Как установить numpy linux

Использование NumPy для научных расчетов в Linux

Серьезные научные расчеты в Linux можно выполнять с помощью NumPy — научного пакета на базе Python с открытым исходным кодом, выпущенным под лицензией BSD, который представляет собой бесплатную, но мощную альтернативу проприетарным пакетам (таким как MATLAB). Многочисленные встроенные инструменты для анализа данных, обширная документация и детальные примеры делают NumPy идеальным пакетом для использования в научных вычислительных приложениях. В этом руководстве мы рассмотрим некоторые возможности NumPy для того, чтобы продемонстрировать ее мощь и простоту использования.

Возможности

NumPy предлагает обширную функциональность, которая включает (но не ограничивается!):

— Работа с многомерными массивами;
— Преобразование списков и кортежей Python в массивы NumPy (и наоборот);
— Импорт данных из текстовых файлов;
— Математические функции (арифметические, тригонометрические, экспоненциальные, логарифмические. );
— Распределения вероятностей;
— Статистические параметры (среднее, стандартное отклонение, гистограммы. );
— Преобразования Фурье;
— Линейная алгебра;
— Матрицы;
— Запись данных в текстовые файлы;
— Интеграция в существующие программы и скрипты на Python;

Преимущество NumPy над другими пакетами для научных вычислений с подобными лицензиями (такими как GNU Octave), заключается в том, что вы можете создавать приложения на Python, использующие возможности NumPy и всех других пакетов Python, обеспечивая вас огромным ассортиментом инструментов для решения самых разных задач. Кроме того, синтаксис NumPy унаследован от Python, что позволяет отказаться от синтаксиса в стиле MATLAB (используемого в GNU Octave) и применять свои навыки программирования на Python.

Установка

Для установки NumPy в Linux используйте следующие команды:

В Debian или Ubuntu:

В Fedora или CentOS:

У вас уже должен быть предварительно установлен Python (как правило, он установлен в системе по умолчанию).

Примеры использования NumPy

Ниже мы рассмотрим несколько примеров, демонстрирующих использование NumPy:

— Базовые операции с массивами;
— Импорт данных, разделенных запятыми, из текстового файла;
— Разбиение выборки равномерно распределенных данных.

В этих примерах мы будем использовать NumPy в командной строке интерактивной оболочки Python. Запустите ее с помощью команды «python» и затем импортируйте библиотеку numpy:

Пример 1: операции с массивами

Определим объект массива NumPy под именем «A», имеющий три строки, каждая из которых содержит три 32-битных целых числа. Выведем содержимое массива, введя его имя.

Определим второй объект массива NumPy под именем «B», имеющий три строки, каждая из которых содержит три 32-битных целых числа.

Определим третий массив как сумму двух предыдущих:

Найдем, какие из элементов третьего массива больше 10:

Пример 2: импорт разделенных запятой данных из текстового файла

Предположим, у нас есть файл data.txt со следующими данными:

Вы можете вручную создать массив NumPy с этими данными, но при этом вам нужно будет самому ввести каждое значение. При работе с большими массивами данных такое решение не подходит. Данные, разделенные какими-либо символами можно без труда импортировать в массив NumPy.

Определим массив «D», содержащий данные из файла data.txt и укажем, что данные импортируются в виде 64-битных чисел с плавающей точкой, а разделителем служат запятые:

Пример 3: разбиение выборки равномерно распределенных данных

Предположим, вы хотите сгенерировать 100 случайных чисел в диапазоне от 0.0 до 1.0, используя равномерное распределение вероятности (то есть любое значение в этом диапазоне появляется с одинаковой вероятностью). Это легко сделать с помощью приведенной ниже команды. Полученные числа будут храниться в массиве «Е».

Мы можем протестировать эти данные, используя инструмент histogram. Для полученных данных мы можем ожидать, что примерно 50% значений будут в диапазоне от 0.0 до 0.5, а оставшиеся 50% — в диапазоне от 0.5 до 1.0 (при условии, что мы задаем разбиение на два интервала, ограниченные нижним и верхним пределами 0.0 и 1.0 соответственно).

Утилита histogram подтвердила наши ожидания, показав, что 49 из 100 чисел (49%) лежат в первом интервале (от 0.0 до 1.0) и 51 из 100 (51%) — во втором интервале (от 0.5 до 1.0).

Заключение

В этом руководстве мы рассмотрели некоторые возможности пакета для научных вычислений NumPy и продемонстрировали на примерах простоту его использования. Документацию и дополнительные примеры можно найти на официальном сайте .

Источник

Как установить NumPy на Ubuntu 20.04

NumPy — это библиотека python, используемая для научных вычислений. Которая предлагает следующее функции.

• объект многомерного массива
• маскированные массивы и матрицы
• манипуляция формой
• сортировка
• выбор
• дискретные преобразования Фурье
• основы линейной алгебры
• основные статистические операции
• случайное моделирование

В этой пошаговой инструкции вы узнаете, как установить NumPy на Ubuntu 20.04 Linux.

NumPy Ubuntu

Установить pip на Ubuntu

Pip — это официальный инструмент для управления пакетами python. Он помогает установить, удалить и обновить определенный пакет до последней версии. Разработчики находят эту утилиту очень полезной, когда речь заходит об установке всего пакета зависимостей проекта.

Установка pip на Python 2

Скачать pip для python 2 можно с помощью команды wget:

$ wget https://bootstrap.pypa.io/2.7/get-pip.py -O get-pip27.py

Теперь чтобы установить pip выполните следующую команду:

Установка pip на Python 3

Что касается установки pip для python3, то процесс тот же.

Скачать скрипт для pip:

$ wget https://bootstrap.pypa.io/get-pip.py -O get-pip.py

Чтобы установить pip для python 3, Введите:

Установить NumPy на Ubuntu

Утилита pip помогает установить NumPy для обеих версий python. Что касается версии python 2.x, то следующая команда устанавливает пакет NumPy.

Опция -m помогает использовать определенный пакет python; в нашем случае pip.

В случае успеха на вашей консоли должно быть отображено следующее.

Collecting numpy
Downloading numpy-1.16.6-cp27-cp27mu-manylinux1_x86_64.whl (17.0 MB)
|████████████████████████████████| 17.0 MB 12.2 MB/s
Installing collected packages: numpy
WARNING: The scripts f2py, f2py2 and f2py2.7 are installed in ‘/home/linoxide/.local/bin’ which is not on PATH.
Consider adding this directory to PATH or, if you prefer to suppress this warning, use —no-warn-script-location.
Successfully installed numpy-1.16.6

Для установки numpy на python 3 выполните следующую команду.

Проверьте правильность установки.

Опция show помогает идентифицировать установленный пакет python.

Пакет numpy для python3

Импорт numpy из интерактивной оболочки python

Следующая команда импортирует библиотеку под именем np. Это работает как для python 2, так и для python 3.

Обновите NumPy до последней версии

Утилита pip имеет опцию которая помогает обновить установленный пакет до последней версии.

Чтобы обновить numpy для python 2, введите команду:

Для python 3 выполните следующую команду:

Заключение

Из этой инструкции вы узнали, как правильно установить пакет numpy как для python 2, так и для python 3. Вы также узнали, как обновить пакет numpy до последней версии.

Так же рекомендую к прочтению Сканер портов на Python

Источник

Installing NumPy

The only prerequisite for installing NumPy is Python itself. If you don’t have Python yet and want the simplest way to get started, we recommend you use the Anaconda Distribution — it includes Python, NumPy, and many other commonly used packages for scientific computing and data science.

NumPy can be installed with conda , with pip , with a package manager on macOS and Linux, or from source. For more detailed instructions, consult our Python and NumPy installation guide below.

CONDA

If you use conda , you can install NumPy from the defaults or conda-forge channels:

PIP

If you use pip , you can install NumPy with:

Also when using pip, it’s good practice to use a virtual environment — see Reproducible Installs below for why, and this guide for details on using virtual environments.

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:

• Install Anaconda (it installs all packages you need and all other tools mentioned below).
• For writing and executing code, use notebooks in JupyterLab for exploratory and interactive computing, and Spyder or Visual Studio Code for writing scripts and packages.
• Use Anaconda Navigator to manage your packages and start JupyterLab, Spyder, or Visual Studio Code.

Advanced users

Windows or macOS

• Install Miniconda.
• Keep the base conda environment minimal, and use one or more conda environments to install the package you need for the task or project you’re working on.
• Unless you’re fine with only the packages in the defaults channel, make conda-forge your default channel via setting the channel priority.

Linux

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

• Use your OS package manager for as much as possible (Python itself, NumPy, and other libraries).
• Install packages not provided by your package manager with pip install somepackage —user .

If you use a GPU:

• Install Miniconda.
• Keep the base conda environment minimal, and use one or more conda environments to install the package you need for the task or project you’re working on.
• Use the defaults conda channel ( conda-forge doesn’t have good support for GPU packages yet).

• Install Miniforge.
• Keep the base conda environment minimal, and use one or more conda environments to install the package you need for the task or project you’re working on.

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:

• Install Python from python.org, Homebrew, or your Linux package manager.
• Use Poetry as the most well-maintained tool that provides a dependency resolver and environment management capabilities in a similar fashion as conda does.

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 two main tools that install Python packages are pip and conda . Their functionality partially overlaps (e.g. both can install numpy ), however, they can also work together. We’ll discuss the major differences between pip and conda here — this is important to understand if you want to manage packages effectively.

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:

1. use a different environment per project you’re working on,
2. record package names and versions using your package installer; each has its own metadata format for this:
   • Conda: conda environments and environment.yml
   • Pip: virtual environments and requirements.txt
   • Poetry: virtual environments and pyproject.toml

NumPy packages & accelerated linear algebra libraries

NumPy doesn’t depend on any other Python packages, however, it does depend on an accelerated linear algebra library — typically Intel MKL or OpenBLAS. Users don’t have to worry about installing those (they’re automatically included in all NumPy install methods). Power users may still want to know the details, because the used BLAS can affect performance, behavior and size on disk:

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.

In the conda-forge channel, NumPy is built against a dummy “BLAS” package. When a user installs NumPy from conda-forge, that BLAS package then gets installed together with the actual library — this defaults to OpenBLAS, but it can also be MKL (from the defaults channel), or even BLIS or reference BLAS.

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:

• Intel MKL is not open source. For normal use this is not a problem, but if a user needs to redistribute an application built with NumPy, this could be an issue.
• Both MKL and OpenBLAS will use multi-threading for function calls like np.dot , with the number of threads being determined by both a build-time option and an environment variable. Often all CPU cores will be used. This is sometimes unexpected for users; NumPy itself doesn’t auto-parallelize any function calls. It typically yields better performance, but can also be harmful — for example when using another level of parallelization with Dask, scikit-learn or multiprocessing.

Troubleshooting

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

Источник