安裝 NumPy

安裝 NumPy 的唯一先決條件是 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 Distribution - 它包含 Python、NumPy 和許多其他常用的科學運算和資料科學套件。

NumPy 可以使用 conda、pip、macOS 和 Linux 上的套件管理員或 從原始碼 安裝。如需更詳細的說明，請參閱以下我們的 Python 和 NumPy 安裝指南。

CONDA

如果您使用 conda，您可以從 defaults 或 conda-forge 通道安裝 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，您可以使用以下方式安裝 NumPy

pip install numpy

此外，在使用 pip 時，最好使用虛擬環境 - 請參閱以下 可重現安裝 以了解原因，以及 這份指南 以了解有關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，大多數任務都有許多替代方案。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。它專注於在常見作業系統和硬體上使用 Python、NumPy 和 PyData（或數值運算）堆疊的使用者。

建議#

我們將從基於使用者的經驗層級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，如果您想讓事情簡單，請選擇「初學者」，如果您想按照未來更長遠的最佳實務來工作，請選擇「進階使用者」。

初學者#

在所有 Windows、macOS 和 Linux 上

  • 安裝 Anaconda（它會安裝您需要的所有套件和下面提到的所有其他工具）。
  • 對於撰寫和執行程式碼，請使用 JupyterLab 中的筆記本進行探索性和互動式運算，以及 Spyder 或 Visual Studio Code 來撰寫腳本和套件。
  • 使用 Anaconda Navigator 來管理您的套件並啟動 JupyterLab、Spyder 或 Visual Studio Code。

進階使用者#

Conda#

  • 安裝 Miniforge。
  • 讓 base conda 環境保持最小，並使用一個或多個 conda 環境 來安裝您為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#

對於從個人偏好或閱讀下面 conda 和 pip 之間的主要差異而了解的使用者，他們偏好基於 pip/PyPI 的解決方案，我們建議

  • 從 python.org、Homebrew 或您的 Linux 套件管理員安裝 Python。
  • 使用 Poetry 作為維護良好的工具，它以類似於 conda 的方式提供相依性解析器和環境管理功能。

Python 套件管理#

管理套件是一項具有挑戰性的問題，因此有許多工具。對於 Web 和一般用途的 Python 開發，有一個完整的 工具集 與 pip 互補。對於高性能運算 (HPC)，Spack 值得考慮。不過，對於大多數 NumPy 使用者來說，conda 和 pip 是兩個最受歡迎的工具。

Pip 和 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，兩個都可以安裝 numpy），但是，它們也可以一起使用。我們將在此討論 pip 和 conda 之間的主要差異 - 如果你想要有效地管理套件，了解這一點很重要。

第一個差異是 conda 是跨語言的，它可以安裝 Python，而 pip 是為系統上的特定 Python 安裝的，並且僅將其他套件安裝到同一個 Python 安裝中。這也表示 conda 可以安裝你可能需要的非 Python 函式庫和工具（例如，編譯器、CUDA、HDF5），而 pip 則不行。

第二個差異是 pip 從 Python 套件索引 (PyPI) 安裝，而 conda 從其自己的頻道安裝（通常為「預設」或「conda-forge」）。PyPI 是目前為止最大的套件集合，但是，所有熱門套件也都可以使用 conda 取得。

第三個差異是 conda 是用於管理套件、相依性和環境的整合式解決方案，而使用 pip 時，你可能需要另一個工具（有很多！）來處理環境或複雜的相依性。

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，或者你的程式碼可能會完全中斷。能夠重建你正在使用的套件和版本組非常重要。最佳做法是

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

NumPy 套件和加速線性代數函式庫#

NumPy 不依賴任何其他 Python 套件，但它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）。進階使用者可能仍想知道詳細資訊，因為所使用的 BLAS 會影響效能、行為和磁碟大小

  • PyPI 上的 NumPy 輪子（pip 安裝的內容）是用 OpenBLAS 建置的。OpenBLAS 函式庫包含在輪子中。這會讓輪子變大，如果使用者還安裝（例如）SciPy，他們現在磁碟上會有兩個 OpenBLAS 副本。

  • 在 conda 預設頻道中，NumPy 是針對 Intel MKL 建置的。MKL 是獨立的套件，當使用者安裝 NumPy 時，它會安裝在使用者的環境中。

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

  • MKL 套件比 OpenBLAS 大很多，磁碟上約 700 MB，而 OpenBLAS 約 30 MB。

  • MKL 通常比 OpenBLAS 快一點且更強固。

除了安裝大小、效能和強固性之外，還有兩件事需要考慮

  • Intel MKL 不是開源的。對於一般使用來說這不是問題，但如果使用者需要重新分發使用 NumPy 建置的應用程式，這可能會是個問題。
  • MKL 和 OpenBLAS 都會對 np.dot 等函式呼叫使用多執行緒，執行緒數目由建置時間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料之外的；NumPy 本身不會自動將任何函式呼叫平行化。它通常會產生更好的效能，但也有害處，例如在使用 Dask、scikit-learn 或多處理時使用另一層平行化。

疑難排解#

如果您的安裝失敗並出現以下訊息，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.
在此頁面