安装 NumPy

安装 NumPy 的唯一先决条件是 Python 本身。如果您还没有 Python 并且想要以最简单的方式开始使用，我们建议您使用 Anaconda Distribution - 它包括 Python、NumPy 以及许多其他用于科学计算和数据科学的常用软件包。

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 渠道安装 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

画中画

如果您使用pip，您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原因，并参阅 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 中安装和管理包很复杂，对于大多数任务有许多替代解决方案。本指南试图让读者了解最佳（或最受欢迎）的解决方案，并给出明确的建议。它主要针对常见操作系统和硬件上的 Python、NumPy 和 PyData（或数值计算）堆栈的用户。

建议#

我们将首先根据用户的经验水平和感兴趣的操作系统进行推荐。如果您处于“开始”和“高级”之间，如果您想让事情变得简单，请选择“开始”；如果您想根据未来更长久的最佳实践进行工作，请选择“高级” 。

初级用户#

在所有 Windows、macOS 和 Linux 上：

高级用户#

conda#

  • 安装Miniforge。
  • 保持baseconda 环境最小化，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。

如果您更喜欢 pip/PyPI，也可以选择#

对于从个人喜好或阅读下面的 conda 和 pip 之间的主要区别了解的用户，他们更喜欢基于 pip/PyPI 的解决方案，我们建议：

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

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。但对于大多数 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 - 如果您想有效地管理包，了解这一点非常重要。

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 Packaging Index (PyPI) 安装，而 conda 从其自己的渠道（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可用于 conda。

第三个区别是 conda 是一个用于管理包、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。

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崩溃。能够重建您正在使用的软件包和版本集非常重要。最佳实践是：

  1. 您正在处理的每个项目使用不同的环境，
  2. 使用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：

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（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了解详细信息，因为使用的 BLAS 会影响磁盘上的性能、行为和大小：

  • PyPI 上的 NumPy 轮（即 pip 安装的）是使用 OpenBLAS 构建的。 OpenBLAS 库包含在轮子中。这使得轮子变得更大，如果用户也安装（例如）SciPy，他们现在将在磁盘上拥有两个 OpenBLAS 副本。

  • 在 conda 默认通道中，NumPy 是针对 Intel MKL 构建的。 MKL 是一个单独的软件包，将在用户安装 NumPy 时安装在用户环境中。

  • 在 conda-forge 通道中，NumPy 是针对虚拟“BLAS”包构建的。当用户从 conda-forge 安装 NumPy 时，BLAS 包会与实际库一起安装 - 默认为 OpenBLAS，但也可以是 MKL（来自默认通道），甚至是 BLIS或参考 BLAS。

  • MKL 包比 OpenBLAS 大很多，它在磁盘上的大小约为 700 MB，而 OpenBLAS 约为 30 MB。

  • MKL 通常比 OpenBLAS 更快、更健壮。

除了安装大小、性能和稳健性之外，还有两件事需要考虑：

  • 英特尔 MKL 不是开源的。对于正常使用来说这不是问题，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决定。通常会使用所有 CPU 核心。这有时是用户意想不到的； 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，但也可能有害 - 例如，当使用 Dask、scikit-learn 或多处理的另一级别并行化时。

故障排除＃

如果您的安装失败并显示以下消息，请参阅排除 ImportError 故障。

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.
在本页