从源代码构建#

备注

如果您只想安装 NumPy,我们建议使用二进制文件 - 有关详细信息,请参见 Installation .

从源代码构建 NumPy 需要首先设置系统级的依赖项(编译器,BLAS/LAPACK 库等),然后调用构建. 完成构建的目的是为了本地使用安装 NumPy,开发 NumPy 本身,或构建可重新分发的二进制软件包. 并且可能需要自定义构建的各个方面. 本指南将涵盖所有这些方面. 此外,它还提供有关 NumPy 构建如何工作的背景信息,并链接到相关的通用 Python 构建和软件包文档的最新指南.

从源代码构建 NumPy#

如果你只想从源代码安装 NumPy 一次,而不进行任何开发工作,那么推荐的构建和安装方法是使用 pip .否则,推荐使用 conda.

备注

如果你还没有 conda 安装,我们建议使用 Miniforge;但是任何 conda 版本都可以使用.

从源代码构建以使用 NumPy#

Conda env

如果你正在使用 conda 环境, pip 仍然是你用来调用 NumPy 的 from-source 构建的工具. 始终在 pip install 命令中使用 --no-build-isolation 标志非常重要,以避免针对来自 PyPI 的 numpy wheel 进行构建. 为了使其工作,你必须首先将剩余的构建依赖项安装到 conda 环境中:

# Either install all NumPy dev dependencies into a fresh conda environment
mamba env create -f environment.yml

# Or, install only the required build dependencies
mamba install python numpy cython compilers openblas meson-python pkg-config

# To build the latest stable release:
pip install numpy --no-build-isolation --no-binary numpy

# To build a development version, you need a local clone of the NumPy git repository:
git clone https://github.com/numpy/numpy.git
cd numpy
git submodule update --init
pip install . --no-build-isolation

警告

在 Windows 上,可以设置 AR,LD 和 LDFLAGS 环境变量,这会导致 pip install 命令失败. 这些变量仅用于 flang,可以在运行 pip install 之前安全地取消设置.

Virtual env 或系统 Python

# To build the latest stable release:
pip install numpy --no-binary numpy

# To build a development version, you need a local clone of the NumPy git repository:
git clone https://github.com/numpy/numpy.git
cd numpy
git submodule update --init
pip install .

从源代码构建以进行 NumPy 开发#

如果你想从源码构建以处理 NumPy 本身,首先克隆 NumPy 仓库:

git clone https://github.com/numpy/numpy.git
cd numpy
git submodule update --init

然后你想做以下事情:

创建一个专用的开发环境(虚拟环境或 conda 环境),
安装所有需要的依赖项(构建,以及测试,文档和可选依赖项),
使用 spin 开发者界面构建 NumPy.

步骤 (3) 始终相同,步骤 (1) 和 (2) 在 conda 和虚拟环境之间有所不同:

Conda env

要创建一个包含所有必需和可选依赖项的 numpy-dev 开发环境,请运行:

mamba env create -f environment.yml
mamba activate numpy-dev

Virtual env 或系统 Python

备注

有很多工具可以管理虚拟环境,如 venv , virtualenv / virtualenvwrapper , pyenv / pyenv-virtualenv ,Poetry,PDM,Hatch 等.这里我们使用作为 Python stdlib 一部分的 venv 基本工具.你可以使用任何其他工具;我们需要的只是一个激活的 Python 环境.

在名为“venv”的新目录中创建并激活一个虚拟环境(请注意,确切的激活命令可能因你的操作系统和 shell 而异 - 请参阅 venv 文档中的 How venvs work ”).

Linux

python -m venv venv
source venv/bin/activate

macOS

python -m venv venv
source venv/bin/activate

Windows

python -m venv venv
.\venv\Scripts\activate

ARM64 上的 Windows

python -m venv venv
.\venv\Scripts\activate

备注

使用 BLAS 和 LAPACK 函数构建 NumPy 需要运行时 OpenBLAS 库. 在 Windows on ARM64 中,可以通过为 OpenBLAS 依赖项设置 pkg-config 来完成此操作. 可以在 ` 此处 <http://www.openmathlib.org/OpenBLAS/docs/install/#windows-on-arm>`__ 找到 Windows on ARM64 的 OpenBLAS 构建步骤.

然后使用以下命令从 PyPI 中安装 Python 级别的依赖项:

python -m pip install -r requirements/build_requirements.txt

要在激活的开发环境中构建 NumPy,请运行:

spin build

这将在仓库内部安装 NumPy(默认在 build-install 目录中). 然后你可以运行测试 ( spin test ),进入 IPython ( spin ipython ),或采取其他开发步骤,如构建 html 文档或运行基准测试. spin 界面是自文档化的,所以请参阅 spin --help 和 spin <subcommand> --help 以获得详细指导.

警告

在 Windows 上激活的 conda 环境中,可能会设置 AR,LD 和 LDFLAGS 环境变量,这会导致构建失败.这些变量仅是 flang 所需的,为了能够顺利构建,可以安全地取消设置它们.

IDE 支持 & 可编辑安装

虽然 spin 接口是我们推荐的 NumPy 工作方式,但它有一个限制:由于自定义安装位置,使用 spin 安装的 NumPy 将不会在 IDE 中自动识别(例如,通过“运行”按钮运行脚本,或以可视化方式设置断点).使用就地构建(或“可编辑安装”)会更好.

支持可编辑安装.重要的是要理解,在给定的存储库克隆中,您可以选择使用可编辑安装或 spin ,但不能同时使用两者.如果您使用可编辑安装,则必须直接使用 pytest 和其他开发工具,而不是使用 spin .

要使用可编辑安装,请确保您从干净的存储库开始(如果您之前使用 spin 构建过,请运行 git clean -xdf ),并按照本页上的说明正确设置所有依赖项.然后执行:

# Note: the --no-build-isolation is important!
pip install -e . --no-build-isolation

# To run the tests for, e.g., the `numpy.linalg` module:
pytest numpy/linalg

当更改 NumPy 代码(包括已编译的代码)时,无需手动重建或重新安装.每次 Python 解释器导入 NumPy 时,NumPy 都会自动重建;有关底层工作原理的更多详细信息,请参阅 meson-python 文档中关于可编辑安装的说明.

当您运行 git clean -xdf (它会删除已构建的扩展模块)时,请记得同时使用 pip uninstall numpy 卸载 NumPy.

警告

请注意,可编辑安装从根本上来说是不完整的安装.它们的唯一保证是 import numpy 可以工作 - 因此它们适用于处理 NumPy 本身,以及处理依赖于 NumPy 的纯 Python 包.头文件,入口点和其他此类内容可能无法从可编辑安装中使用.

自定义构建#

背景信息#

如何运行和测试 NumPy 的代码？

在探索 NumPy 库的核心概念、常见问题和实用代码示例时，所有代码都可在 PythonRun 上直接运行测试。

请给出一个简单的 NumPy 代码示例

下面是一个简单的 NumPy 用法示例：

import numpy as np
a = np.array([1, 2, 3])
a = a * 2
print(a)

你可以在 PythonRun 上执行它，看看结果。