Как узнать версию numpy
Перейти к содержимому

Как узнать версию numpy

  • автор:

Как проверить, какую версию NumPy я использую?

Как я могу проверить, какую версию NumPy я использую?

Поделиться Источник 05 октября 2009 в 13:56

17 ответов

import numpy numpy.version.version 

Поделиться 05 октября 2009 в 14:02

import numpy print(numpy.__version__) 

Поделиться 05 октября 2009 в 14:01

Из командной строки вы можете просто выдать:

python -c "import numpy; print(numpy.version.version)" 
python -c "import numpy; print(numpy.__version__)" 

Поделиться 24 декабря 2009 в 12:10

pip list 

Должен сгенерировать список пакетов. Прокрутите до numpy.

. nbpresent (3.0.2) networkx (1.11) nltk (3.2.2) nose (1.3.7) notebook (5.0.0) numba (0.32.0+0.g139e4c6.dirty) numexpr (2.6.2) numpy (1.11.3)  

Поделиться 09 мая 2017 в 05:59

Вы также можете проверить, использует ли ваша версия MKL с помощью:

import numpy numpy.show_config() 

Поделиться 03 июня 2013 в 19:40

Вы можете попробовать это:

Поделиться 20 сентября 2017 в 19:47

Мы можем использовать pip freeze для получения любой версии пакета Python без открытия оболочки Python.

pip freeze | grep 'numpy' 

Поделиться 02 ноября 2015 в 02:06

Если вы используете NumPy из дистрибутива Anaconda , то вы можете просто сделать:

$ conda list | grep numpy numpy 1.11.3 py35_0 

Это также дает версию Python .

Если вам нужно что-то интересное, то используйте numexpr

Он дает много информации, как вы можете видеть ниже:

In [692]: import numexpr In [693]: numexpr.print_versions() -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Numexpr version: 2.6.2 NumPy version: 1.13.3 Python version: 3.6.3 |Anaconda custom (64-bit)| (default, Oct 13 2017, 12:02:49) [GCC 7.2.0] Platform: linux-x86_64 AMD/Intel CPU? True VML available? False Number of threads used by default: 8 (out of 48 detected cores) -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= 

Поделиться 20 февраля 2017 в 21:52

pip show numpy 
pip3 show numpy 

Работает как на Windows, так и на Linux. Должно работать и на Mac, если вы используете pip.

Поделиться 01 ноября 2020 в 18:53

Вы можете получить версию numpy с помощью терминала или кода Python.

В терминале (bash) с использованием Ubuntu:

pip list | grep numpy 

В python 3.6.7 этот код показывает версию numpy:

import numpy print (numpy.version.version) 

Если вы вставите этот код в файл shownumpy.py, вы можете скомпилировать его:

python shownumpy.py 
python3 shownumpy.py 

У меня есть такой вывод:

1.16.1 

Поделиться 22 февраля 2019 в 20:10

Просто небольшое изменение решения для проверки версии numpy с помощью Python,

import numpy as np print("Numpy Version:",np.__version__) 
import numpy as np print("Numpy Version:",np.version.version) 

Мои проекты в PyCharm в настоящее время работают на версии

1.17.4 

Поделиться 03 декабря 2019 в 01:35

import numpy print numpy.__version__ 

Поделиться 09 июля 2017 в 11:34

Для синтаксиса печати Python 3.X:

python -c "import numpy; print (numpy.version.version)" 
python -c "import numpy; print(numpy.__version__)" 

Поделиться 03 ноября 2015 в 01:51

В оболочке Python:

>>> help() help> numpy 

Поделиться 26 июля 2017 в 09:28

Для Windows

pip list | FINDSTR numpy 

Для Linux

pip list | grep numpy 

Поделиться 19 августа 2021 в 15:05

Чистая строка Python, которая может быть выполнена из терминала (как версии 2.X, так и 3.X):

python -c "import numpy; print(numpy.version.version)" 

Если вы уже находитесь внутри Python, то:

import numpy print(numpy.version.version) 

Поделиться 19 июля 2018 в 15:00

Хорошо знать версию numpy , которую вы запускаете, но строго говоря, если вам просто нужна определенная версия на вашей системе, вы можете написать так:

pip install numpy==1.14.3 и это установит необходимую вам версию и удалит другие версии numpy .

Проверить номер версии

Интересно, какую версию Aspose.Cells вы используете? Мы регулярно публикуем новые версии Aspose.Cells как для добавления новых функций, так и для устранения проблем. Номер версии состоит из основного номера версии, дополнительного номера версии и номера версии исправления. Каждое число должно быть целым числом от 0 и выше. Формат следующий:

Когда мы выпускаем новую сборку Aspose.Cells, мы обновляем номер версии.

В этой статье объясняется, как проверить, какая версия Aspose.Cells установлена в системе вручную и с помощью файла Aspose.Cells API.

Проверить номер версии вручную

Чтобы узнать, какую версию Aspose.Cells вы используете вручную:

  1. Щелкните правой кнопкой мыши файл Aspose.Cells.dll и выберитеХарактеристики.
  2. Щелкните вкладку Версия (или Сведения), чтобы проверить номер версии.

Проверьте номер версии, используя Aspose.Cells API

Чтобы узнать, какую версию Aspose.Cells вы используете через API, используйте статический метод GetVersion класса CellsHelper, чтобы получить номер версии Aspose.Cell.

NumPy в Python. Часть 1


Доброго времени суток, Хабр. Запускаю цикл статей, которые являются переводом небольшого мана по numpy, ссылочка. Приятного чтения.

Введение

NumPy это open-source модуль для python, который предоставляет общие математические и числовые операции в виде пре-скомпилированных, быстрых функций. Они объединяются в высокоуровневые пакеты. Они обеспечивают функционал, который можно сравнить с функционалом MatLab. NumPy (Numeric Python) предоставляет базовые методы для манипуляции с большими массивами и матрицами. SciPy (Scientific Python) расширяет функционал numpy огромной коллекцией полезных алгоритмов, таких как минимизация, преобразование Фурье, регрессия, и другие прикладные математические техники.

Установка

Если у вас есть Python(x, y) (Примечание переводчика: Python(x, y), это дистрибутив свободного научного и инженерного программного обеспечения для численных расчётов, анализа и визуализации данных на основе языка программирования Python и большого числа модулей (библиотек)) на платформе Windows, то вы готовы начинать. Если же нет, то после установки python, вам нужно установить пакеты самостоятельно, сначала NumPy потом SciPy. Установка доступна здесь. Следуйте установке на странице, там всё предельно понятно.

Немного дополнительной информации

Сообщество NumPy и SciPy поддерживает онлайн руководство, включающие гайды и туториалы, тут: docs.scipy.org/doc.

Импорт модуля numpy

Есть несколько путей импорта. Стандартный метод это — использовать простое выражение:

>>> import numpy

Тем не менее, для большого количества вызовов функций numpy, становится утомительно писать numpy.X снова и снова. Вместо этого намного легче сделать это так:

>>> import numpy as np

Это выражение позволяет нам получать доступ к numpy объектам используя np.X вместо numpy.X. Также можно импортировать numpy прямо в используемое пространство имен, чтобы вообще не использовать функции через точку, а вызывать их напрямую:

>>> from numpy import *

Однако, этот вариант не приветствуется в программировании на python, так как убирает некоторые полезные структуры, которые модуль предоставляет. До конца этого туториала мы будем использовать второй вариант импорта (import numpy as np).

Массивы

Главной особенностью numpy является объект array. Массивы схожи со списками в python, исключая тот факт, что элементы массива должны иметь одинаковый тип данных, как float и int. С массивами можно проводить числовые операции с большим объемом информации в разы быстрее и, главное, намного эффективнее чем со списками.

Создание массива из списка:

a = np.array([1, 4, 5, 8], float) >>> a array([ 1., 4., 5., 8.]) >>> type(a)

Здесь функция array принимает два аргумента: список для конвертации в массив и тип для каждого элемента. Ко всем элементам можно получить доступ и манипулировать ими так же, как вы бы это делали с обычными списками:

>>> a[:2] array([ 1., 4.]) >>> a[3] 8.0 >>> a[0] = 5. >>> a array([ 5., 4., 5., 8.])

Массивы могут быть и многомерными. В отличии от списков можно использовать запятые в скобках. Вот пример двумерного массива (матрица):

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> a array([[ 1., 2., 3.], [ 4., 5., 6.]]) >>> a[0,0] 1.0 >>> a[0,1] 2.0

Array slicing работает с многомерными массивами аналогично, как и с одномерными, применяя каждый срез, как фильтр для установленного измерения. Используйте ":" в измерении для указывания использования всех элементов этого измерения:

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> a[1,:] array([ 4., 5., 6.]) >>> a[:,2] array([ 3., 6.]) >>> a[-1:, -2:] array([[ 5., 6.]])

Метод shape возвращает количество строк и столбцов в матрице:

>>> a.shape (2, 3)

Метод dtype возвращает тип переменных, хранящихся в массиве:

>>> a.dtype dtype('float64')

Тут float64, это числовой тип данных в numpy, который используется для хранения вещественных чисел двойной точности. Так же как float в Python.

Метод len возвращает длину первого измерения (оси):

a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> len(a) 2

Метод in используется для проверки на наличие элемента в массиве:

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> 2 in a True >>> 0 in a False

Массивы можно переформировать при помощи метода, который задает новый многомерный массив. Следуя следующему примеру, мы переформатируем одномерный массив из десяти элементов во двумерный массив, состоящий из пяти строк и двух столбцов:

>>> a = np.array(range(10), float) >>> a array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9.]) >>> a = a.reshape((5, 2)) >>> a array([[ 0., 1.], [ 2., 3.], [ 4., 5.], [ 6., 7.], [ 8., 9.]]) >>> a.shape (5, 2)

Обратите внимание, метод reshape создает новый массив, а не модифицирует оригинальный.

Имейте ввиду, связывание имен в python работает и с массивами. Метод copy используется для создания копии существующего массива в памяти:

>>> a = np.array([1, 2, 3], float) >>> b = a >>> c = a.copy() >>> a[0] = 0 >>> a array([0., 2., 3.]) >>> b array([0., 2., 3.]) >>> c array([1., 2., 3.])

Списки можно тоже создавать с массивов:

>>> a = np.array([1, 2, 3], float) >>> a.tolist() [1.0, 2.0, 3.0] >>> list(a) [1.0, 2.0, 3.0]

Можно также переконвертировать массив в бинарную строку (то есть, не human-readable форму). Используйте метод tostring для этого. Метод fromstring работает в для обратного преобразования. Эти операции иногда полезны для сохранения большого количества данных в файлах, которые могут быть считаны в будущем.

>>> a = array([1, 2, 3], float) >>> s = a.tostring() >>> s '\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\x00@\x00\x00\x00\x00\x00\x00\x08@' >>> np.fromstring(s) array([ 1., 2., 3.])

Заполнение массива одинаковым значением.

>>> a = array([1, 2, 3], float) >>> a array([ 1., 2., 3.]) >>> a.fill(0) >>> a array([ 0., 0., 0.])

Транспонирование массивов также возможно, при этом создается новый массив:

>>> a = np.array(range(6), float).reshape((2, 3)) >>> a array([[ 0., 1., 2.], [ 3., 4., 5.]]) >>> a.transpose() array([[ 0., 3.], [ 1., 4.], [ 2., 5.]])

Многомерный массив можно переконвертировать в одномерный при помощи метода flatten:

>>> a = np.array([[1, 2, 3], [4, 5, 6]], float) >>> a array([[ 1., 2., 3.], [ 4., 5., 6.]]) >>> a.flatten() array([ 1., 2., 3., 4., 5., 6.]) 

Два или больше массивов можно сконкатенировать при помощи метода concatenate:

>>> a = np.array([1,2], float) >>> b = np.array([3,4,5,6], float) >>> c = np.array([7,8,9], float) >>> np.concatenate((a, b, c)) array([1., 2., 3., 4., 5., 6., 7., 8., 9.])

Если массив не одномерный, можно задать ось, по которой будет происходить соединение. По умолчанию (не задавая значения оси), соединение будет происходить по первому измерению:

>>> a = np.array([[1, 2], [3, 4]], float) >>> b = np.array([[5, 6], [7,8]], float) >>> np.concatenate((a,b)) array([[ 1., 2.], [ 3., 4.], [ 5., 6.], [ 7., 8.]]) >>> np.concatenate((a,b), axis=0) array([[ 1., 2.], [ 3., 4.], [ 5., 6.], [ 7., 8.]]) >>> np.concatenate((a,b), axis=1) array([[ 1., 2., 5., 6.], [ 3., 4., 7., 8.]])

В заключении, размерность массива может быть увеличена при использовании константы newaxis в квадратных скобках:

>>> a = np.array([1, 2, 3], float) >>> a array([1., 2., 3.]) >>> a[:,np.newaxis] array([[ 1.], [ 2.], [ 3.]]) >>> a[:,np.newaxis].shape (3,1) >>> b[np.newaxis,:] array([[ 1., 2., 3.]]) >>> b[np.newaxis,:].shape (1,3)

Заметьте, тут каждый массив двумерный; созданный при помощи newaxis имеет размерность один. Метод newaxis подходит для удобного создания надлежаще-мерных массивов в векторной и матричной математике.

На этом у нас конец первой части перевода. Спасибо за внимание.

Python 3: Как узнать версию библиотеки Pandas, Numpy

Вариант 1. Узнаем версию библиотеки в скрипте Python

Для того, чтобы узнать версию библиотеки, необходимо вбить следующую команду (например для Pandas):

import pandas as pd print (pd.__version__)

Пример для Numpy:

import numpy as np print (np.__version__)

Вариант 2. Проверить с помощью pip менеджера пакетов

С помощью менеджера пакетов pip можно проверить версию установленных библиотек, для этого используются команды:

  • pip list
  • pip freeze
  • pip show pandas

pip list

Выведет список установленных пакетов, включая редактируемые.

Пишем в консоли команду:

pip list

Результат:

pip freeze

Выводит установленные пакеты, которые ВЫ установили с помощью команды pip (или pipenv при ее использовании) в формате требований.

Вы можете запустить: pip freeze > requirements.txt на одной машине, а затем на другой машине (в чистой среде) произвести инсталляцию пакетов: pip install -r requirements.txt .

Таким образом вы получите идентичную среду с точно такими же установленными зависимостями, как и в исходной среде, в которой вы сгенерировал файл requirements.txt.

Результат:

pip show

Выводит информацию об одном или нескольких установленных пакетах.

Пример:

pip show pandas

Результат:

Anaconda — conda list

Если вы используете Anaconda, то вы можете проверить список установленных пакетов в активной среде с помощью команды conda list .

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *