NumPy 1.26 中文官方指南(三)(2)

简介: NumPy 1.26 中文官方指南(三)

NumPy 1.26 中文官方指南(三)(1)https://developer.aliyun.com/article/1510615

通用等价物

MATLAB NumPy 注释
help func info(func)help(func)func?(在 IPython 中) 获取函数func的帮助信息
which func 见注意事项 HELP 查找func的定义位置
type func np.source(func)func??(在 IPython 中) 打印func的源代码(如果不是原生函数)
% comment # comment 使用文本comment对代码行进行注释

|

for i=1:3
    fprintf('%i\n',i)
end 

|

for i in range(1, 4):
   print(i) 
使用 for 循环打印数字 1, 2 和 3,使用[range](https://docs.python.org/3/library/stdtypes. html#range “(在 Python v3.11 中)”)
a && b
a || b

|

>>  4  ==  4
ans  =  1
>>  4  ==  5
ans  =  0 

|

>>> 4 == 4
True
>>> 4 == 5
False 
在 Python 中,布尔对象TrueFalse,而不是 MATLAB 的逻辑类型10

|

a=4
if  a==4
  fprintf('a = 4\n')
elseif  a==5
  fprintf('a = 5\n')
end 

|

a = 4
if a == 4:
    print('a = 4')
elif a == 5:
    print('a = 5') 
创建一个 if-else 语句以检查a是否为 4 或 5,并打印结果
1*i1*j1i1j
eps
load data.mat
ode45
ode15s

同等的线性代数

MATLAB NumPy 注释
ndims(a) np.ndim(a) or a.ndim 数组 a 的维度数
numel(a) np.size(a) or a.size 数组 a 的元素个数
size(a) np.shape(a) or a.shape 数组 a 的尺寸
size(a,n) a.shape[n-1] 获取数组 a 的第 n 维度的元素个数。(注意 MATLAB 使用基于 1 的索引,而 Python 使用基于 0 的索引,参见注释 INDEXING)
[ 1 2 3; 4 5 6 ] np.array([[1., 2., 3.], [4., 5., 6.]]) 定义一个 2x3 的 2D 数组
[ a b; c d ] np.block([[a, b], [c, d]]) 从块 abcd 构造矩阵
a(end) a[-1] 访问 MATLAB 向量(1xn 或 nx1)或长度为 n 的 1D NumPy 数组 a 中的最后一个元素
a(2,5) a[1, 4] 访问 2D 数组 a 中第二行第五列的元素
a(2,:) a[1] or a[1, :] 2D 数组 a 的第二行
a(1:5,:) a[0:5] or a[:5] or a[0:5, :] 2D 数组 a 的前 5 行
a(end-4:end,:) a[-5:] 2D 数组 a 的最后 5 行
a(1:3,5:9) a[0:3, 4:9] 2D 数组 a 的第一到第三行和第五到第九列
a([2,4,5],[1,3]) a[np.ix_([1, 3, 4], [0, 2])] 第 2、4 和 5 行以及第 1 和 3 列。这允许修改矩阵,并且不需要常规切片。
a(3:2:21,:) a[2:21:2,:] 从第三行开始,每隔一行的 a,直到第二十一行
a(1:2:end,:) a[::2, :] a 的每隔一行,从第一行开始
a(end:-1:1,:) or flipud(a) a[::-1,:] 行顺序相��的 a
a([1:end 1],:) a[np.r_[:len(a),0]] a 的副本,附加了第一行的副本到末尾
a.' a.transpose() or a.T a 的转置
a' a.conj().transpose() or a.conj().T a 的共轭转置
a * b a @ b 矩阵相乘
a .* b a * b 逐元素相乘
a./b a/b 逐元素相除
a.³ a**3 逐元素求幂
(a > 0.5) (a > 0.5) 矩阵,其第 i、j 个元素为 (a_ij > 0.5)。MATLAB 结果是一个由 0 和 1 组成的逻辑值数组。NumPy 结果是一个由布尔值 FalseTrue 组成的数组。
find(a > 0.5) np.nonzero(a > 0.5) 找到满足 (a > 0.5) 的索引
a(:,find(v > 0.5)) a[:,np.nonzero(v > 0.5)[0]] 提取矩阵 a 中向量 v > 0.5 的列
a(:,find(v>0.5)) a[:, v.T > 0.5] 提取矩阵 a 中列向量 v > 0.5 的列
a(a<0.5)=0 a[a < 0.5]=0 小于 0.5 的 a 元素变为零
a .* (a>0.5) a * (a > 0.5) 小于 0.5 的 a 元素变为零
a(:) = 3 a[:] = 3 将所有值设置为相同的标量值
y=x y = x.copy() NumPy 通过引用赋值
y=x(2,:) y = x[1, :].copy() NumPy 的切片是通过引用进行的
y=x(:) y = x.flatten() 将数组转换成向量(请注意,这会强制执行复制)。为了获得与 MATLAB 中相同的数据排序,使用 x.flatten('F')
1:10 np.arange(1., 11.) or np.r_[1.:11.] or np.r_[1:10:10j] 创建一个递增的向量(参见 范围注释(RANGES))
0:9 np.arange(10.) or np.r_[:10.] or np.r_[:9:10j] 创建一个递增的向量(参见 范围注释(RANGES))
[1:10]' np.arange(1.,11.)[:, np.newaxis] 创建一个列向量
zeros(3,4) np.zeros((3, 4)) 全部为 0 的 3x4 二维数组,64 位浮点类型
zeros(3,4,5) np.zeros((3, 4, 5)) 全部为 0 的 3x4x5 三维数组,64 位浮点类型
ones(3,4) np.ones((3, 4)) 全部为 1 的 3x4 二维数组,64 位浮点类型
eye(3) np.eye(3) 3x3 单位矩阵
diag(a) np.diag(a) 返回二维数组 a 对角线上的元素构成的向量
diag(v,0) np.diag(v, 0) 返回一个正方形对角矩阵,其非零值为向量 v 的元素

|

rng(42,'twister')
rand(3,4) 

|

from numpy.random import default_rng
rng = default_rng(42)
rng.random(3, 4) 

或者旧版本:random.rand((3, 4)) | 使用默认的随机数生成器和 seed = 42 生成一个随机的 3x4 数组 |

linspace(1,3,4) np.linspace(1,3,4) 在 1 到 3 之间生成 4 个等差样本,包括边界值
[x,y]=meshgrid(0:8,0:5) np.mgrid[0:9.,0:6.] or np.meshgrid(r_[0:9.],r_[0:6.]) 两个 2D 数组:一个是 x 值,另一个是 y 值
ogrid[0:9.,0:6.] or np.ix_(np.r_[0:9.],np.r_[0:6.] 在网格上计算函数的最佳方法
[x,y]=meshgrid([1,2,4],[2,4,5]) np.meshgrid([1,2,4],[2,4,5])
np.ix_([1,2,4],[2,4,5]) 在网格上计算函数的最佳方法
repmat(a, m, n) np.tile(a, (m, n)) 创建大小为 m × n 的 a 的副本
[a b] np.concatenate((a,b),1) or np.hstack((a,b)) or np.column_stack((a,b)) or np.c_[a,b] 连接数组 ab 的列
[a; b] np.concatenate((a,b)) or np.vstack((a,b)) or np.r_[a,b] 连接数组 ab 的行
max(max(a)) a.max() or np.nanmax(a) a 的最大值(对于 MATLAB,ndims(a)<=2,如果存在 NaN,则 nanmax 会忽略这些 NaN 并返回最大值)
max(a) a.max(0) 数组 a 每列的最大值
max(a,[],2) a.max(1) 数组 a 每行的最大值
max(a,b) np.maximum(a, b) 比较 ab 的元素并��个返回最大值
norm(v) np.sqrt(v @ v) or np.linalg.norm(v) 向量 v 的 L2 范数
a & b logical_and(a,b) 元素逐个进行与运算(NumPy ufunc)查看逻辑操作注释(LOGICOPS)
a &#124; b np.logical_or(a,b) 元素逐个进行或运算(NumPy ufunc)查看逻辑操作注释(LOGICOPS)
bitand(a,b) a & b 按位与运算符(Python 原生和 NumPy ufunc)
bitor(a,b) a &#124; b 按位或运算符(Python 本地和 NumPy ufunc)
inv(a) linalg.inv(a) 2D 数组a的逆
pinv(a) linalg.pinv(a) 2D 数组a的伪逆
rank(a) np.linalg.matrix_rank(a) 2D 数组a的矩阵秩
a\b a是方阵使用linalg.solve(a, b);否则使用linalg.lstsq(a, b) 解线性方程组a x = b得到的解 x
b/a a.T x.T = b.T 解方程x a = b得到的解 x
[U,S,V]=svd(a) U, S, Vh = linalg.svd(a); V = Vh.T a的奇异值分解
chol(a) linalg.cholesky(a) 2D 数组a的 Cholesky 分解
[V,D]=eig(a) D,V = linalg.eig(a) a的特征值(\lambda)和特征向量(v),其中(\mathbf{a} v = \lambda v)
[V,D]=eig(a,b) D,V = linalg.eig(a, b) ab的特征值(\lambda)和特征向量(v),其中(\mathbf{a} v = \lambda \mathbf{b} v)
[V,D]=eigs(a,3) D,V = eigs(a, k=3) 找到 2D 数组a的前k=3个最大特征值和特征向量
[Q,R]=qr(a,0) Q,R = linalg.qr(a) QR 分解
[L,U,P]=lu(a),其中a==P'*L*U P,L,U = linalg.lu(a),其中a == P@L@U 具有部分主元的 LU 分解(注意:P(MATLAB)==转置 P(NumPy))
conjgrad cg 共轭梯度解算器
fft(a) np.fft.fft(a) a的傅里叶变换
ifft(a) np.fft.ifft(a) a的傅里叶逆变换
sort(a) np.sort(a)a.sort(axis=0) 对 2D 数组a的每一列排序
sort(a, 2) np.sort(a, axis=1)a.sort(axis=1) 对 2D 数组a的每一行排序
[b,I]=sortrows(a,1) I = np.argsort(a[:, 0]); b = a[I,:] 将数组a按第一列排序后保存为数组b
x = Z\y x = linalg.lstsq(Z, y) 执行形式为(\mathbf{Zx}=\mathbf{y})的线性回归
decimate(x, q) signal.resample(x, np.ceil(len(x)/q)) 通过低通滤波下采样
unique(a) np.unique(a) 数组a中的唯一值向量
squeeze(a) a.squeeze() 移除数组a的单例维度。请注意,MATLAB 始终返回 2D 或更高阶数组,而 NumPy 将返回 0D 或更高阶数组

注释

子矩阵: 可以使用ix_命令和索引列表对子矩阵进行赋值。例如,对于 2D 数组a,可以这样操作:ind=[1, 3]; a[np.ix_(ind, ind)] += 100

帮助: Python 没有直接相当于 MATLAB 中which命令的命令,但helpnumpy.source命令通常会列出函数所在的文件名。Python 还有一个inspect模块(导入import inspect),其中提供了一个getfile函数通常也会起作用。

索引:MATLAB 使用基于一的索引,因此序列的初始元素索引为 1。Python 使用基于零的索引,因此序列的初始元素索引为 0。关于这一点可能会产生混淆和激烈争论,因为每种方式都有其优势和劣势。基于一的索引符合通常的人类语言使用习惯,其中序列的“第一个”元素索引为 1。基于零的索引简化了索引操作。也请参见 Edsger W. Dijkstra 教授的一篇文章

范围:在 MATLAB 中,0:5既可以用作范围字面量,也可以用作‘切片’索引(放在括号内);然而在 Python 中,像0:5这样的构造只能作为切片索引(放在方括号内)使用。因此,为了使 NumPy 可以拥有类似简洁的范围构造机制,特别创建了r_对象。需要注意的是,r_ 不像函数或构造函数一样被调用,而是使用方括号进行索引,这样可以在参数中使用 Python 的切片语法。

逻辑操作:在 NumPy 中,&| 是按位与/或运算,而在 MATLAB 中,& 和 | 分别是逻辑与/或运算。这两者看起来可能是一样的,但实际上存在重要的区别。如果你曾经使用过 MATLAB 的 &| 运算符,那么在 NumPy 中应该使用对应的 ufuncs logical_and/logical_or。MATLAB 和 NumPy 的 &| 操作符之间的显著区别包括:

  • 非逻辑 {0,1} 输入:NumPy 的输出是输入的按位与。MATLAB 将任何非零值视为 1,并返回逻辑与。例如在 NumPy 中 (3 & 4) 的结果是 0,而在 MATLAB 中 34 都被视为逻辑 true,因此 (3 & 4) 的结果是 1
  • 优先级:NumPy 的 & 运算符的优先级高于诸如 <> 的逻辑运算符;而 MATLAB 则相反。

如果你知道参数是布尔值,你可以使用 NumPy 的按位运算符,但是在使用括号时要小心,就像这样:z = (x > 1) & (x < 2)。NumPy 没有形式上的 logical_andlogical_or 运算符是 Python 设计的一个不幸的结果。

重塑和线性索引: MATLAB 始终允许使用标量或线性索引访问多维数组,而 NumPy 则不是。线性索引在 MATLAB 程序中很常见,例如,对矩阵进行find()返回它们,而 NumPy 的find()行为有所不同。在转换 MATLAB 代码时,可能需要首先将矩阵重塑为线性序列,执行一些索引操作,然后再进行重塑。由于 reshape(通常)提供对相同存储的视图,因此应该可以相当高效地完成此操作。请注意,NumPy 中 reshape 的扫描顺序默认为‘C’顺序,而 MATLAB 使用 Fortran 顺序。如果你仅仅是将其转换为线性序列然后再转换回来,这并不重要。但如果你正在从依赖扫描顺序的 MATLAB 代码转换 reshape,那么此 MATLAB 代码:z = reshape(x,3,4);应该在 NumPy 中变为z = x.reshape(3,4,order='F').copy()

‘array’或‘matrix’?我应该使用哪个?

从历史上看,NumPy 提供了一种特殊的矩阵类型,np.matrix,它是 ndarray 的一个子类,使二进制操作变成线性代数操作。你可能会在一些现有代码中看到它,而不是np.array。那么,应该使用哪一个?

简短答案

使用 arrays

  • 它们支持 MATLAB 中支持的多维数组代数运算
  • 它们是 NumPy 的标准向量/矩阵/张量类型。许多 NumPy 函数返回数组,而不是矩阵。
  • 元素操作与线性代数操作有明显区别。
  • 如果你喜欢,可以使用标准向量或行/列向量。

直到 Python 3.5,使用array类型的唯一缺点是你必须使用dot而不是*来乘法(缩减)两个张量(数量积,矩阵向量乘法等)。从 Python 3.5 开始,你可以使用矩阵乘法@运算符。

鉴于上述,我们计划最终弃用matrix

长答案

NumPy 包含array类和matrix类。array类旨在成为通用的多维数组,用于各种数值计算,而matrix旨在特定地促进线性代数计算。在实践中,这两者之间只有少数几个关键差异。

  • 运算符*@,函数dot()multiply()
  • 对于array*表示逐元素相乘,而**@表示矩阵乘法**;它们有相关的函数multiply()dot()。(Python 3.5 之前,@不存在,人们必须使用dot()进行矩阵乘法)。
  • 对于matrix*表示矩阵乘法,对于逐元素乘法,人们必须使用multiply()函数。
  • 向量(一维数组)的处理
  • 对于array来说,向量形状 1xN,Nx1 和 N 是完全不同的事情。像A[:,1]这样的操作返回形状为 N 的一维数组,而不是形状为 Nx1 的二维数组。在一维array上进行转置没有任何效果。
  • 对于matrix一维数组总是转换为 1xN 或 Nx1 矩阵(行向量或列向量)。A[:,1]返回形状为 Nx1 的二维矩阵。
  • 处理更高维数组(ndim > 2)
  • array对象可以具有大于 2 的维数
  • matrix对象始终具有确切的两个维度
  • 便利属性
  • array具有.T 属性,返回数据的转置。
  • matrix还具有.H, .I 和 .A 属性,分别返回矩阵的共轭转置、逆和asarray()
  • 便利构造函数
  • array构造函数接受(嵌套的)Python 序列作为初始化器。如array([[1,2,3],[4,5,6]])
  • matrix构造函数另外接受方便的字符串初始化器。如 matrix("[1 2 3; 4 5 6]").

使用两者都有利弊:

  • array
  • :) 逐元素乘法很容易:A*B
  • :( 您必须记住,矩阵乘法有自己的运算符@
  • :) 您可以将一维数组视为行向量列向量A @ vv视为列向量,而v @ Av视为行向量。这样可以避免您输入许多转置。
  • :) array是 NumPy 的“默认”类型,因此它得到了最多的测试,并且最有可能被使用 NumPy 的第三方代码返回。
  • :) 它在处理任意维度的数据时非常方便。
  • :) 如果您熟悉张量代数的话,语义上更接近。
  • :) 所有操作(*/+- 等)都是逐元素的。
  • :( scipy.sparse 中的稀疏矩阵与数组的交互不太好。
  • matrix
  • :\\ 行为更像 MATLAB 矩阵。
  • <:( 三维数据需要使用array,或者可能是matrix的 Python 列表。
  • <:( 两维矩阵的最小值。不能有向量。它们必须被转换为单列或单行矩阵。
  • <:( 由于在 NumPy 中array是默认的,一些函数可能返回array,即使您给它们一个matrix作为参数。这不应该发生在 NumPy 函数中(如果发生了,那是个错误),但基于 NumPy 的第三方代码可能不像 NumPy 那样尊重类型保留。
  • :) A*B是矩阵乘法,所以它看起来就像您在线性代数中写的(对于 Python >= 3.5,普通数组使用@运算符也有同样的便利)。
  • <:( 逐元素乘法需要调用一个函数,multiply(A,B)
  • <:( 使用运算符重载有点不合逻辑:*不逐元素工作,但/却是。
  • scipy.sparse的交互更清晰。

因此,更建议使用array。实际上,我们最终打算停用matrix

简短答案

使用数组

  • 支持在 MATLAB 中支持的多维数组代数
  • 它们是 NumPy 的标准向量/矩阵/张量类型。许多 NumPy 函数返回数组,而不是矩阵。
  • 元素级操作和线性代数操作之间有明显的区别。
  • 如果需要,你可以使用标准向量或行向量/列向量。

在 Python 3.5 之前,使用 array 类型的唯一不利之处是必须使用 dot 而不是 * 进行乘法(缩减)两个张量(标量积、矩阵向量乘法等)。自从 Python 3.5 以来,可以使用矩阵乘法 @ 运算符。

根据上面的内容,我们打算最终废弃 matrix

较长的回答

NumPy 中包含 array 类和 matrix 类。array 类旨在成为一种通用的 n 维数组,适用于各种数值计算,而 matrix 则旨在专门用于线性代数计算。实际上,这两者之间只有一小部分关键差异。

  • 运算符*@,函数dot()multiply()
  • 对于 array* 表示逐元素乘法,而 @ 表示矩阵乘法;它们分别对应的函数是 multiply()dot()。(在 Python 3.5 之前,@ 不存在,必须使用 dot() 进行矩阵乘法)。
  • 对于 matrix* 表示矩阵乘法,对于逐元素乘法必须使用 multiply() 函数。
  • 向量(一维数组)的处理
  • 对于 array,向量的形状 1xN、Nx1 和 N 是不同的概念。例如,A[:,1] 返回形状为 N 的一维数组,而不是形状为 Nx1 的二维数组。对一维 array 进行转置没有任何变化。
  • 对于 matrix,一维数组总是被转换为 1xN 或 Nx1 的矩阵(行向量或列向量)。A[:,1] 返回形状为 Nx1 的二维矩阵。
  • 高维数组(ndim > 2)的处理
  • array 对象可以具有大于 2 的维数
  • matrix 对象始终仅有两个维度。
  • 方便的属性
  • array 具有 .T 属性,可以返回数据的转置。
  • matrix 还有 .H.I.A 属性,它们分别返回矩阵的共轭转置、逆和 asarray()
  • 方便的构造函数
  • array 构造函数接受嵌套的 Python 序列作为初始化参数。例如,array([[1,2,3],[4,5,6]])
  • matrix 构造函数还支持方便的字符串初始化。例如,matrix("[1 2 3; 4 5 6]")

使用它们都有利有弊:

  • array
  • :) 逐元素乘法很简单:A*B
  • :( 你必须记住矩阵乘法有自己的运算符 @
  • :) 你可以将一维数组当作行向量列向量处理。A @ vv 视为列向量,而 v @ Av 视为行向量。这样可以减少输入转置的次数。
  • :) array 是“默认”的 NumPy 类型,因此它受到最多的测试,并且是第三方使用 NumPy 的代码可能返回的类型。
  • :) 在处理任意维数的数据时都非常便捷。
  • :) 与张量代数更接近的语义,如果你熟悉的话。
  • :) 所有操作(*/+- 等)都是逐个元素进行的。
  • :( 使用 scipy.sparse 的稀疏矩阵与数组的交互效果不太好。
  • 矩阵
  • :\\ 行为更像 MATLAB 矩阵。
  • <:( 二维矩阵的最大值。要保存三维数据,你需要使用 array 或者可能是一个 matrix 的 Python 列表。
  • <:( 二维矩阵的最小值。你不能有向量。它们必须被转换为单列矩阵或单行矩阵。
  • <:( 由于 array 是 NumPy 的默认选项,所以一些函数可能会返回一个 array,即使你将 matrix 作为参数传递给它们也会如此。 NumPy 函数不应该出现这种情况(如果出现了就是一个 bug),但基于 NumPy 的第三方代码可能不像 NumPy 那样保留类型信息。
  • :) A*B 是矩阵乘法,因此它的写法与线性代数中一样(对于 Python >= 3.5,普通数组可以使用 @ 操作符达到相同的方便性)。
  • <:( 对元素进行逐个乘法操作需要调用函数 multiply(A, B)
  • <:( 操作符重载的使用有点不合逻辑:* 不对元素进行操作,但 / 是对每个元素进行操作的。
  • scipy.sparse 的交互更清晰。

因此,更建议使用 array。事实上,我们打算最终废弃 matrix

定制环境

在 MATLAB 中,定制环境的主要工具是修改搜索路径以包含你喜欢的函数的位置。你可以将这样的定制放入 MATLAB 在启动时运行的启动脚本中。

NumPy,或者更准确地说是 Python,有类似的功能。

  • 若要修改 Python 搜索路径以包含自己模块的位置,请定义 PYTHONPATH 环境变量。
  • 当启动交互式 Python 解释器时,若要执行特定的脚本文件,请定义 PYTHONSTARTUP 环境变量,其包含你启动脚本的名称。

与 MATLAB 不同,你需要先使用 ‘import’ 语句使特定文件中的函数可访问,然后才能立即调用。

例如,你可以创建一个启动脚本,内容如下(注意:此处仅为示例,并不是“最佳实践”的陈述):

# Make all numpy available via shorter 'np' prefix
import numpy as np
#
# Make the SciPy linear algebra functions available as linalg.func()
# e.g. linalg.lu, linalg.eig (for general l*B@u==A@u solution)
from scipy import linalg
#
# Define a Hermitian function
def hermitian(A, **kwargs):
    return np.conj(A,**kwargs).T
# Make a shortcut for hermitian:
#    hermitian(A) --> H(A)
H = hermitian 

要使用已弃用的 matrix 和其他 matlib 函数:

# Make all matlib functions accessible at the top level via M.func()
import numpy.matlib as M
# Make some matlib functions accessible directly at the top level via, e.g. rand(3,3)
from numpy.matlib import matrix,rand,zeros,ones,empty,eye 

链接

mathesaurus.sf.net/ 可以找到另一个相对陈旧的 MATLAB/NumPy 相关信息。

可以在 主题软件页面 中找到用于使用 Python 进行科学工作的工具的详尽列表。

请查看 Python 软件列表:脚本语言 获取使用 Python 作为脚本语言的软件列表。

MATLAB® 和 SimuLink® 是 The MathWorks, Inc. 的注册商标。

NumPy 特性

原文:numpy.org/numpy-tutorials/features.html

一系列与内置 NumPy 功能相关的笔记。

  • n 维数组上的线性代数
  • 保存和分享您的 NumPy 数组
  • 掩码数组

NumPy 如何操作

原文:numpy.org/doc/1.26/user/howtos_index.html

这些文档旨在提供使用 NumPy 执行常见任务的方法。有关包中包含的函数和类的详细参考文档,请参见 API 参考。

  • 如何编写 NumPy 操作指南
  • 读取和写入文件
  • 如何索引 ndarrays
  • 验证 NumPy 中的错误和 bug 修复
  • 如何创建具有等距数值的数组

高级用法和互操作性

从源码编译

原文:numpy.org/doc/1.26/user/building.html

在本地计算机上构建可以完全控制构建选项。如果你是一名熟悉使用命令行的 MacOS 或 Linux 用户,则可以继续按照下面的说明构建 NumPy。

注意

如果要构建用于开发目的的 NumPy,请参阅 Setting up and using your development environment 获取更多信息。

先决条件

编译 NumPy 需要已安装以下软件:

  1. Python 3.9.x 或更高版本
    请注意,还需要安装 Python 开发头文件,例如,在 Debian/Ubuntu 上需要同时安装 python3python3-dev。在 Windows 和 macOS 上通常不会出现此问题。
  2. 编译器
    NumPy 的很大一部分是用 C 和 C++ 编写的。你需要一个符合 C99 标准的 C 编译器,以及一个符合 C++17 标准的 C++ 编译器。
    尽管构建 NumPy 不需要 FORTRAN 77 编译器,在运行 numpy.f2py 测试时需要它。如果未自动检测到编译器,则会跳过这些测试。
    注意,NumPy 主要是使用 GNU 编译器进行开发,并在 MSVC 和 Clang 编译器上进行测试。像 Intel、Absoft、Sun、NAG、Compaq、Vast、Portland、Lahey、HP、IBM 等其他供应商的编译器仅以社区反馈的形式提供支持,并不保证可以直接使用。推荐使用 GCC 6.5(或更高版本)编译器。在 ARM64(aarch64)上推荐使用 GCC 8.x(或更高版本)。
  3. 线性代数库
    NumPy 不需要安装任何外部线性代数库。然而,如果这些库可用,NumPy 的设置脚本可以检测到并用于构建。可以使用多种不同的 LAPACK 库设置,包括优化的 LAPACK 库,如 OpenBLAS 或 MKL。这些库的选择和位置以及包含路径和其他构建选项可以在 .pc 文件中指定,如 BLAS 和 LAPACK 中所述。
  4. Cython
    构建 NumPy 需要一个较新版本的 Cython。
  5. NumPy 源代码
    按照 Contributing to NumPy 中的说明,克隆仓库。

注意

从版本 1.26 开始,NumPy 将采用 Meson 作为构建系统(详见 Status of numpy.distutils and migration advice 和 Understanding Meson)。

基本安装

要从本地源代码构建和安装 NumPy,请运行:

pip install . 

这将安装所有构建依赖项,并使用 Meson 编译和安装 NumPy 的 C 扩展和 Python 模块。如果需要对构建选项和命令有更多控制,请参阅以下各节。

要执行可以从源文件夹运行的就地构建,请运行:

pip install -r build_requirements.txt
pip install -e . --no-build-isolation 

注意:有关在 NumPy 本身上进行开发工作的构建说明,请参阅 设置和使用开发环境。

使用 Meson 进行高级构建

Meson 支持标准环境变量CCCXXFC来选择特定的 C、C++和/或 Fortran 编译器。这些环境变量在Meson 文档中的参考表中有文档说明。

请注意,环境变量仅在干净构建时应用,因为它们影响配置阶段(即 meson setup)。增量重建不会对环境变量的更改做出反应-您必须运行git clean -xdf并进行完全重建,或运行meson setup --reconfigure

更多选项,包括选择编译器、设置自定义编译器标志和控制并行性,请参阅编译器选择和自定义构建(来自 SciPy 文档)和Meson FAQ

测试

确保测试你的构建。为了确保一切都正常,查看所有测试是否通过。

测试套件需要额外的依赖项,可以通过以下方式轻松安装:

python -m pip install -r test_requirements.txt 

运行完整的测试套件:

cd ..  # avoid picking up the source tree
pytest --pyargs numpy 

有关测试的详细信息,请参阅测试构建。

加速 BLAS/LAPACK 库

NumPy 搜索优化的线性代数库,例如 BLAS 和 LAPACK。搜索这些库有特定的顺序,如下所述和meson_options.txt文件中描述。

交叉编译

对于交叉编译指令,请参阅交叉编译和 Meson 文档。

先决条件

构建 NumPy 需要安装以下软件:

  1. Python 3.9.x 或更新版本
    请注意,还需要安装 Python 开发头文件,例如,在 Debian/Ubuntu 上需要同时安装python3python3-dev。在 Windows 和 macOS 上,这通常不是问题。
  2. 编译器
    NumPy 的大部分代码是用 C 和 C++编写的。您需要一个符合 C99 标准的 C 编译器,以及一个符合 C++17 标准的 C++编译器。
    虽然构建 NumPy 不需要 FORTRAN 77 编译器,但运行numpy.f2py测试需要。如果编译器没有被自动检测到,则这些测试会被跳过。
    请注意,NumPy 主要是使用 GNU 编译器开发并在 MSVC 和 Clang 编译器上进行测试。来自其他供应商的编译器(如 Intel、Absoft、Sun、NAG、Compaq、Vast、Portland、Lahey、HP、IBM)仅通过社区反馈的形式支持,并且可能无法直接使用。推荐使用 GCC 6.5(及更高版本)编译器。在 ARM64(aarch64)上,推荐使用 GCC 8.x(及更高版本)。
  3. 线性代数库
    NumPy 不需要安装任何外部线性代数库。但是,如果这些库可用,NumPy 的设置脚本可以检测到并用于构建。可以使用多种不同的 LAPACK 库设置,包括经过优化的 LAPACK 库,如 OpenBLAS 或 MKL。这些库的选择和位置以及包含路径等构建选项可以在 .pc 文件中指定,如 BLAS 和 LAPACK 中所述。
  4. Cython
    要构建 NumPy,您需要一个较新版本的 Cython。
  5. NumPy 源代码
    按照 为 NumPy 做出贡献 中的说明克隆存储库。

注意

从版本 1.26 开始,NumPy 将采用 Meson 作为其构建系统(请参阅 numpy.distutils 的状态和迁移建议 和 理解 Meson 了解更多细节)。

基本安装

要从源代码的本地副本构建并安装 NumPy,请运行:

pip install . 

这将安装所有构建依赖项并使用 Meson 编译并安装 NumPy 的 C 扩展和 Python 模块。如果您需要更多控制构建选项和命令,请参见以下章节。

要执行可以从源文件夹运行的原地构建,请运行:

pip install -r build_requirements.txt
pip install -e . --no-build-isolation 

注意:有关在 NumPy 上进行开发工作的构建说明,请参阅 配置和使用开发环境。

使用 Meson 进行高级构建

Meson 支持标准环境变量 CCCXXFC 以选择特定的 C、C++ 和/或 Fortran 编译器。这些环境变量在 Meson 文档中的参考表中 有文档记录。

请注意,环境变量只会在干净构建时生效,因为它们会影响配置阶段(即,meson 设置)。增量重建不会对环境变量的更改做出反应-您必须运行 git clean -xdf 并进行完整重建,或运行 meson setup --reconfigure

更多选项包括选择编译器、设置自定义编译器标志和控制并行性,请参阅编译器选择和自定义构建(来自 SciPy 文档)和the Meson FAQ

使用 Meson 进行高级构建

Meson 支持标准环境变量CCCXXFC来选择特定的 C、C++和/或 Fortran 编译器。这些环境变量在Meson 文档中的参考表中有文档。

请注意,只有在干净的构建过程中,环境变量才会得到应用,因为它们影响配置阶段(即 meson setup)。增量重新构建不会对环境变量的更改作出反应-您必须运行git clean -xdf并进行全面重建,或者运行meson setup --reconfigure

更多选项包括选择编译器、设置自定义编译器标志和控制并行性,请参阅编译器选择和自定义构建(来自 SciPy 文档)和the Meson FAQ

测试

确保测试您的构建。为了确保一切正常,请检查所有测试是否通过。

测试套件需要额外的依赖项,可以通过以下命令轻松安装:

python -m pip install -r test_requirements.txt 

运行完整的测试套件:

cd ..  # avoid picking up the source tree
pytest --pyargs numpy 

有关测试的详细信息,请参阅测试构建。

加速 BLAS/LAPACK 库

NumPy 搜索优化的线性代数库,如 BLAS 和 LAPACK。有特定的搜索这些库的顺序,如下所述和meson_options.txt文件中描述的。

交叉编译

如需交叉编译说明,请参阅交叉编译和 Meson 文档。

NumPy 1.26 中文官方指南(三)(3)https://developer.aliyun.com/article/1510618

相关文章
|
6月前
|
Python
NumPy 1.26 中文官方指南(五)
NumPy 1.26 中文官方指南(五)
48 1
|
6月前
|
BI 索引 Python
NumPy 1.26 中文官方指南(一)(2)
NumPy 1.26 中文官方指南(一)
80 1
NumPy 1.26 中文官方指南(一)(2)
|
6月前
|
索引 Python
NumPy 1.26 中文官方指南(一)(4)
NumPy 1.26 中文官方指南(一)
61 1
|
6月前
|
存储 BI 索引
NumPy 1.26 中文官方指南(一)(3)
NumPy 1.26 中文官方指南(一)
44 1
|
6月前
|
存储 程序员 BI
NumPy 1.26 中文官方指南(一)(1)
NumPy 1.26 中文官方指南(一)
65 1
|
6月前
|
存储 程序员 API
NumPy 1.26 中文官方指南(四)(1)
NumPy 1.26 中文官方指南(四)
46 1
|
6月前
|
并行计算 PyTorch 算法框架/工具
NumPy 1.26 中文官方指南(三)(4)
NumPy 1.26 中文官方指南(三)
84 1
|
6月前
|
存储 数据建模 索引
NumPy 1.26 中文官方指南(三)(1)
NumPy 1.26 中文官方指南(三)
79 1
|
6月前
|
机器学习/深度学习 存储 数据可视化
NumPy 1.26 中文官方指南(二)(4)
NumPy 1.26 中文官方指南(二)
80 1
|
6月前
|
存储 数据可视化 数据挖掘
NumPy 1.26 中文官方指南(二)(2)
NumPy 1.26 中文官方指南(二)
91 0

相关实验场景

更多