El único prerrequisito para instalar NumPy es Python. Si aún no tienes Python y quieres la forma más sencilla de comenzar, te recomendamos que uses la Distribución Anaconda - incluye Python, NumPy y muchos otros paquetes comúnmente utilizados para la computación científica y la ciencia de datos.

NumPy se puede instalar con conda, con pip, con un gestor de paquetes en macOS y Linux, o a partir del código fuente. Para instrucciones más detalladas, consulte nuestra guía de instalación de Python y NumPy a continuación.

CONDA

Si utiliza conda, puede instalar NumPy desde los canales defaults o conda-forge:

# La mejor práctica, utilizar un entorno en lugar de instalar en el entorno base
conda create -n my-env
conda activate my-env
# Si desea instalar desde conda-forge
conda config --env --add channels conda-forge
# El comando de instalación
conda install numpy

PIP

Si utiliza pip, puede instalar NumPy con:

pip install numpy

También al utilizar pip, es buena práctica utilizar un entorno virtual - vea Instalaciones Reproducibles a continuación para saber por qué, y esta guía para más detalles sobre el uso de entornos virtuales.

Guía de instalación de Python y NumPy#

Instalar y administrar paquetes en Python es complicado, hay un número de soluciones alternativas para la mayoría de tareas. Esta guía intenta dar al lector una idea de las mejores (o más populares) soluciones y dar recomendaciones claras. Se enfoca en los usuarios de Python, NumPy y del stack de PyData (o computación numérica) en sistemas operativos y hardware comunes.

Recomendaciones#

Empezaremos con recomendaciones basadas en el nivel de experiencia del usuario y el sistema operativo de interés. Si se encuentra entre “principiante” y “avanzado”, por favor diríjase a “principiante” si quiere mantener las cosas simples, y a “avanzado” si quiere trabajar de acuerdo a las mejores prácticas que le servirán de mucho en el futuro.

Usuarios principiantes#

Tanto en Windows, macOS y Linux:

• Instale Anaconda (esto instala todos los paquetes que necesita y todas las demás herramientas mencionadas a continuación).
• Para escribir y ejecutar código, utilice notebooks en JupyterLab para computación exploratoria e interactiva, y Spyder o Visual Studio Code para escribir scripts y paquetes.
• Utilice Anaconda Navigator para administrar sus paquetes e iniciar JupyterLab, Spyder o Visual Studio Code.

Usuarios avanzados#

Conda#

• Instale Miniforge.
• Mantenga el entorno conda base mínimo, y utilice uno o más entornos conda para instalar el paquete que necesite para la tarea o proyecto en que está trabajando.

Alternativa si prefiere pip/PyPI#

Para usuarios que conocen, por preferencia personal o leyendo acerca de las diferencias principales entre conda y pip a continuación, y prefieren una solución basada en pip/PyPI, recomendamos:

• Instalar Python desde python.org, Homebrew o su administrador de paquetes Linux.
• Utilice Poetry como la herramienta mejor mantenida que proporciona una resolución de dependencias y capacidades de administración de entornos de forma similar a la que lo hace conda.

Gestión de paquetes de Python#

La gestión de los paquetes es un problema desafiante y, como resultado, hay muchas herramientas. Para desarrollo web y de propósito general en Python existe un completo conjunto de herramientas complementario a pip. Para computación de alto rendimiento (HPC), Spack amerita ser considerado. Sin embargo, para la mayoría de usuarios de NumPy, conda y pip son las dos herramientas más populares.

Pip & conda#

Las dos herramientas principales que instalan paquetes de Python son pip y conda. Sus funcionalidades se traslapan parcialmente (por ejemplo, ambas pueden instalar numpy); no obstante, también pueden trabajar conjuntamente. Discutiremos las principales diferencias entre pip y conda aquí - esto es importante comprenderlo si usted desea gestionar paquetes de manera efectiva.

La primera diferencia radica en que conda es multi-lenguaje y puede instalar Python, mientras que pip es instalado para una versión particular de Python en su sistema e instala paquetes para esa misma versión de Python solamente. Esto también significa que conda puede instalar librerías que no sean de Python y herramientas que usted pueda necesitar (por ejemplo, compiladores, CUDA, HDF5), mientras que pip no.

La segunda diferencia es que pip instala desde el Índice de Empaquetado de Python (PyPI - Python Packaging Index), mientras que conda instala desde sus propios canales (típicamente “defaults” o “conda-forge”). PyPI es, de lejos, la colección de paquetes más grande; sin embargo, todos los paquetes populares están también disponibles para conda.

La tercera diferencia consiste en que conda es una solución integrada para gestionar paquetes, dependencias y entornos; mientras que con pip, usted podría necesitar otra herramienta (hay muchas!) para manejar entornos o dependencias complejas.

Instalaciones reproducibles#

En la medida en que las librerías son actualizadas, los resultados al correr su código pueden cambiar, o su código puede fallar por completo. Es importante que sea capaz de reconstruir el conjunto de paquetes y versiones que usted está utilizando. La mejor práctica es:

1. usar un entorno diferente por cada proyecto en el cual usted esté trabajando,
2. almacenar los nombres de paquetes y versiones utilizando su instalador de paquetes, cada uno de los cuales tiene su propio formato de metadata para esto:
   • Conda: entornos conda y environment.yml
   • Pip: entornos virtuales y requirements.txt
   • Poetry: entornos virtuales y pyproject.toml

Paquetes NumPy & librerías de álgebra lineal aceleradas#

NumPy no depende de ningún otro paquete de Python; sin embargo, sí depende de una librería de álgebra lineal acelerada - típicamente Intel MKL u OpenBLAS. Los usuarios no tienen que preocuparse por instalar éstas (se incluyen automáticamente en todos los métodos de instalación de NumPy). Los usuarios avanzados podrían querer, de todas maneras, conocer los detalles, ya que la utilización BLAS puede afectar el desempeño, comportamiento y tamaño en disco:

• Las ruedas NumPy en PyPI, que son los que pip instala, están construidas con OpenBLAS. Las librerías de OpenBLAS están incluidas en la rueda. Esto vuelve a la rueda más grande, y si un usuario instala (por ejemplo) SciPy también, tendrá dos copias de OpenBLAS en disco.

• En el canal defaults o predeterminado de conda, NumPy está basado en Intel MKL. MKL es un paquete separado que se instalará en el entorno de usuario al instalar NumPy.

• En el canal conda-forge, Numpy está basado en un paquete “BLAS” ficticio o dummy. Cuando un usuario instala NumPy desde conda-forge, ese paquete BLAS es instalado junto con la librería - éste por defecto es OpenBLAS, pero también puede ser MKL (desde el canal defaults o predeterminado), o incluso BLIS o referencia BLAS.

• El paquete MKL es mucho más grande que OpenBLAS, de alrededor de 700 MB en disco, mientras que OpenBLAS es aproximadamente de 30MB.

• MKL es normalmente un poco más rápido y más robusto que OpenBLAS.

Además del tamaño de instalación, desempeño y robustez, hay dos aspectos más a considerar:

• Intel MKL no es de código abierto. Para uso normal esto no es un problema, pero si un usuario necesita redistribuir una aplicación construida con NumPy, esto podría ser un inconveniente.
• MKL y OpenBLAS utilizan funciones multihilo como np.dot, siendo el número de hilos determinado tanto por una opción de tiempo de compilación como por una variable de entorno. Todos los núcleos de la CPU usualmente serán utilizados. Esto es en ocasiones inesperado para los usuarios. NumPy en sí mismo no paraleliza automáticamente ninguna llamada a función. Normalmente produce un mejor rendimiento, pero también puede ser perjudicial - por ejemplo cuando se utiliza otro nivel de paralelización con Dask, el aprendizaje de la ciencia o multiprocesamiento.

Resolución de problemas#

Si su instalación falla con el siguiente mensaje, revise el siguiente enlace Resolución de problemas ImportError.

¡IMPORTANTE: POR FAVOR LEA ESTO COMO SUGERENCIA PARA RESOLVER ESTE PROBLEMA!

La importación de las extensiones-c de numpy falló. Este error puede ocurrir por varias razones, siendo frecuente debido a problemas con su configuración.