как установить numpy на python windows

2. Установка NumPy

2.1. NumPy в составе научных дистрибутивов Python

2.1.1. Anaconda

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 способен работать с Eхcel 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.

2.1.5. Python(x,y)

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

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.

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.

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

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

Или сразу весь стек SciPy:

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.

Или весь стек целиком

Fedora 22 и выше

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:

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:

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.

Источник

Installing NumPy

CONDA

Python and NumPy installation guide

Installing and managing packages in Python is complicated, there are a number of alternative solutions for most tasks. This guide tries to give the reader a sense of the best (or most popular) solutions, and give clear recommendations. It focuses on users of Python, NumPy, and the PyData (or numerical computing) stack on common operating systems and hardware.

Recommendations

We’ll start with recommendations based on the user’s experience level and operating system of interest. If you’re in between “beginning” and “advanced”, please go with “beginning” if you want to keep things simple, and with “advanced” if you want to work according to best practices that go a longer way in the future.

Beginning users

On all of Windows, macOS, and Linux:

Advanced users

Windows or macOS

Linux

If you’re fine with slightly outdated packages and prefer stability over being able to use the latest versions of libraries:

Alternative if you prefer pip/PyPI

For users who know, from personal preference or reading about the main differences between conda and pip below, they prefer a pip/PyPI-based solution, we recommend:

Python package management

Managing packages is a challenging problem, and, as a result, there are lots of tools. For web and general purpose Python development there’s a whole host of tools complementary with pip. For high-performance computing (HPC), Spack is worth considering. For most NumPy users though, conda and pip are the two most popular tools.

Pip & conda

The first difference is that conda is cross-language and it can install Python, while pip is installed for a particular Python on your system and installs other packages to that same Python install only. This also means conda can install non-Python libraries and tools you may need (e.g. compilers, CUDA, HDF5), while pip can’t.

The second difference is that pip installs from the Python Packaging Index (PyPI), while conda installs from its own channels (typically “defaults” or “conda-forge”). PyPI is the largest collection of packages by far, however, all popular packages are available for conda as well.

The third difference is that conda is an integrated solution for managing packages, dependencies and environments, while with pip you may need another tool (there are many!) for dealing with environments or complex dependencies.

Reproducible installs

As libraries get updated, results from running your code can change, or your code can break completely. It’s important to be able to reconstruct the set of packages and versions you’re using. Best practice is to:

NumPy packages & accelerated linear algebra libraries

The NumPy wheels on PyPI, which is what pip installs, are built with OpenBLAS. The OpenBLAS libraries are included in the wheel. This makes the wheel larger, and if a user installs (for example) SciPy as well, they will now have two copies of OpenBLAS on disk.

In the conda defaults channel, NumPy is built against Intel MKL. MKL is a separate package that will be installed in the users’ environment when they install NumPy.

The MKL package is a lot larger than OpenBLAS, it’s about 700 MB on disk while OpenBLAS is about 30 MB.

MKL is typically a little faster and more robust than OpenBLAS.

Besides install sizes, performance and robustness, there are two more things to consider:

Troubleshooting

If your installation fails with the message below, see Troubleshooting ImportError.

Источник

Building and installing NumPy¶

Binary installers¶

In most use cases the best way to install NumPy on your system is by using an installable binary package for your operating system.

Windows¶

Good solutions for Windows are, Enthought Canopy, Anaconda (which both provide binary installers for Windows, OS X and Linux) and Python (x, y). Both of these packages include Python, NumPy and many additional packages.

The NumPy installer includes binaries for different CPU’s (without SSE instructions, with SSE2 or with SSE3) and installs the correct one automatically. If needed, this can be bypassed from the command line with

Linux¶

All major distributions provide packages for NumPy. These are usually reasonably up-to-date, but sometimes lag behind the most recent NumPy release.

Mac OS X¶

Building from source¶

A general overview of building NumPy from source is given here, with detailed instructions for specific platforms given seperately.

Prerequisites¶

Building NumPy requires the following software installed:

Python 2.6.x, 2.7.x, 3.2.x or newer

On Debian and derivatives (Ubuntu): python, python-dev (or python3-dev)

On Windows: the official python installer at www.python.org is enough

Make sure that the Python package distutils is installed before continuing. For example, in Debian GNU/Linux, installing python-dev also installs distutils.

Python must also be compiled with the zlib module enabled. This is practically always the case with pre-packaged Pythons.

To build any extension modules for Python, you’ll need a C compiler. Various NumPy modules use FORTRAN 77 libraries, so you’ll also need a FORTRAN 77 compiler installed.

Note that NumPy is developed mainly using GNU compilers. Compilers from other vendors such as Intel, Absoft, Sun, NAG, Compaq, Vast, Porland, Lahey, HP, IBM, Microsoft are only supported in the form of community feedback, and may not work out of the box. GCC 4.x (and later) compilers are recommended.

Linear Algebra libraries

NumPy does not require any external linear algebra libraries to be installed. However, if these are available, NumPy’s setup script can detect them and use them for building. A number of different LAPACK library setups can be used, including optimized LAPACK libraries such as ATLAS, MKL or the Accelerate/vecLib framework on OS X.

Basic Installation¶

To install NumPy run:

To perform an in-place build that can be run from the source folder run:

Note: for build instructions to do development work on NumPy itself, see :ref:`development-environment`.

Parallel builds¶

From NumPy 1.10.0 on it’s also possible to do a parallel build with:

This will compile numpy on 4 CPUs and install it into the specified prefix. to perform a parallel in-place build, run:

FORTRAN ABI mismatch¶

The two most popular open source fortran compilers are g77 and gfortran. Unfortunately, they are not ABI compatible, which means that concretely you should avoid mixing libraries built with one with another. In particular, if your blas/lapack/atlas is built with g77, you must use g77 when building numpy and scipy; on the contrary, if your atlas is built with gfortran, you must build numpy/scipy with gfortran. This applies for most other cases where different FORTRAN compilers might have been used.

Choosing the fortran compiler¶

To build with gfortran:

For more information see:

How to check the ABI of blas/lapack/atlas¶

One relatively simple and reliable way to check for the compiler used to build a library is to use ldd on the library. If libg2c.so is a dependency, this means that g77 has been used. If libgfortran.so is a a dependency, gfortran has been used. If both are dependencies, this means both have been used, which is almost always a very bad idea.

Disabling ATLAS and other accelerated libraries¶

Usage of ATLAS and other accelerated libraries in Numpy can be disabled via:

Supplying additional compiler flags¶

Building with ATLAS support¶

Ubuntu¶

You can install the necessary package for optimized ATLAS with this command:

Источник

Установка NumPy в Windows

у меня была 64-битная версия Python раньше, и я не был уверен, что версия NumPy совместима с 64-битным Python. Поэтому я удалил его и установил 32-битную версию Python. Но все равно я получаю ту же ошибку. Хотя моя 32-битная версия Python работает нормально.

пожалуйста скажи мне, что я делаю не так.

5 ответов

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:

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

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.

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++

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.

На Windows, pip отлично подходит для установки пакетов, которые не требуют компиляции. В противном случае, серьезно, избавьте себя от хлопот по созданию и обслуживанию пакетов и воспользуйтесь работой, которую другие сделали для вас. Я рекомендую использовать любой из этих дистрибутивов Python:

Anaconda немного больше для загрузки и установки, но включает в себя много полезных пакеты сторонних производителей по умолчанию (например, numpy). ActivePython включает в себя менеджер пакетов, который позволяет легко установить предварительно скомпилированные двоичные файлы (установка numpy так же просто, как pypm install numpy ).

преимущество использования этих дистрибутивов Python заключается в том, что вы можете запустить рабочую установку за считанные минуты, легко воспроизводимым способом.

лучшим решением для этого является загрузка и установка VCforPython2.7 из https://www.microsoft.com/en-us/download/details.aspx?id=44266

затем попробуйте pip установить numpy.

Я попытался установить numpy для windows 7, 64-бит и провел довольно много времени. На самом деле я пытался sklearn установки. Исследовал много постов, задокументировал, что сработало для меня. Надеюсь, это сэкономит ваше время! https://simplemachinelearning.wordpress.com/2015/11/09/set-up-sklearn-on-windows/

Я тоже столкнулся с вышеуказанной проблемой при настройке python для машинного обучения.

установить python-2.7.13.компания MSI

скачали:- * numpy-1.13.1 + mkl-cp27-cp27m-win32.whl • scipy-0.18.0-cp27-cp27m-win32.whl

установки numpy: pip установить numpy-1.13.1 + mkl-cp27-cp27m-win32.whl

установка scipy: pip установить scipy-0.18.0-cp27-cp27m-win32.whl

Источник

Установка NumPy в Windows с помощью PIP

NumPy (Numerical Python) — это библиотека с открытым исходным кодом для языка программирования Python. Она используется для научных вычислений и работы с массивами. Помимо объекта многомерного массива, он также предоставляет функциональные инструменты высокого уровня для работы с массивами. В этой статье я покажу вам, как установить NumPy с помощью PIP в Windows 10.

В отличие от большинства дистрибутивов Linux, Windows по умолчанию не поставляется с языком программирования Python.

Установка Python в Windows

Чтобы установить NumPy с помощью PIP в Windows 10, вам сначала необходимо загрузить (на момент написания этой статьи последняя версия Python 3 — 3.8.5) и установить Python на свой компьютер с Windows 10.

Убедитесь, что вы выбрали установку запуска для всех пользователей и отметили флажками Добавить Python 3.8 в PATH. Последний помещает интерпретатор в путь выполнения.

После того, как у вас будет установлена ​​последняя версия Python, вы можете приступить к установке NumPy с помощью PIP в Windows 10.

Установка PIP в Windows

Теперь, если вы используете старую версию Python в Windows, вам может потребоваться установить PIP вручную. ПИП автоматически устанавливается вместе с Python 2.7.9+ и Python 3.4+.

Вы можете легко установить PIP в Windows, загрузив установочный пакет, открыв командную строку и запустив установщик. Вы можете установить ПИП в Windows 10 через командную строку CMD, выполнив команду:

Возможно, вам потребуется запустить командную строку от имени администратора. Если вы получите сообщение об ошибке, в котором говорится, что у вас нет необходимых разрешений для выполнения задачи, вам нужно будет открыть приложение от имени администратора.

Установка пипа должна начаться. Если файл не найден, еще раз проверьте путь к папке, в которой сохранили файл.

Можете просмотреть содержимое вашего текущего каталога, используя следующую команду:

Команда dir возвращает полный список содержимого каталога.

После того, как вы установили PIP, вы можете проверить, прошла ли установка успешно, набрав следующее:

Источник