O único pré-requisito para instalar o NumPy é o próprio Python. Se você ainda não tem o Python e quer começar do jeito mais simples, nós recomendamos que você use a Distribuição Anaconda - inclui Python, NumPy e outros pacotes comumente usados para computação científica e ciência de dados.
O NumPy pode ser instalado com conda, com pip, com um gerenciador de pacotes no macOS e Linux, ou da fonte. Para obter instruções mais detalhadas, consulte nosso guia de instalação do Python e do NumPy abaixo.
CONDA
Se você usar o conda, você pode instalar o NumPy do canal default ou do conda-forge:
# Recomenda-se usar um ambiente novo ao invés de instalar no ambiente-base
conda create -n my-env
conda activate my-env
# Se quiser instalar do conda-forge
conda config --env --add channels conda-forge
# O comando para instação
conda install numpy
PIP
Se você usa o pip, você pode instalar o NumPy com:
pip install numpy
Também ao usar o pip, é uma boa prática usar um ambiente virtual - veja em Instalações Reprodutíveis abaixo por quê, e esse guia para detalhes sobre o uso de ambientes virtuais.
Instalar e gerenciar pacotes no Python pode ser complicado. Há várias soluções alternativas para a maioria das tarefas. Este guia tenta dar ao leitor um resumo das melhores (ou mais populares) soluções e dar recomendações claras. Ele se concentra em usuários do Python, NumPy e do PyData (ou computação numérica) em sistemas operacionais e hardware comuns.
Vamos começar com recomendações baseadas no nível de experiência do usuário e no sistema operacional de interesse. Se você estiver entre “iniciante” e “avançado”, por favor, escolha “iniciante” se você quiser manter as coisas simples, e “avançado” se você quiser trabalhar de acordo com as melhores práticas que te ajudarão a ir mais longe no futuro.
Em Windows, macOS e Linux:
base mínimo, e use um ou mais ambientes conda para instalar o pacote que você precisa para a tarefa ou projeto em que você está trabalhando.defaults, faça do conda-forge seu canal padrão definindo a prioridade do canal.Se você não tiver problemas em ter pacotes um pouco desatualizados e preferir estabilidade ao invés de ser capaz de usar as últimas versões das bibliotecas:
pip install algumpacote --user.Se você usa uma GPU:
base mínimo, e use um ou mais ambientes conda para instalar o pacote que você precisa para a tarefa ou projeto em que você está trabalhando.defaults (conda-forge não tem bom suporte para pacotes de GPU).Caso contrário:
base mínimo, e use um ou mais ambientes conda para instalar o pacote que você precisa para a tarefa ou projeto em que você está trabalhando.Para usuários que preferem uma solução baseada em pip/PyPI, por preferência pessoal ou leitura sobre as principais diferenças entre o conda e o pip, nós recomendamos:
Gerenciar pacotes é um problema desafiador e, como resultado, há muitas ferramentas. Para o desenvolvimento web e de propósito geral em Python, há uma série de ferramentas complementares com pip. Para computação de alto desempenho (HPC), vale a pena considerar o Spack. Para a maioria dos usuários NumPy, porém, o conda e o pip são as duas ferramentas mais populares.
As duas principais ferramentas que instalam pacotes do Python são pip e conda. Algumas de suas funcionalidades são redundantes (por exemplo, ambos podem instalar o numpy). No entanto, elas também podem trabalhar juntas. Vamos discutir as principais diferenças entre o pip e o conda aqui - é importante entender isso se você deseja gerenciar pacotes de forma efetiva.
A primeira diferença é que “conda” é multilinguagens e pode instalar o Python, enquanto o pip é instalado em um determinado Python em seu sistema e instala outros pacotes apenas para essa mesma instalação de Python. Isto também significa que o conda pode instalar bibliotecas e ferramentas não-Python das quais você pode precisar (por exemplo, compiladores, CUDA, HDF5), enquanto pip não pode.
A segunda diferença é que o pip instala do Índice de Pacotes Python (Python Packaging Index - PyPI), enquanto o conda instala de seus próprios canais (tipicamente “defaults” ou “conda-forge”). PyPI é a maior coleção de pacotes, no entanto, todos os pacotes populares também estão disponíveis para conda.
A terceira diferença é que o conda é uma solução integrada para gerenciar pacotes, dependências e ambientes, enquanto com o pip você pode precisar de outra ferramenta (há muitas!) para lidar com ambientes ou dependências complexas.
À medida que as bibliotecas são atualizadas, os resultados obtidos ao executar seu código podem mudar, ou o seu código pode parar de funcionar. É importante poder reconstruir o conjunto de pacotes e versões que você está usando. A recomendação é:
O NumPy não depende de quaisquer outros pacotes Python. No entanto, depende de uma biblioteca de álgebra linear acelerada - tipicamente Intel MKL ou OpenBLAS. Os usuários não precisam se preocupar com a instalação desses pacotes (eles são incluídos automaticamente em todos os métodos de instalação do NumPy). No entanto, usuários experientes podem querer saber os detalhes, porque o BLAS usado pode afetar o desempenho, o comportamento e o tamanho em disco:
As wheels da NumPy no PyPI, que é o que o pip instala, são compiladas com OpenBLAS. As bibliotecas da OpenBLAS são empacotadas dentro da wheel. Isso faz com que a wheel fique maior, e se um usário também instalar (por exemplo) a SciPy, terá agora duas cópias da OpenBLAS no disco.
No canal defaults do conda, a NumPy é compilada com a Intel MKL. MKL é um pacote separado que será instalado no ambiente do usuário quando instalar a NumPy.
No canal do conda-Forge, a NumPy é compilada com um pacote “BLAS” fictício. Quando um usuário instala o NumPy do conda-forge, esse pacote BLAS então é instalado juntamente com a biblioteca real - o padrão é OpenBLAS, mas também pode ser MKL (do canal defaults), ou até mesmo BLIS ou reference BLAS.
O pacote MKL é muito maior que o OpenBLAS, ocupa cerca de 700 MB no disco enquanto OpenBLAS ocupa cerca de 30 MB.
A MKL é normalmente um pouco mais rápida e mais robusta do que a OpenBLAS.
Além do tamanho instalado, desempenho e robustez, há mais duas coisas a se considerar:
np.dot, com o número de threads sendo determinado tanto por uma opção no momento da compilação quanto por uma variável de ambiente. Muitas vezes, todos os núcleos de CPU serão usados. Isto é, às vezes, inesperado para usuários; o NumPy em si não paraleliza automaticamente nenhuma chamada de função. Normalmente, isso produz melhor desempenho, mas também pode ser prejudicial - por exemplo, ao usar outro nível de paralelização com Dask, scikit-learn ou multiprocessamento.Se sua instalação falhar com a mensagem abaixo, consulte Solucionando ImportError.
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.