Installazione del pacchetto NumPy

Compresi i vantaggi di NumPy e il motivo per cui questa libreria è il mattone fondamentale per tutte le librerie e framework di analisi dati ed elaborazione numerica, in questa lezione:

• vedremo come installare questa libreria sul nostro sistema operativo;
• analizzeremo brevemente le piattaforme Anaconda, Google Colab e Kaggle e i relativi vantaggi per iniziare a lavorare con NumPy.

Prerequisiti

L’unico vero prerequisito per installare NumPy sulla propria macchina è Python.

Python è generalmente pre-installato nelle sue versioni 2.7.x e 3.x su tutti i sistemi operativi unix-like, come macOS e Linux.

Su Windows, invece, è necessario installarlo manualmente attraverso l’installer ufficiale o attraverso il Microsoft Store di Windows 10. In alternativa, è possibile utilizzare Anaconda come descritto più avanti in questa lezione.

Per verificare l’installazione di Python basta eseguire il seguente comando.

python --version

In questa guida utilizzeremo Python3 e quindi installeremo NumPy per questa versione del linguaggio potendo sfruttare tutti i benefici derivanti dalle sue ultime versioni.

La gestione dei pacchetti Python

I due principali tool per l’installazione dei pacchetti Python sono pip e conda. I due gestori di pacchetti hanno diverse funzionalità in comune, come:

• la possibilità di installare pacchetti come NumPy;
• rendere le installazioni riproducibili tramite l’utilizzo di un conda/virtual environment.

I due tool differiscono sotto aspetti pratici, come ad esempio il fatto che:

• conda è un gestore di pacchetti cross-language e può installare anche librerie che non sono specifiche per Python, come CUDA e HDF5, mentre pip non può farlo;
• pip installa pacchetti forniti da Python Packaging Index (PyPI), mentre conda li può installare da diversi canali come defaults o conda-forge;
• rispetto a conda che va installato manualmente, pip è preinstallato con Python 2 (2.7.9 o superiori) e Python 3 (3.4 o superiori).

Quale utilizzare tra i due dipende come sempre dallo scopo del progetto. Ai fini di questa guida, entrambi i gestori di pacchetti vanno bene perché permettono di installare il pacchetto di NumPy.

Vediamo adesso come installare il pacchetto NumPy tramite conda e pip in un ambiente isolato, ossia in un virtual environment, al fine di mantenere pulito il nostro ambiente di sviluppo e di permettere la riproducibilità degli script e dei programmi Python.

Installazione tramite conda

Per creare un nuovo conda environment eseguiamo da terminale il comando

conda create -n my-env

Creato il conda environment my-env attiviamolo per poter procedere con l’installazione

conda activate my-env

Se si desidera installare numpy dal canale conda-forge eseguire il seguente comando

conda config --env --add channels conda-forge

Effettuiamo a questo punto l’installazione tramite il comando

conda install numpy

Terminata l’installazione siamo pronti a utilizzare NumPy.

Per verificare che l’installazione sia andata a buon fine, nella stessa finestra del terminale in cui abbiamo installato NumPy e attivato l’environment my-env, eseguiamo il comando

python3

per avviare una nuova console Python. A questo punto importiamo il modulo numpy e verifichiamo la versione di NumPy installata.

import numpy
numpy.version.version

L’output che otterremo sarà il seguente

'1.19.0'

Installazione tramite pip3

Per creare un nuovo virtual environment eseguiamo da terminale il comando

python3 -m venv venv

dove con l’opzione -m venv stiamo dicendo che vogliamo usare il modulo venv preinstallato di Python per creare il virtual environment, che chiameremo venv per convenzione.

Creato il virtual environment venv, attiviamolo per poter procedere con l’installazione. Dalla cartella corrente in cui abbiamo creato il venv, eseguiamo il comando:

source venv/bin/activate

Effettuiamo a questo punto l’installazione tramite il comando

pip3 install numpy

Analogamente a quanto fatto per conda, è possibile verificare la versione del pacchetto numpy installata eseguendo i medesimi passi illustrati prima.

NumPy su Anaconda, Google Colab e Kaggle

Come anticipato, in questa guida faremo uso di Jupyter notebook, un’applicazione web con una classica struttura client-server, che rappresenta uno degli strumenti fondamentali di un qualsiasi Data Scientist/Analyst e ML Engineer.

Se non si dispone già di un ambiente configurato con l’applicazione Jupyter notebook e di un relativo virtual environment in cui installare la libreria NumPy come abbiamo visto in precedenza, è possibile utilizzare una delle seguenti piattaforme.

Strumento	web/locale	Descrizione
Anaconda	locale	Anaconda è la piattaforma cross-platform di analisi dati e machine learning (ML) più popolare al mondo e supporta i linguaggi di programmazione Python e R per il calcolo scientifico. La piattaforma mira a semplificare la gestione e la distribuzione delle librerie per il calcolo scientifico, oltre 1500, includendo nel pacchetto di installazione tutti i pacchetti e librerie di base di data science adatti per Windows, Linux e macOS. Nel pacchetto di installazione sono inoltre già inclusi e pronti all’uso diversi ambienti per sviluppare, tra cui ritroviamo Jupyter Notebook, Jupyeter Lab (una variante molto utilizzata del primo) e R Studio.
Google Colab	web	è la piattaforma realizzata da Google per creare ed eseguire i nostri notebook direttamente sul Cloud. Di default Google Colab è già integrato all’interno della propria suite di Google Drive e offre un insieme di librerie e pacchetti di data science e ML preinstallati, oltre alla possibilità di far girare il proprio codice su CPU, GPU e TPU.
Kaggle	web	è la più nota piattaforma di competizioni in ambito data science e ML, e mette a disposizione dei propri utenti iscritti un workspace dove fare i propri esperimenti tramite la l'implementazione dei notebook offerta da Kaggle che come per Google Colab possono essere eseguiti su CPU, GPU e TPU. Kaggle include di default i pacchetti base per il calcolo scientifico e permette di installare nuove librerie e pacchetti.

Il vantaggio di usare una delle suddette piattaforme risiede nel poter iniziare fin da subito a sperimentare e a lavorare con librerie di data science come NumPy, senza doversi preoccupare, in un primo momento, di come installarle e di quale IDE utilizzare per i propri esperimenti.

Si consiglia quindi, prima di proseguire in questa guida, di valutare l’utilizzo di una di esse.