己的元数据格式：

Conda：conda 环境和 environment.yml
Pip：虚拟环境和 requirements.txt
Poetry：虚拟环境和 pyproject.toml

NumPy 包和加速线性代数库

NumPy 不依赖于任何其他 Python 包，但是，它依赖于加速线性代数库，通常是 Intel MKL或 OpenBLAS。用户不必担心安装这些（它们会自动包含在所有 NumPy 安装方法中）。高级用户可能仍然想知道详细信息，因为使用的 BLAS 会影响磁盘上的性能、行为和大小：

pip 安装的 PyPI 上的 NumPy 轮子是使用 OpenBLAS 构建的。OpenBLAS 库包含在轮子中。这使得轮子更大，如果用户也安装（例如）SciPy，他们现在将在磁盘上拥有 OpenBLAS 的两个副本。
在 conda 默认通道中，NumPy 是针对 Intel MKL 构建的。MKL 是一个单独的包，将在用户安装 NumPy 时安装在用户的环境中。
在 conda-forge 频道中，NumPy 是针对虚拟的“BLAS”包构建的。当用户从 conda-forge 安装 NumPy 时，该 BLAS 包将与实际库一起安装 - 这默认为 OpenBLAS，但它也可以是 MKL（来自默认通道），甚至 BLIS或参考 BLAS。
MKL 包比 OpenBLAS 大很多，它在磁盘上大约有 700 MB，而 OpenBLAS 大约有 30 MB。
MKL 通常比 OpenBLAS 更快、更健壮。

除了安装尺寸、性能和稳健性之外，还有两件事情需要考虑：

英特尔 MKL 不是开源的。对于正常使用，这不是问题，但如果用户需要重新分发使用 NumPy 构建的应用程序，这可能是一个问题。
MKL 和 OpenBLAS 都将使用多线程进行函数调用，如 np.dot，线程数由构建时选项和环境变量决定。通常会使用所有 CPU 内核。这有时对用户来说是意料之外的；NumPy 本身不会自动并行化任何函数调用。它通常会产生更好的性能，但也可能是有害的——例如，当使用 Dask、scikit-learn 或多处理的另一个级别的并行化时。

故障排除

如果安装失败并显示以下消息，请参阅疑难解答 ImportError。

IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE!


Importing the numpy c-extensions failed. This error can happen for
different reasons, often due to issues with your setup.