安裝 NumPy

安裝 NumPy 唯一的前提是 Python 本身。如果您還沒有 Python，並且想要最簡單的入門方式，我們建議您使用 Anaconda 發行版 - 它包含了 Python、NumPy，以及許多其他常用於科學計算和資料科學的套件。

NumPy 可以使用 conda、pip、macOS 和 Linux 上的套件管理器安裝，或者從原始碼建置。如需更詳細的說明，請參閱下方的Python 和 NumPy 安裝指南。

CONDA

如果您使用 conda，您可以從 defaults 或 conda-forge 頻道安裝 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，您可以使用以下指令安裝 NumPy

pip install numpy

另外，當使用 pip 時，最好使用虛擬環境 - 請參閱下方可重現的安裝章節，了解原因，以及本指南，了解使用虛擬環境的詳細資訊。

Python 和 NumPy 安裝指南#

在 Python 中安裝和管理套件很複雜，對於大多數任務，都有許多替代解決方案。本指南試圖讓讀者了解最佳（或最受歡迎的）解決方案，並提供明確的建議。它著重於在常見作業系統和硬體上使用 Python、NumPy 和 PyData（或數值計算）堆疊的使用者。

建議#

我們將從基於使用者經驗水平和感興趣的作業系統的建議開始。如果您介於「初學者」和「進階使用者」之間，如果您想保持簡單，請選擇「初學者」，如果您想根據更長遠的最佳實踐工作，請選擇「進階使用者」。

初學者使用者#

在所有 Windows、macOS 和 Linux 上

  • 安裝 Anaconda（它會安裝您需要的所有套件以及下方提到的所有其他工具）。
  • 對於編寫和執行程式碼，在 JupyterLab 中使用筆記本進行探索性和互動式計算，並使用 Spyder 或 Visual Studio Code 編寫腳本和套件。
  • 使用 Anaconda Navigator 管理您的套件並啟動 JupyterLab、Spyder 或 Visual Studio Code。

進階使用者#

Conda#

  • 安裝 Miniforge。
  • 保持 base conda 環境最小化，並使用一個或多個 conda 環境 來安裝您正在處理的任務或專案所需的套件。

如果您偏好 pip/PyPI 的替代方案#

對於那些從個人偏好或閱讀以下 conda 和 pip 之間的主要差異後，知道他們更喜歡基於 pip/PyPI 的解決方案的使用者，我們建議

  • 從 python.org、Homebrew 或您的 Linux 套件管理器安裝 Python。
  • 使用 Poetry 作為維護最完善的工具，它以類似於 conda 的方式提供依賴項解析器和環境管理功能。

Python 套件管理#

管理套件是一個具有挑戰性的問題，因此，出現了許多工具。對於網路和通用 Python 開發，有許多與 pip 互補的 工具。對於高效能計算 (HPC)，Spack 值得考慮。但對於大多數 NumPy 使用者來說，conda 和 pip 是兩種最受歡迎的工具。

Pip & conda#

安裝 Python 套件的兩個主要工具是 pip 和 conda。它們的功能部分重疊（例如，兩者都可以安裝 numpy），但是，它們也可以協同工作。我們將在此討論 pip 和 conda 之間的主要差異 - 如果您想有效地管理套件，這點非常重要。

第一個差異是 conda 是跨語言的，它可以安裝 Python，而 pip 是針對您系統上的特定 Python 安裝的，並且僅將其他套件安裝到同一個 Python 安裝中。這也意味著 conda 可以安裝您可能需要的非 Python 函式庫和工具（例如，編譯器、CUDA、HDF5），而 pip 則不能。

第二個差異是 pip 從 Python Packaging Index (PyPI) 安裝，而 conda 從其自己的頻道（通常是「defaults」或「conda-forge」）安裝。PyPI 是迄今為止最大的套件集合，但是，所有流行的套件也都可以用於 conda。

第三個差異是 conda 是一個用於管理套件、依賴項和環境的整合解決方案，而使用 pip，您可能需要另一個工具（有很多！）來處理環境或複雜的依賴項。

可重現的安裝#

隨著函式庫更新，執行程式碼的結果可能會改變，或者您的程式碼可能會完全崩潰。能夠重建您正在使用的套件和版本集非常重要。最佳實踐是

  1. 為您正在處理的每個專案使用不同的環境，
  2. 使用您的套件安裝程式記錄套件名稱和版本；每個安裝程式都有自己的元資料格式

NumPy 套件 & 加速線性代數函式庫#

NumPy 不依賴任何其他 Python 套件，但是，它確實依賴於加速線性代數函式庫 - 通常是 Intel MKL 或 OpenBLAS。使用者不必擔心安裝這些函式庫（它們會自動包含在所有 NumPy 安裝方法中）。進階使用者可能仍然想了解詳細資訊，因為使用的 BLAS 會影響效能、行為和磁碟空間大小

  • PyPI 上的 NumPy wheels，也就是 pip 安裝的內容，是使用 OpenBLAS 建置的。OpenBLAS 函式庫包含在 wheel 中。這使得 wheel 更大，如果使用者也安裝了（例如）SciPy，他們現在將在磁碟上有兩個 OpenBLAS 副本。

  • 在 conda defaults 頻道中，NumPy 是針對 Intel MKL 建置的。MKL 是一個獨立的套件，當使用者安裝 NumPy 時，它將安裝在使用者的環境中。

  • 在 conda-forge 頻道中，NumPy 是針對虛擬的「BLAS」套件建置的。當使用者從 conda-forge 安裝 NumPy 時，該 BLAS 套件將與實際的函式庫一起安裝 - 這預設為 OpenBLAS，但也可以是 MKL（來自 defaults 頻道），甚至可以是 BLIS 或參考 BLAS。

  • MKL 套件比 OpenBLAS 大得多，它在磁碟上約為 700 MB，而 OpenBLAS 約為 30 MB。

  • MKL 通常比 OpenBLAS 快一點且更穩健。

除了安裝大小、效能和穩健性之外，還有兩件事需要考慮

  • Intel MKL 不是開放原始碼。對於正常使用來說，這不是問題，但如果使用者需要重新發布使用 NumPy 建置的應用程式，這可能會成為一個問題。
  • MKL 和 OpenBLAS 都將使用多執行緒進行函式呼叫，例如 np.dot，執行緒數量由建置時選項和環境變數決定。通常會使用所有 CPU 核心。這對使用者來說有時是意想不到的；NumPy 本身不會自動並行化任何函式呼叫。它通常會產生更好的效能，但也可能有害 - 例如，當使用 Dask、scikit-learn 或多進程進行另一層並行化時。

疑難排解#

如果您的安裝失敗並顯示以下訊息，請參閱疑難排解 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.
在本頁面上