Điều kiện tiên quyết duy nhất để cài đặt Numpy là chính Python. Nếu bạn không có Python và muốn cách bắt đầu đơn giản nhất, chúng tôi khuyên bạn nên sử dụng phân phối Anaconda - nó bao gồm Python, Numpy và nhiều gói thường được sử dụng khác để tính toán khoa học và khoa học dữ liệu.
Numpy có thể được cài đặt với conda, với pip, với trình quản lý gói trên MacOS và Linux hoặc từ nguồn. Để biết thêm hướng dẫn chi tiết, hãy tham khảo hướng dẫn cài đặt Python và Numpy của chúng tôi dưới đây.
Conda
Nếu bạn sử dụng conda, bạn có thể cài đặt Numpy từ các kênh defaults hoặc conda-forge:
# 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
Nếu bạn sử dụng pip, bạn có thể cài đặt Numpy với:
Ngoài ra khi sử dụng PIP, nó thực hành tốt để sử dụng môi trường ảo - xem cài đặt có thể tái tạo bên dưới để biết lý do tại sao và hướng dẫn này để biết chi tiết về việc sử dụng môi trường ảo.
Hướng dẫn cài đặt Python và Numpy
Cài đặt và quản lý các gói trong Python rất phức tạp, có một số giải pháp thay thế cho hầu hết các nhiệm vụ. Hướng dẫn này cố gắng cung cấp cho người đọc cảm giác về các giải pháp tốt nhất [hoặc phổ biến nhất], và đưa ra các khuyến nghị rõ ràng. Nó tập trung vào người dùng Python, Numpy và Pydata [hoặc điện toán số] trên các hệ điều hành và phần cứng phổ biến.
khuyến nghị
Chúng tôi sẽ bắt đầu với các đề xuất dựa trên mức độ trải nghiệm của người dùng và hệ điều hành quan tâm. Nếu bạn đang ở giữa những người bắt đầu trực tuyến và người nâng cao .
Người dùng bắt đầu
Trên tất cả các cửa sổ, macOS và Linux:
- Cài đặt Anaconda [nó cài đặt tất cả các gói bạn cần và tất cả các công cụ khác được đề cập dưới đây].
- Để viết và thực thi mã, hãy sử dụng máy tính xách tay trong JupyterLab để tính toán khám phá và tương tác, và mã spyder hoặc studio trực quan để viết các tập lệnh và gói.
- Sử dụng Navigator Anaconda để quản lý các gói của bạn và bắt đầu JupyterLab, Spyder hoặc Visual Studio Code.
Người dùng cao cấp
Conda
- Cài đặt Miniforge.
- Giữ môi trường
baseMôi trường tối thiểu và sử dụng một hoặc nhiều môi trường Conda để cài đặt gói bạn cần cho nhiệm vụ hoặc dự án mà bạn đang làm.
Thay thế nếu bạn thích pip/pypi
Đối với người dùng biết, từ sở thích cá nhân hoặc đọc về sự khác biệt chính giữa Conda và PIP bên dưới, họ thích giải pháp dựa trên PIP/PYPI, chúng tôi khuyên dùng:
- Cài đặt Python từ Python.org, Homebrew hoặc Trình quản lý gói Linux của bạn.
- Sử dụng thơ làm công cụ được duy trì tốt nhất cung cấp khả năng quản lý môi trường và chất phân giải phụ thuộc theo cách tương tự như Conda.
Quản lý gói Python
Quản lý các gói là một vấn đề đầy thách thức, và kết quả là có rất nhiều công cụ. Đối với Web và mục đích chung, phát triển Python, có một loạt các công cụ bổ sung cho PIP. Đối với điện toán hiệu suất cao [HPC], Spack đáng để xem xét. Đối với hầu hết người dùng Numpy, Conda và Pip là hai công cụ phổ biến nhất.
Pip & Conda
Hai công cụ chính cài đặt các gói Python là pip và conda. Chức năng của chúng chồng chéo một phần [ví dụ: cả hai đều có thể cài đặt
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.
Sự khác biệt đầu tiên là Conda là ngôn ngữ chéo và nó có thể cài đặt Python, trong khi PIP được cài đặt cho một python cụ thể trên hệ thống của bạn và cài đặt các gói khác vào cùng cài đặt Python đó. Điều này cũng có nghĩa là Conda có thể cài đặt các thư viện và công cụ không phải là Python bạn có thể cần [ví dụ: Trình biên dịch, CUDA, HDF5], trong khi PIP có thể.
Sự khác biệt thứ hai là PIP cài đặt từ Chỉ số Bao bì Python [PYPI], trong khi Conda cài đặt từ các kênh riêng của nó [thường là mặc định là hoặc hoặc conda-forge]. PYPI là bộ sưu tập các gói lớn nhất cho đến nay, tất cả các gói phổ biến cũng có sẵn cho Conda.
Sự khác biệt thứ ba là Conda là một giải pháp tích hợp để quản lý các gói, phụ thuộc và môi trường, trong khi với PIP, bạn có thể cần một công cụ khác [có rất nhiều!] Để xử lý môi trường hoặc phụ thuộc phức tạp.
Cài đặt có thể tái tạo
Khi các thư viện được cập nhật, kết quả từ việc chạy mã của bạn có thể thay đổi hoặc mã của bạn có thể phá vỡ hoàn toàn. Điều quan trọng là có thể xây dựng lại tập hợp các gói và phiên bản mà bạn sử dụng. Thực hành tốt nhất là:
- Sử dụng một môi trường khác cho mỗi dự án mà bạn đang làm việc,
- Ghi lại tên và phiên bản gói bằng trình cài đặt gói của bạn; Mỗi người có định dạng siêu dữ liệu riêng cho việc này:
- Conda: Môi trường và môi trường Conda.yml
- PIP: Môi trường và yêu cầu ảo.txt
- Thơ: Môi trường ảo và pyproject.toml
Gói Numpy & Thư viện đại số tuyến tính tăng tốc
Numpy không phụ thuộc vào bất kỳ gói Python nào khác, tuy nhiên, nó phụ thuộc vào thư viện đại số tuyến tính được tăng tốc - thường là Intel MKL hoặc OpenBlas. Người dùng không phải lo lắng về việc cài đặt chúng [họ tự động được đưa vào tất cả các phương thức cài đặt Numpy]. Người dùng quyền lực vẫn có thể muốn biết các chi tiết, bởi vì các BLA đã sử dụng có thể ảnh hưởng đến hiệu suất, hành vi và kích thước trên đĩa:
Các bánh xe Numpy trên PYPI, đó là những gì cài đặt PIP, được chế tạo bằng OpenBlas. Các thư viện OpenBlas được bao gồm trong bánh xe. Điều này làm cho bánh xe lớn hơn và nếu người dùng cài đặt [ví dụ] SCIPY, giờ đây họ sẽ có hai bản sao của OpenBlas trên đĩa.
Trong kênh mặc định của Conda, Numpy được xây dựng chống lại Intel MKL. MKL là một gói riêng biệt sẽ được cài đặt trong môi trường người dùng khi họ cài đặt Numpy.
Trong kênh Conda-Forge, Numpy được xây dựng dựa trên gói hình nộm của Blas Blas. Khi người dùng cài đặt Numpy từ Conda -Forge, gói Blas đó sau đó được cài đặt cùng với thư viện thực tế - mặc định này là OpenBlas, nhưng nó cũng có thể là MKL [từ kênh mặc định] hoặc thậm chí BLI hoặc BLA tham chiếu.
Gói MKL lớn hơn rất nhiều so với OpenBlas, nó có khoảng 700 MB trên đĩa trong khi OpenBlas khoảng 30 MB.
MKL thường nhanh hơn một chút và mạnh mẽ hơn OpenBlas.
Bên cạnh việc cài đặt kích thước, hiệu suất và sự mạnh mẽ, còn có hai điều nữa để xem xét:
- Intel MKL không phải là nguồn mở. Để sử dụng bình thường, đây không phải là vấn đề, nhưng nếu người dùng cần phân phối lại một ứng dụng được xây dựng với Numpy, thì đây có thể là một vấn đề.
- Cả MKL và OpenBlas sẽ sử dụng đa luồng cho các cuộc gọi chức năng như
2, với số lượng luồng được xác định bởi cả tùy chọn thời gian xây dựng và biến môi trường. Thường thì tất cả các lõi CPU sẽ được sử dụng. Điều này đôi khi là bất ngờ cho người dùng; Bản thân Numpy không tự động song song hóa bất kỳ cuộc gọi chức năng nào. Nó thường mang lại hiệu suất tốt hơn, nhưng cũng có thể có hại - ví dụ khi sử dụng một cấp độ song song khác với DASK, Scikit -learn hoặc đa xử lý.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.
Xử lý sự cố
Nếu cài đặt của bạn không thành công với thông báo bên dưới, hãy xem Eatterror khắc phục sự cố.
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.