Как установить numpy на python windows

Установка NumPy | NumPy

2.1. NumPy в составе научных дистрибутивов Python

2.1.1. Anaconda

Пожалуй, самый лучший способ установки и использования стека пакетов SciPy, (в том числе и NumPy) является установка дистрибутива Anaconda. Устанавливая данный дистрибутив, вы устанавливаете несколько сотен (порядка 400, в зависимости от используемой вами платформы) самых разных пакетов. Может показаться избыточным, но на деле это оказывается очень удобным - практически все, что может вам понадобится, находится у вас под рукой. Так же вы получаете интерактивную оболочку IPython в привлекательной web-обертке Jupyter. В такой среде очень удобно работать. Например на картинке ниже показано, как выглядит создание матрицы из случайных чисел размером 10х10 и оформлен ее удобный для восприятия вывод с помощью библиотеки SymPy.

Чтобы установить дистрибутив Anaconda, сначала его нужно скачать с официального сайта. Прежде чем нажимать кнопку "download", уточните параметры своей платформы (допустим, у меня это Linux-x86 32 bit). Пока идет скачивание и установка, вы можете изучить доступные в вашем дистрибутиве пакеты и документацию к ним. Думаю, даже после беглого просмотра, вы убедитесь, что вы действительно имеете под рукой очень и очень много самых разнообразных инструментов.

Не смотря на то, что Anaconda сейчас является лидирующим по популярности дистрибутивом Python, не стоит забывать о других дистрибутивах. Все они предоставляют возможность работы со стеком SciPy и NumPy в частности. Помимо прочего, так же как и Anaconda они включают множество научных и вспомогательных библиотек. Однако, все они имеют значительные отличия от Anaconda.

2.1.2. ActivePython

Коммерческий (бесплатный период 30 дней) дистрибутив Python, предназначенный для быстрого внедрения и сопровождения серьезных проектов на базе Python. Содержит предварительно скомпилированные и настроенные решения практически для всех ключевых отраслей, что позволяет значительно сократить время на установку и настройку. Может быть установлен на целый ряд операционных систем. Содержит удобные инструменты для работы в Windows.

ActivePython полностью защищает от всех рисков, связанных с использованием ПО под лицензией GNU/GPL. Все пакеты доступные в собственном репозитории проверяются на безопасность и являются защищенными. Данный дистрибутив всегда включает только последнюю версию OpenSSL. Содержит обширную документацию, но при этом сама организация-разработчик обеспечивает техническую поддержку и всегда дает ответы даже на самые сложные вопросы.

2.1.3. Enthought Canopy

Данный дистрибутив предоставляет, как интерактивную среду, так и собственную среду разработки, причем вы не ограничены какой-то одной версией Python, а можете сами выбирать с какой именно версией Python вы будете работать к примеру 2.7 или 3.5. При этом вы так же имеете доступ к более чем 450 пакетам.

Весьма интересной особенностью Enthought Canopy является работа с научными и аналитическими пакетами. В вашем распоряжении появляется графический менеджер пакетов, который позволяет гибко манипулировать всеми пакетами и их зависимостями. При этом гарантируется что вы имеете доступ к самым стабильным (проверенным) версиям пакетов. Это не означает, что в других дистрибутивах не следят за включаемыми в них пакетами, но Enthought подчеркнуто гарантирует это.

Enthought Canopy включает в себя редактор кода, интегрированное окно IPython в оболочке Jupyter, интерактивный графический отладчик и встроенные инструменты импорта данных. Нельзя не упомянуть о MayaVi - визуализаторе научных данных и БиоскСанваси - визуализаторе для создания имитационных экспериментов. При этом вы имеете мгновенный доступ к пакетной документации, что весьма и весьма удобно.

Enthought Canopy способен работать с Ехсеи и LabVIEW, имеет собственный сервер для совместной работы в рамках частных сетей, и имеет много других способов для интеграции в существующую инфраструктуру. Конечно за дополнительные возможности наверняка придется заплатить, но бесплатная версия прекрасно подойдет для научных и инженерных расчетов.

2.1.4. Intel® Distribution for Python

Данный дистрибутив является бесплатным и предоставляет собой высокоскоростную реализацию Python и большого количества научных пакетов. Например, в зависимости от испльзуемого процессора, производительность NumPy, SciPy и numexpr благодаря библиотеке Intel® Math Kernel Library может превосходить производительность тех же библиотек на тех же процессорах от 1,3 до нескольких тысяч раз.

Данный дистрибутив не так прост в установке и настройке, как другие и содержит не так много научных пакетов в своем составе. Но он очень хорошо задокументирован и недостающие пакеты могут быть легко установленны с помощью менеджера пакетов Conda. Помимо прочего, вместе с данным дистрибутивом можно легко использовать другие специализированные библиотеки от Intel®, например Intel® pyDAAL - хорошая альтернатива scikit-learn.

2.1.5. Python(x,y)

Этот дистрибутив больше всего подойдет приверженцам Windows. Абсолютно бесплатен, включает в себя множество научных пакетов и NumPy само-собой разумеется. При этом вы можете создавать научные проекты с Qt-интерфейсом, и работать в Spyder - научно-ориентированной среде разработки. В принципе, это и является ключевой особенностью Python(x,y). Вы действительно можете создавать как маленькие так и большие научные проекты.

Устанавливая Python(x,y), вы получаете очень много инструментов для создания серьезных научных приложений: от компиляторов С/С++/Fortran до средств документирования. Нельзя сказать, что данный дистрибутив является чем-то уникальным, но он определенно заслуживает внимания, особенно, пользователей Windows.

2.1.6. WinPython

Это бесплатный портативный дистрибутив Python - который является просто спасением для пользователей Windows. Слово "портативный" означает, что все необходимое находится в пределах одной папки и может копироваться куда угодно без предварительной установки. При этом на одной машине может запускаться несколько версий Python, причем для разных архитектур. Вы можете хранить весь свой проект на флэшке и работать с ним на любой Windows машине.

Наверное, стоит особо отметить, что данный дистрибутив, все же предназначен для продвинутых научных разработчиков и одновременно продвинутых пользователей Windows. Т. е. это означает, что вы не только создаете, но и сопровождаете научное программное обеспечение и точно знаете что делаете.

2.1.7. Pyzo

Бесплатный кросплатформенный дистрибутив, о котором, весьма лестно отзываются пользователи, особенно OSX. На самом деле, на данный момент, Pyzo представляет собой не дистрибутив, а IDE, которая нацелена на интерактивность и простоту, подходящую не только ученым, но даже школьникам.

Pyzo позволяет выбрать используемый интерпретатор Python и обычно используется с miniconda или anaconda, для упрощения установки научных пакетов. Эту IDE легко установить и легко начать с ней работать. На официальном сайте, достаточно информации для новичков-разработчиков. Поэтому, в отличии от WinPython, Pyzo с увереностью можно порекомендовать тем кто только начинает создавать научное программное обеспечение.

2.1.8. Какой дистрибутив выбрать?

Если вы являетесь новичком в науке или если в вашей работе исследования очень значительно преобладают над разработкой, то я порекомендовал бы дистрибутив Anaconda. Такая рекомендация связана стем, что в образовании и исследованиях IPython, Jupyter и установленных по умолчанию пакетов более чем достаточно. Конечно, рано или поздно, вы столкнетесь с тем, что вам потребуется писать не просто скрипты, но и код, который будет использоваться повторно и очень много раз. Поэтому, здесь обязательно пригодится IDE Spyder и всевозможные инструменты для построения графических инструментов.

Отдельного внимания заслуживает Intel® Distribution for Python, который окажется очень полезен для тех, кто уже перешел в рабочую фазу и ежедневно имеет дело с задачами анлиза данных, машинного обучения или любыми другими, если вы их решаете с помощью стека пакетов SciPy. Даже небольшой прирост в скорости вычислений - это большой плюс. Конечно прирост в 1,3 раза ничего не даст, но если вы готовы приобрести более мощные процессоры, то Intel® Distribution for Python позволит вам использовать весь их потенциал. Причем для этого не требуется знание С и Fortran. Хотя в тоже время знание С и Fortran с инструментами от Intel® может увеличить скорость вычислений на целые порядки.

Ну а все остальное я бы порекомендовал тем кто имеет склонность к разработке научного софта или имеет потребность в ее создании. Причем, новичкам на этом поприще, наверняка стоит начать с Pyzo, думаю, и обучение разработке с данной IDE окажется довольно успешным. Что касается Enthought Canopy, то данный дистрибутив, наверняка больше всего подойдет, как будующим так и состоявшимся инженерам. ActivePython окажется незаменим в коммерческих организациях. А вот Python(x,y) и WinPython больше всего подойдут, как неискушенным так и профессиональным пользователям Windows.

И на последок, данный короткий обзор содержит лишь крайне поверхностный обзор дистрибутивов Python. Я не знаю, какие именно цели вы преследуете и поэтому, прежде чем выбирать, ознакомьтесь с каждым дистрибутивом самостоятельно на его официальном сайте. Если вы преследуете только одну цель - научиться работать с пакетом NumPy (или другими научными пакетами), то повторюсь, лучше всего установить Anaconda. Если изучение NumPy - лишь шаг к более высокой цели, в достижении которой дистрибутив должен послужить основным инструментом, то к выбору дистрибутива нужно подходить более тщательно.

2.1.9. Использование в коммерческих целях

В подавляющем большинстве случаев, пакеты Python относятся к ПО с открытым исходным кодом, но если вы собираетесь использовать какие-то пакеты для извлечения коммерческой выгоды, то обязательно ознакомьтесь с их лицензией. Пользователям ActivePython и платных версий дистрибутивов Anaconda и Enthought Canopy в случае возникновения проблем, связанных с лицензиями на пакеты, предоставляются разнообразные компенсации.

2.2. Установка с помощью pip

Если по некоторым причинам вам необходим только пакет NumPy и больше ничего, то его можно установить с помощью стандартного менеджера пакетов Python - pip. Практически все пакеты разрабатываемые крупными проектами выгружаются в каталог пакетов Python (PyPI) и NumPy - не исключение. менеджер пакетов pip, как раз и нужен для того что бы устанавливать пакеты из этого каталога.

Если в вашей системе установлен Python и pip, то установить NumPy можно с помощью команды:

python -m pip install --user numpy

С помощью этой же команды можно установить любой пакет из стека SciPy:

python -m pip install --user matplotlib

Или сразу весь стек SciPy:

python -m pip install --user numpy scipy matplotlib pandas sympy ipython jupyter nose

В данных примерах используется флаг --user для того что бы пакеты не записывались в системные папки и были доступны только локадьному пользователю. Если для вас это не принципиально, просто не используйте этот флаг.

2.3. Установка через менеджер пакетов Linux

Ubuntu и Debian

Пользователи Linux могут установить NumPy и весь стек пакетов SciPy из репозиториев. Однако, может оказаться, что установленный пакет окажется более старой или вовсе не подходящей версией. К тому же установка окажется общесистемной.

sudo apt-get install python-numpy

Или весь стек целиком

sudo apt-get install python-numpy python-scipy python-pandas python-sympy python-matplotlib ipython ipython-notebook python-nose

Fedora 22 и выше

sudo dnf install numpy scipy python-matplotlib python-pandas sympy ipython python-nose atlas-devel

2.4. Установка через менеджер пакетов MAC

У MAC нет предустановленного менеджера пакетов и если в вашей системе он отсутствует, то рекомендуется установить Macports. Для установки NumPy и всего стека пакетов SciPy выполните следующую команду:

sudo port install py34-numpy py34-scipy py34-matplotlib py34-ipython +notebook py34-pandas py34-sympy py34-nose

В данном примере производится установка для Python версии 3.4. Если вы используете другую версию Python, допустим 3.5 то просто замените py34 на py35.

Если вы используете мнеджер Homebrew, то просто выполните:

brew tap homebrew/science && brew install python numpy

2.5. Windows

Если по некоторым причинам в Windows вам не подходит установка с помощью pip, то ознакомьтесь с проектом Christoph Gohlke, который предоставляет возможность использовать двоичные файлы (32 и 64 бит) созданных для официального дистрибутива Python на языке CPython. Однако, лучшим вариантом все-таки остается pip.

2.6. Сборка NumPy из исходных компонентов

Создавать Пакеты из исходных текстов кода Python относительно легко, но NumPy требует подключения компилятора Fortran и компиляции кода C. Поэтому, если возникла такая необходимость, то лучше обратиться к официальной документации.

Устанавливаем python-пакеты с помощью pip

pip - это система управления пакетами, которая используется для установки и управления программными пакетами, написанными на Python.

Установка pip

Прежде чем с помощью pip устанавливать python-пакеты, нужно сначала установить сам pip.

Python 3.4+

Начиная с Python версии 3.4, pip поставляется вместе с интерпретатором python.

Python <3.4

Официальная инструкция ( https://pip.pypa.io/en/latest/installing.html ):

Загрузить get-pip.py (обязательно сохранив с расширением .py).
Запустить этот файл (могут потребоваться права администратора).

Есть ещё один способ (для Windows). Возможно, он является более предпочтительным:

Начало работы

Попробуем с помощью pip установить какой-нибудь пакет, например, numpy:

Linux:

 sudo pip3 install numpy

На Windows:

 pip3 install numpy

Может не сработать, написав: "python" не является внутренней или внешней командой, исполняемой программой или пакетным файлом (такого, скорее всего, не должно быть при установке pip вторым способом, но проверить не на чем).

Тогда нужно обращаться напрямую:

 C:\Python34\Tools\Scripts\pip3.exe install numpy

Либо добавлять папку C:\Python34\Tools\Scripts\ в PATH вручную (самому проверить не на чем, можете посмотреть на stackoverflow. У кого получится - напишите в комментарии).

Что ещё умеет делать pip

Пробежимся по основным командам pip:

pip help - помощь по доступным командам.

pip install package_name - установка пакета(ов).

pip uninstall package_name - удаление пакета(ов).

pip list - список установленных пакетов.

pip show package_name - показывает информацию об установленном пакете.

pip search - поиск пакетов по имени.

pip --proxy user:[email protected]:port - использование с прокси.

pip install -U - обновление пакета(ов).

pip install --force-reinstall - при обновлении, переустановить пакет, даже если он последней версии.

numpy - Установка в Windows

пример

Установка Numpy через pypi (индекс пакета по умолчанию, используемый пипсом) обычно терпит неудачу на компьютерах Windows. Самый простой способ установки в Windows - использование предварительно скомпилированных двоичных файлов.

Одним из источников для предварительно скомпилированных колес многих пакетов является сайт Кристофера Гокле . Выберите версию в соответствии с вашей версией и системой Python. Пример для Python 3.5 в 64-битной системе:

Скачайте numpy-1.11.1+mkl-cp35-cp35m-win_amd64.whl отсюда
Откройте терминал Windows (cmd или powershell)
Введите команду pip install C:\path_to_download\numpy-1.11.1+mkl-cp35-cp35m-win_amd64.whl

Если вы не хотите вмешиваться в отдельные пакеты, вы можете использовать дистрибутив Winpython, который объединяет большинство пакетов и предоставляет ограниченную среду для работы. Аналогичным образом, распределение Anaconda Python поставляется с предустановленным количеством и множеством других распространенных пакетов.

Другим популярным источником является менеджер пакетов conda , который также поддерживает виртуальные среды .

Загрузите и установите conda .
Откройте Windows-терминал.
Введите команду conda install numpy

NumPy в Python. Часть 1 / Хабр

Предисловие переводчика

Доброго времени суток, Хабр. Запускаю цикл статей, которые являются переводом небольшого мана по numpy, ссылочка. Приятного чтения.

Введение

NumPy это open-source модуль для python, который предоставляет общие математические и числовые операции в виде пре-скомпилированных, быстрых функций. Они объединяются в высокоуровневые пакеты. Они обеспечивают функционал, который можно сравнить с функционалом MatLab. NumPy (Numeric Python) предоставляет базовые методы для манипуляции с большими массивами и матрицами. SciPy (Scientific Python) расширяет функционал numpy огромной коллекцией полезных алгоритмов, таких как минимизация, преобразование Фурье, регрессия, и другие прикладные математические техники.

Установка

Если у вас есть Python(x, y) (Примечание переводчика: Python(x, y), это дистрибутив свободного научного и инженерного программного обеспечения для численных расчётов, анализа и визуализации данных на основе языка программирования Python и большого числа модулей (библиотек)) на платформе Windows, то вы готовы начинать. Если же нет, то после установки python, вам нужно установить пакеты самостоятельно, сначала NumPy потом SciPy. Установка доступна здесь. Следуйте установке на странице, там всё предельно понятно.

Немного дополнительной информации

Сообщество NumPy и SciPy поддерживает онлайн руководство, включающие гайды и туториалы, тут: docs.scipy.org/doc.

Импорт модуля numpy

Есть несколько путей импорта. Стандартный метод это — использовать простое выражение:

>>> import numpy

Тем не менее, для большого количества вызовов функций numpy, становиться утомительно писать numpy.X снова и снова. Вместо этого намного легче сделать это так:

>>> import numpy as np

Это выражение позволяет нам получать доступ к numpy объектам используя np.X вместо numpy.X. Также можно импортировать numpy прямо в используемое пространство имен, чтобы вообще не использовать функции через точку, а вызывать их напрямую:

>>> from numpy import *

Однако, этот вариант не приветствуется в программировании на python, так как убирает некоторые полезные структуры, которые модуль предоставляет. До конца этого туториала мы будем использовать второй вариант импорта (import numpy as np).

Массивы

Главной особенностью numpy является объект array. Массивы схожи со списками в python, исключая тот факт, что элементы массива должны иметь одинаковый тип данных, как float и int. С массивами можно проводить числовые операции с большим объемом информации в разы быстрее и, главное, намного эффективнее чем со списками.

Создание массива из списка:

a = np.array([1, 4, 5, 8], float) >>> a array([ 1., 4., 5., 8.]) >>> type(a) <class 'numpy.ndarray'>

Здесь функция array принимает два аргумента: список для конвертации в массив и тип для каждого элемента. Ко всем элементам можно получить доступ и манипулировать ими также, как вы бы это делали с обычными списками:

>>> a[:2] array([ 1., 4.]) >>> a[3] 8.0 >>> a[0] = 5. >>> a array([ 5., 4., 5., 8.])

Массивы могут быть и многомерными. В отличии от списков можно задавать команды в скобках. Вот пример двумерного массива (матрица):

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> a array([[ 1., 2., 3.], [ 4., 5., 6.]]) >>> a[0,0] 1.0 >>> a[0,1] 2.0

Array slicing работает с многомерными массивами аналогично, как и с одномерными, применяя каждый срез, как фильтр для установленного измерения. Используйте ":" в измерении для указывания использования всех элементов этого измерения:

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> a[1,:] array([ 4., 5., 6.]) >>> a[:,2] array([ 3., 6.]) >>> a[-1:, -2:] array([[ 5., 6.]])

Метод shape возвращает количество строк и столбцов в матрице:

>>> a.shape (2, 3)

Метод dtype возвращает тип переменных, хранящихся в массиве:

>>> a.dtype dtype('float64')

Тут float64, это числовой тип данных в numpy, который используется для хранения вещественных чисел двойной точности. Так как же float в Python.

Метод len возвращает длину первого измерения (оси):

a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> len(a) 2

Метод in используется для проверки на наличие элемента в массиве:

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> 2 in a True >>> 0 in a False

Массивы можно переформировать при помощи метода, который задает новый многомерный массив. Следуя следующему примеру, мы переформатируем одномерный массив из десяти элементов во двумерный массив, состоящий из пяти строк и двух столбцов:

>>> a = np.array(range(10), float) >>> a array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9.]) >>> a = a.reshape((5, 2)) >>> a array([[ 0., 1.], [ 2., 3.], [ 4., 5.], [ 6., 7.], [ 8., 9.]]) >>> a.shape (5, 2)

Обратите внимание, метод reshape создает новый массив, а не модифицирует оригинальный.

Имейте ввиду, связывание имен в python работает и с массивами. Метод copy используется для создания копии существующего массива в памяти:

>>> a = np.array([1, 2, 3], float) >>> b = a >>> c = a.copy() >>> a[0] = 0 >>> a array([0., 2., 3.]) >>> b array([0., 2., 3.]) >>> c array([1., 2., 3.])

Списки можно тоже создавать с массивов:

>>> a = np.array([1, 2, 3], float) >>> a.tolist() [1.0, 2.0, 3.0] >>> list(a) [1.0, 2.0, 3.0]

Можно также переконвертировать массив в бинарную строку (то есть, не human-readable форму). Используйте метод tostring для этого. Метод fromstring работает в для обратного преобразования. Эти операции иногда полезны для сохранения большого количества данных в файлах, которые могут быть считаны в будущем.

>>> a = array([1, 2, 3], float) >>> s = a.tostring() >>> s '\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\[email protected]\x00\x00\x00\x00\x00\x00\[email protected]' >>> np.fromstring(s) array([ 1., 2., 3.])

Заполнение массива одинаковым значением.

>>> a = array([1, 2, 3], float) >>> a array([ 1., 2., 3.]) >>> a.fill(0) >>> a array([ 0., 0., 0.])

Транспонирование массивов также возможно, при этом создается новый массив:

>>> a = np.array(range(6), float).reshape((2, 3)) >>> a array([[ 0., 1., 2.], [ 3., 4., 5.]]) >>> a.transpose() array([[ 0., 3.], [ 1., 4.], [ 2., 5.]])

Многомерный массив можно переконвертировать в одномерный при помощи метода flatten:

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> a array([[ 1., 2., 3.], [ 4., 5., 6.]]) >>> a.flatten() array([ 1., 2., 3., 4., 5., 6.])

Два или больше массивов можно сконкатенировать при помощи метода concatenate:

>>> a = np.array([1,2], float) >>> b = np.array([3,4,5,6], float) >>> c = np.array([7,8,9], float) >>> np.concatenate((a, b, c)) array([1., 2., 3., 4., 5., 6., 7., 8., 9.])

Если массив не одномерный, можно задать ось, по которой будет происходить соединение. По умолчанию (не задавая значения оси), соединение будет происходить по первому измерению:

>>> a = np.array([[1, 2], [3, 4]], float) >>> b = np.array([[5, 6], [7,8]], float) >>> np.concatenate((a,b)) array([[ 1., 2.], [ 3., 4.], [ 5., 6.], [ 7., 8.]]) >>> np.concatenate((a,b), axis=0) array([[ 1., 2.], [ 3., 4.], [ 5., 6.], [ 7., 8.]]) >>> np.concatenate((a,b), axis=1) array([[ 1., 2., 5., 6.], [ 3., 4., 7., 8.]])

В заключении, размерность массива может быть увеличена при использовании константы newaxis в квадратных скобках:

>>> a = np.array([1, 2, 3], float) >>> a array([1., 2., 3.]) >>> a[:,np.newaxis] array([[ 1.], [ 2.], [ 3.]]) >>> a[:,np.newaxis].shape (3,1) >>> b[np.newaxis,:] array([[ 1., 2., 3.]]) >>> b[np.newaxis,:].shape (1,3)

Заметьте, тут каждый массив двумерный; созданный при помощи newaxis имеет размерность один. Метод newaxis подходит для удобного создания надлежаще-мерных массивов в векторной и матричной математике.

На этом у нас конец первой части перевода. Спасибо за внимание.

Как установить библиотеку NumPy | Модули

Как правило, библиотека NumPy уже предустановлена в пакете Anaconda. В тех редких случаях, когда это не так, можно воспользоваться установщиком этой сборки:

conda install -c anaconda numpy

В Jupyter Notebook это будет выглядеть так:

import sys !conda install --yes --prefix {sys.prefix} numpy

Импортирование модуля NumPy и проверка версии

Инструкция для импорта NumPy выглядит следующим образом:

import numpy as np

Данный код заменяет в пространстве имен numpy на np, что дает возможность использовать в префиксе функций, методов и атрибутов np вместо numpy. Это стандартное сокращение, которое используется во всех пособиях по NumPy.

Для проверки номера установленной версии используется следующий код:

print (np.__version__)

Output

1.18.0

Установка NumPy в Windows

объяснения

в первом случае я не проверял, но думаю, что pip непосредственно загружает ресурс, соответствующий заданному URL:http://sourceforge.net/projects/numpy/file/NumPy/. Сервер возвращает HTML-документ, в то время как pip ожидает в архив. Так что это не сработает.

тогда есть в основном два способа установки пакетов Python:

из источников, как вы пытались тогда
из предварительно скомпилированных пакетов

в первом случае вы попробовали это с помощью команды pip install numpy, но так как этот пакет содержит собственный код, он требует, чтобы инструменты разработки были установлены правильно (что я всегда считал болью в шее, чтобы сделать на Windows, но я сделал это, так что это явно возможно). Ошибка у вас error: Unable to find vcvarsall.bat означает, что у вас нет установленных инструментов или правильно настроенной среды.

для второго случая, у вас есть различные виды предварительно скомпилированных пакетов:

колеса, которые вы установите с pip а также
установщики, которые вы используете в качестве стандартных установщиков на Windows

для обоих вам нужно проверить, что двоичный файл был строго скомпилирован для вашей архитектуры Python (32 или 64 бита) и версии.

простое решение

вы можете найти там несколько колес для numpy: http://www.lfd.uci.edu / ~gohlke / pythonlibs / #numpy. Чтобы получить правильную архитектуру, проверьте имя win32 для 32 бит и amd64 для 64 бит. Чтобы получить правильную версию Python, проверить cpXX: первый X-основная версия, а второй X-второстепенная версия, так, например cp27 означает CPython 2.7.

пример: pip install numpy‑1.9.2rc1+mkl‑cp27‑none‑win32.whl

трудное решение: установка и использование средств разработки

отказ от ответственности: все следующие объяснения могут быть не совсем ясными. Они являются результатом нескольких исследований, в разные моменты, но в моей конфигурации они привели в рабочее решение. Некоторые ссылки могут быть бесполезными или избыточными, но это то, что я отметил. Все это требует некоторой очистки и, вероятно, обобщения.

во-первых, вы должны понимать, что disutils - который является предустановленным пакетом, который обрабатывает рабочий процесс пакетов на более низком уровне, чем pip (и который используется последний) - попытается использовать компилятор, который строго соответствует тому, который использовался для сборки установленной вами машины Python.

официальные дистрибутивы Python используют Microsoft Visual C++ для пакетов Microsoft Windows. Таким образом, вам нужно будет установить этот компилятор в этом случае.

как найти правильную версию Visual C++

строка, напечатанная Python с помощью этой команды python -c "import sys; print(sys.version)" (или при вызове интерактивной оболочки) будет выглядеть так:

3.4.1 (v3.4.1:c0e311e010fc, May 18 2014, 10:45:13) [MSC v.1600 64 bit (AMD64)]

последняя часть в квадратных скобках-идентификация частью компилятора. К сожалению, это не совсем просто, и у вас есть списки корреспонденции там:

в приведенном выше примере это означает Microsoft Visual C++ 2010 64 бит.

Как установить Visual C++

вы больше не можете найти автономный пакет Visual C++ для современных версий. Поэтому вам нужно будет установить Windows Сам SDK.

вот некоторые ссылки:

устранение неисправностей

при установке SDK может возникнуть ошибка: DDSet_Error: Patch Hooks: Missing required property 'ProductFamily': Setup cannot continue. DDSet_Warning: Setup failed while calling 'getDLLName'. System error: Cannot create a file when that file already exists.

о них уже сообщалось в нескольких вопросах:

в качестве решения, вы можете проверить эту ссылку: Windows SDK не удается установить с кодом возврата 5100

дело в том, чтобы удалить все конфликтующие (поймите: те, которые установщик SDK пытается установить сам) версии распространяемого Visual C++.

использовать развития инструменты

обычно вы должны запустить vsvarsall.bat (находится внутри VC папка пути установки Visual Studio-пример:C:\Program Files (x86)\Microsoft Visual Studio 10.0\VC\vcvarsall.bat), чтобы настроить правильные переменные среды так, чтобы выполнение distutils не терпит неудачу при попытке скомпилировать пакет.

этот пакетный скрипт принимает параметр, который следует установить архитектуру. Однако я видел, что с бесплатными версиями SDK некоторые дополнительные скрипты отсутствовали при попытке нескольких из указанные параметры.

просто сказать, что если вы компилируете для 32-битной архитектуры, просто вызывая vsvarsall.bat должны работать. Если вам нужно скомпилировать для 64 бит, вы можете напрямую позвонить SetEnv.cmd, расположенный где - то внутри пути установки SDK-пример: "C:\Program Files\Microsoft SDKs\Windows\v7.1\Bin\SetEnv.cmd" /x64.

python - как установить numpy на окнах с помощью pip install?

Переполнение стека

Около
Продукты
Для команд

Переполнение стека Общественные вопросы и ответы
Переполнение стека для команд

NumPy

Единственным предварительным условием для установки NumPy является сам Python. Если у вас нет Python пока что и вам нужен самый простой способ начать работу, мы рекомендуем вам использовать Дистрибутив Anaconda - включает Python, NumPy и многие другие часто используемые пакеты для научных вычислений и наука о данных.

NumPy можно установить с conda , с pip , с менеджером пакетов на macOS и Linux или из исходников. Для получения более подробных инструкций обратитесь к нашим Python и NumPy. руководство по установке ниже.

КОНДА

Если вы используете conda , вы можете установить NumPy из по умолчанию или conda-forge каналы:

  # Лучшая практика, используйте среду, а не устанавливайте ее в базовой среде. conda create -n my-env conda активировать my-env # Если вы хотите установить из conda-forge conda config --env --add каналы conda-forge # Фактическая команда установки conda установить numpy

PIP

Если вы используете pip , вы можете установить NumPy с помощью:

Также при использовании pip рекомендуется использовать виртуальную среду - см. «Воспроизводимые установки» ниже, чтобы узнать, почему, и это руководство подробнее об использовании виртуальных сред.

Установка пакетов и управление ими в Python сложны, есть ряд альтернативных решений для большинства задач. Это руководство пытается дать читатель получит представление о лучших (или наиболее популярных) решениях и даст четкое рекомендации. Он ориентирован на пользователей Python, NumPy и PyData (или числовые вычисления) в общих операционных системах и оборудовании.

Управление пакетами Python

Управление пакетами - сложная проблема, и, как следствие, существует множество инструменты. Для веб-разработки и разработки на Python общего назначения существует целый множество инструментов дополняет пип. Для высокопроизводительных вычислений (HPC), Стоит подумать о Spack.Для большинства NumPy пользователи, однако, conda и pip - два самых популярных инструмента.

Пип и конда

Два основных инструмента для установки пакетов Python - это pip и conda . Их функциональность частично перекрывается (например, оба могут установить numpy ), однако они также могут работать вместе. Мы обсудим основные различия между pip и conda здесь - это важно понимать, если вы хотите управлять пакетами эффективно.

Первое отличие состоит в том, что conda поддерживает разные языки и может устанавливать Python, в то время как pip устанавливается для определенного Python в вашей системе и устанавливает другие пакеты только для той же установки Python.Это также означает, что conda может установить вам могут понадобиться библиотеки и инструменты, отличные от Python (например, компиляторы, CUDA, HDF5), а пип не может.

Второе отличие состоит в том, что pip устанавливается из индекса упаковки Python. (PyPI), в то время как conda устанавливается из собственных каналов (обычно «по умолчанию» или «Конда-кузница»). PyPI - самая большая коллекция пакетов, однако все популярные пакеты также доступны для conda.

Третье отличие состоит в том, что conda - это интегрированное решение для управления пакеты, зависимости и среды, а с pip вам может понадобиться другой инструмент (их много!) для работы со средами или сложными зависимостями.

Воспроизводимые установки

По мере обновления библиотек результаты выполнения кода могут измениться, код может сломаться полностью. Важно уметь реконструировать набор пакетов и версий, которые вы используете. Лучшая практика:

использовать разные среды для каждого проекта, над которым вы работаете,
записать имена и версии пакетов с помощью установщика пакетов; у каждого есть свой формат метаданных для этого:

Пакеты NumPy и библиотеки ускоренной линейной алгебры

NumPy не зависит от каких-либо других пакетов Python, однако он зависит от библиотека ускоренной линейной алгебры - обычно Intel MKL или OpenBLAS.Пользователям не нужно беспокоиться о их установка (они автоматически включаются во все методы установки NumPy). Опытные пользователи могут захотеть узнать подробности, потому что используемый BLAS может влияют на производительность, поведение и размер на диске:

Колеса NumPy на PyPI, который устанавливает pip, построены на OpenBLAS. Библиотеки OpenBLAS включены в колесо. Это делает колесо больше, и если пользователь также установит (например) SciPy, они теперь будут иметь две копии OpenBLAS на диске.
В канале conda по умолчанию NumPy построен на базе Intel MKL. MKL - это отдельный пакет, который будет установлен в среде пользователей, когда они установить NumPy.
В канале conda-forge NumPy построен на основе фиктивного пакета «BLAS». когда пользователь устанавливает NumPy из conda-forge, затем этот пакет BLAS устанавливается вместе с самой библиотекой - по умолчанию используется OpenBLAS, но он также может быть MKL (из канала по умолчанию) или даже BLIS или ссылка BLAS.
Пакет MKL намного больше OpenBLAS, он занимает около 700 МБ на диске. в то время как OpenBLAS составляет около 30 МБ.
MKL обычно немного быстрее и надежнее OpenBLAS.

Помимо размеров установки, производительности и надежности, есть еще две вещи, которые нужно считать:

Intel MKL не является открытым исходным кодом. Для нормального использования это не проблема, но если пользователю необходимо распространить приложение, созданное с помощью NumPy, это может быть проблема.
И MKL, и OpenBLAS будут использовать многопоточность для вызовов функций, например np.dot , причем количество потоков определяется как временем сборки параметр и переменная среды. Часто используются все ядра процессора. Это иногда неожиданно для пользователей; Сам NumPy не выполняет автоматическое распараллеливание вызовы функций. Обычно это дает лучшую производительность, но также может быть вредно - например, при использовании другого уровня распараллеливания с Dask, scikit-learn или многопроцессорность.

Устранение неисправностей

Если установка не удалась и появилось следующее сообщение, см. Устранение неполадок ImportError.

  ВАЖНАЯ ИНФОРМАЦИЯ: ПРОЧИТАЙТЕ ЭТО ДЛЯ СОВЕТОВ ПО РЕШЕНИЮ ПРОБЛЕМЫ! Не удалось импортировать numpy c-extension. Эта ошибка может произойти для по разным причинам, часто из-за проблем с вашей настройкой.

Как установить NumPy {Windows, Linux и MacOS}

NumPy (Numerical Python) - это библиотека с открытым исходным кодом для языка программирования Python. Он используется для научных вычислений и работы с массивами.

Помимо объекта многомерного массива, он также предоставляет функциональные инструменты высокого уровня для работы с массивами.

В этом руководстве вы узнаете , как установить NumPy.

Вы можете выполнить шаги, описанные ниже, и использовать команды в большинстве систем Linux, Mac или Windows.Любые отклонения в командах отмечаются вместе с инструкциями по их изменению в соответствии с вашими потребностями.

Прежде чем вы сможете установить NumPy, вам нужно знать, какая у вас версия Python. Этот язык программирования предустановлен в большинстве операционных систем (кроме Windows; вам потребуется установить Python в Windows вручную).

Скорее всего, у вас установлен Python 2 или Python 3 , или даже обе версии.

Чтобы проверить, есть ли у вас Python 2, выполните команду:

  питон -V

Вывод должен дать вам номер версии.

Чтобы узнать, есть ли в вашей системе Python 3, введите в окно терминала следующее:

  python3 -V

В приведенном ниже примере вы можете видеть, что присутствуют обе версии Python.

Если эти команды не работают в вашей системе, прочтите эту статью «Как проверить версию Python в Linux, Mac и Windows».

Самый простой способ установить NumPy - использовать Pip. Установите диспетчер пакетов для установки пакетов программного обеспечения Python и управления ими.

В отличие от Python, Pip не предустановлен в большинстве операционных систем. Следовательно, вам необходимо настроить диспетчер пакетов, соответствующий вашей версии Python. Если у вас есть обе версии Python, установите также обе версии Pip.

В приведенных ниже командах используется утилита apt в качестве , которую мы устанавливаем на Ubuntu для целей этой статьи.

Установите Pip (для Python 2), запустив:

  sudo apt установить python-pip

Если вам нужен Pip для Python 3, используйте команду:

  sudo apt установить python3-pip

Наконец, убедитесь, что вы успешно установили Pip, набрав pip -V и / или pip3 -V в окне терминала.

Установив Pip, вы можете использовать его командную строку для установки NumPy.

Установите NumPy с Python 2, набрав:

  pip install numpy

Pip загружает пакет NumPy и уведомляет вас, что он был успешно установлен.

Чтобы установить NumPy с менеджером пакетов для Python 3, запустите:

  pip3 установить numpy

Поскольку это более новая версия Python, версия Numpy также отличается, как вы можете видеть на изображении ниже.

Используйте команду show , чтобы проверить, является ли NumPy теперь частью ваших пакетов Python:

  pip показать numpy

А для типа Pip3:

  pip3 показать numpy

Вывод должен подтвердить, что у вас установлен NumPy, какую версию вы используете, а также где хранится пакет.

После установки NumPy вы можете импортировать пакет и установить для него псевдоним.

Для этого перейдите к приглашению python , набрав одну из следующих команд:

  питон

  питон3

Как мне установить Numpy для Python 2.7 в Windows?

Переполнение стека

Около
Продукты
Для команд

Переполнение стека Общественные вопросы и ответы
Переполнение стека для команд

Как установить NumPy в Python | Установка NumPy

NumPy - это библиотека, которая является неотъемлемой частью программирования на Python. В этой статье мы узнаем, как установить NumPy в Python. В этой статье будут рассмотрены следующие указатели:

Начнем!

Что такое NumPy?

Python - объектно-ориентированный интерпретируемый язык с открытым исходным кодом. Среди множества функций одной из важных функций, делающих Python сильным языком программирования, являются пакеты Python.Многие внешние пакеты написаны на python, которые вы можете установить и использовать в зависимости от ваших требований.

Пакеты Python - это не что иное, как каталог скриптов Python. Каждый скрипт - это модуль, который может быть функцией, методами или новым типом Python, созданным для определенных функций. numpy - один из таких важных пакетов, созданный для облегчения вычисления массивов в Python.

В этом блоге мы объясним процесс загрузки и установки пакетов numpy и их использование в среде Python в операционных системах Mac, Windows, Ubuntu и Fedora.В этом блоге не рассматриваются основы языка программирования Python. Для новичков в этом блоге Edureka описаны основы языка программирования Python.

Все пакеты python устанавливаются с помощью pip - Package Installer for Python. Вы можете просмотреть подробную информацию обо всех пакетах python и загрузить их из индекса пакетов Python (PyPI). Однако pip устанавливается автоматически, когда вы загружаете и устанавливаете python с python.org или любой другой интегрированной среды python. Пожалуйста, прочтите блог, чтобы узнать о лучших интегрированных платформах Python, которые также предоставляют множество других функций.pip - это самый простой способ загрузить пакеты прямо из PyPI из командной строки.

Продолжаем работу с этой статьей «Установка NumPy в Python»

Установка NumPy в операционной системе Mac

Теперь давайте посмотрим, как мы можем установить numpy в операционной системе Mac. В этом разделе подробно рассказывается как о python 2.7, так и о последней версии python 3.7.

PYTHON 2.7

Откройте терминал на MacBook и введите python, чтобы попасть в командную строку python.
1. Нажмите команду (⌘) + пробел, чтобы открыть поиск Spotlight. Введите Терминал и нажмите Enter.

2. В терминале используйте команду pip для установки пакета numpy.

3. После успешной установки пакета введите python, чтобы попасть в командную строку python. Обратите внимание, что также отображается версия python. Используйте команду импорта, чтобы включить пакет numpy и использовать его. Вы также можете установить псевдоним (ярлык) для пакета.

Python 3

Точно так же вы можете установить numpy и в python 3.После открытия терминала, как описано в шаге 1 выше, используйте команду pip3 для установки numpy. Обратите внимание, что мы используем команду pip3 вместо pip. Команда pip3 используется для того, чтобы наша система знала, что мы работаем с python3.

Продолжая эту статью об установке NumPy в Python, мы увидим, как установить NumPy в операционной системе Windows

Установка NumPy в операционной системе Windows

Python не устанавливается по умолчанию в операционной системе Windows.Вы можете скачать необходимую версию python с сайта python.org. После успешной установки python откройте командную строку и используйте pip для установки numpy.

Продолжаем работу с этой статьей Установка NumPy в Python

Установка NumPy в операционной системе Ubuntu

Python установлен по умолчанию в системах ubuntu. Однако pip не установлен. Если вам нужен полный пакет, загрузите python с python.org и установите его в своей операционной системе ubuntu с помощью команды apt install.
Кроме того, вы можете установить pip на ubuntu, а затем установить numpy, что является более простым из двух способов.
Вам потребуются права root в системе для установки pip и numpy. Откройте терминал в ubuntu и установите pip и pip3 с помощью apt.

После установки pip вы можете использовать те же команды.

Продолжение работы с этой статьей Установка NumPy в Python

Как установить NumPy в операционной системе Fedora

Python похож на операционную систему Ubuntu. установлен по умолчанию в Fedora.Используйте команду pip для установки

Обратите внимание на разницу в команде pip для python3, особенно в операционных системах Fedora. Во-вторых, имейте в виду, что установка numpy с помощью pip автоматически устанавливает его как для Python2, так и для Python3. На этом мы подошли к концу статьи.

Чтобы получить глубокие знания о Python и его различных приложениях, вы можете зарегистрироваться здесь для онлайн-обучения с круглосуточной поддержкой и пожизненным доступом.

Есть к нам вопрос? Упомяните их в комментариях к статье, и мы свяжемся с вами.