安装 NumPy

安装 NumPy 的唯一前提是 Python 本身。如果您还没有 Python 并想以最简单的方式开始，我们建议您使用 Anaconda 发行版 - 它包含 Python、NumPy 和许多其他常用的科学计算和数据科学软件包。

NumPy 可以使用conda、pip、macOS 和 Linux 上的包管理器安装，或者 从源码安装。有关更详细的说明，请参阅下面的 Python 和 NumPy 安装指南。

CONDA

如果您使用conda，您可以从defaults 或conda-forge 通道安装 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

如果您使用pip，您可以使用以下命令安装 NumPy：

pip install numpy

使用 pip 时，最好使用虚拟环境 - 请参见下面的 可复现安装，了解原因，以及 本指南，了解有关使用虚拟环境的详细信息。

Python 和 NumPy 安装指南#

在 Python 中安装和管理软件包是一项复杂的任务，大多数任务都有许多替代解决方案。本指南试图让读者了解最佳（或最流行的）解决方案，并给出明确的建议。它侧重于在常见操作系统和硬件上使用 Python、NumPy 和 PyData（或数值计算）堆栈的用户。

推荐#

我们将首先根据用户的经验水平和感兴趣的操作系统提出建议。如果您介于“初学者”和“高级用户”之间，如果您想保持简单，请选择“初学者”；如果您想按照将来更有用的最佳实践操作，请选择“高级用户”。

初学者#

在 Windows、macOS 和 Linux 上

  • 安装 Anaconda（它会安装您需要的所有软件包和下面提到的所有其他工具）。
  • 对于编写和执行代码，请在 JupyterLab 中使用笔记本进行探索性和交互式计算，并在 Spyder 或 Visual Studio Code 中编写脚本和包。
  • 使用 Anaconda Navigator 管理您的软件包并启动 JupyterLab、Spyder 或 Visual Studio Code。

高级用户#

Conda#

  • 安装 Miniforge。
  • 保持base conda 环境最小化，并使用一个或多个 conda 环境 安装您正在处理的任务或项目所需的软件包。

如果您更喜欢 pip/PyPI 的替代方案#

对于根据个人喜好或阅读下面 conda 和 pip 之间主要区别的用户，如果他们更喜欢基于 pip/PyPI 的解决方案，我们建议：

  • 从 python.org、Homebrew 或您的 Linux 包管理器安装 Python。
  • 使用 Poetry 作为维护最完善的工具，它提供类似于 conda 的依赖项解析器和环境管理功能。

Python 包管理#

管理软件包是一个具有挑战性的问题，因此，有很多工具。对于 Web 和通用的 Python 开发，有一整套与 pip 互补的 工具。对于高性能计算 (HPC)，值得考虑 Spack。但是，对于大多数 NumPy 用户来说，conda 和 pip 是两种最流行的工具。

Pip & 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。我们将在此处讨论 pip 和 conda 之间的主要区别 - 如果您想有效地管理软件包，这一点非常重要。

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，并且仅将其他包安装到同一 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 则不能。

第二个区别是 pip 从 Python 包索引 (PyPI) 安装，而 conda 从其自己的通道（通常是“defaults”或“conda-forge”）安装。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都可以用于 conda。

第三个区别是 conda 是一个集成解决方案，用于管理软件包、依赖项和环境，而对于 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。

可复现安装#

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的集合非常重要。最佳实践是：

  1. 为正在处理的每个项目使用不同的环境；
  2. 使用您的软件包安装程序记录软件包名称和版本；每个安装程序都有自己的元数据格式。

NumPy 包和加速线性代数库#

NumPy 不依赖于任何其他 Python 包，但是，它确实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库（它们已自动包含在所有 NumPy 安装方法中）。高级用户可能仍然希望了解详细信息，因为使用的 BLAS 会影响性能、行为和磁盘大小

  • PyPI 上的 NumPy wheel（pip 安装的内容）使用 OpenBLAS 构建。OpenBLAS 库包含在 wheel 中。这使得 wheel 更大，如果用户还安装了 (例如) SciPy，他们现在将有两个 OpenBLAS 副本在磁盘上。

  • 在 conda defaults 通道中，NumPy 基于 Intel MKL 构建。当用户安装 NumPy 时，MKL 将作为单独的软件包安装在用户的环境中。

  • 在 conda-forge 通道中，NumPy 基于虚拟“BLAS”包构建。当用户从 conda-forge 安装 NumPy 时，该 BLAS 包将与实际库一起安装 - 默认情况下为 OpenBLAS，但也可以是 MKL（来自 defaults 通道），甚至是 BLIS 或参考 BLAS。

  • MKL 软件包比 OpenBLAS 大得多，在磁盘上大约为 700 MB，而 OpenBLAS 约为 30 MB。

  • MKL 通常比 OpenBLAS 快一些且更健壮。

除了安装大小、性能和健壮性之外，还需要考虑另外两件事：

  • Intel 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，例如np.dot，线程数由构建时选项和环境变量共同决定。通常会使用所有 CPU 内核。这有时对于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，当与 Dask、scikit-learn 或 multiprocessing 一起使用另一层并行化时。

故障排除#

如果您的安装失败并显示以下消息，请参阅 ImportError 故障排除。

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.
本页内容