一、pip 装的到底是什么

pip install numpy 做的事：查 PyPI 上 numpy 的可用版本 → 挑一个和当前 Python 版本、 当前系统匹配的 wheel → 下载 → 解压到 Lib\site-packages → 把依赖也装上。 wheel 是预编译好的二进制包（.whl），装了就能用； 没有对应 wheel 时 pip 会下源码包（.tar.gz）当场编译，这时候才需要编译器。 Windows 上「装不上」十次有八次是后者：某个包没给 Windows 的 wheel， pip 想编译又找不到 Visual C++ 的编译工具，报一大堆红字。 先看 python -m pip install 包名 的最后三行，那里写着到底缺什么。 报「Microsoft Visual C++ 14.0 required」就是缺编译器； 报「Could not find a version」就是没网或包名错。

二、Anaconda 什么时候用

Anaconda 是一个打包好的发行版：Python 加几百个科学计算包（numpy、scipy、matplotlib、pandas、 scikit-learn、Jupyter……），一次装完。 好处是开箱即用，那些在 Windows 上编译麻烦的包，它给的是编好的二进制。 代价是体积大（几个 G），而且它有自己的包管理器 conda。 conda 和 pip 不要混着用在同一环境里。原因是 conda 只认自己装的包，pip 装的它不知道； 两者对依赖的解析逻辑也不同，混着装最容易被搞成一个谁也升不动的环境。 本书的做法：不装 Anaconda，需要什么 pip 装什么。这样环境里有什么一目了然。

三、版本约束与依赖树

numpy==2.5.2 是死锁，numpy>=2.0 是下限，numpy>=1.20,<3 是区间。 写死版本最稳，但也最容易和别人冲突。 依赖树长这样：matplotlib 要求 contourpy>=1.0.1、cycler>=0.10、fonttools>=4.28.2、 kiwisolver>=1.3.1……你只装了一个 matplotlib，结果多出十来个包，因为它们各自还要自己的依赖。 冲突的典型样子：A 要 numpy<2，B 要 numpy>=2，两个都要装， pip 会挑一个然后把另一个的约束降级警告打出来。 看到警告别忽略，那通常是后面莫名其妙的运行错误的源头。

四、四类失败与对应查法

最后一行那种错最常见，也最好查： 先确认你 pip 用的解释器和跑代码用的解释器是同一个。两个不一致，装多少次都没用。 统一写法可以避免九成麻烦：python -m pip install xxx， 少用裸的 pip——pip 这个名字可能指向另一个环境的脚本。

五、动手 Demo：装了没有、够不够版本、为什么装不上

用 importlib.metadata 读当前环境的包清单和版本， 再用 packaging 把「numpy>=2.0」这种要求解析成可判断的对象，逐条核对。 最后故意 import 一个没有的包，看真实报错长什么样。

import importlib.metadata as md
from packaging.requirements import Requirement
from packaging.version import Version

for spec in ("numpy>=2.0", "matplotlib>=3.5", "tensorflow>=2.0"):
    r = Requirement(spec)
    try:
        cur = md.version(r.name)
        ok = r.specifier.contains(Version(cur), prereleases=True)
        print(spec, cur, ok)
    except md.PackageNotFoundError:
        print(spec, "没装")

print(md.requires("matplotlib"))      # 它自己要的那些包

实跑输出：

--------------------------------------------------------------------
函式库的安装～Windows 篇～：装了没有、够不够版本
--------------------------------------------------------------------

  这台机器上有 90 个已安装的包。按名字排序，前 8 个是：

  包名                  版本
  ----------------------------------
  Markdown              3.10.3
  PyPDF2                3.0.1
  PySDL2                0.9.17
  PyYAML                6.0.3
  Pygments              2.21.0
  anyio                 4.15.1
  av                    18.1.0
  bitarray              3.11.0

  装库最常遇到的三个问题，一个一个查：

  要求                  当前版本    结论
  ----------------------------------------------
  numpy>=2.0            2.5.2       满足
  matplotlib>=3.5       3.11.1      满足
  tensorflow>=2.0       没装        缺这个包
  keras>=2.0            没装        缺这个包

  **第一行第二行是「装了且够新」，第三行第四行是「压根没装」。**
  深度学习框架就卡在这两类问题上：要么没装，要么装的版本和别的库打架。

  真去装一个没有的包，报错长这样（这里是故意触发的）：

  ModuleNotFoundError: No module named 'tensorflow'

  **看到这行别急着重装整个环境。**先问三件事：包名拼对了吗、
  这个包里有没有子模块（numpy.core 之类）、当前解释器是不是你以为的那个。
  第三件事最常见——开了两个环境，装的装到另一个去了。

  最后看一眼依赖长什么样，以 matplotlib 为例，它自己列了这些要求：

    contourpy>=1.0.1
    cycler>=0.10
    fonttools>=4.28.2
    kiwisolver>=1.3.1
  ……共 9 条。**你装一个库，pip 会顺着这张单子把它要的也装上**，
  所以「装一个」的结果常常是「多出五六个」——这就是依赖树。

90 个包，numpy 2.5.2、matplotlib 3.11.1 都满足要求；tensorflow 和 keras 直接是「没装」。 这台机器装不了深度学习框架，所以本书第 3 章之后，凡是书里用 Keras 写的，正文都标成「教材原码」， 实跑一律换成 numpy 手写。 ModuleNotFoundError: No module named 'tensorflow' 这一行是故意触发的。 注意它只说「没有这个名字的模块」，不说「包没装」——这两件事不一样：包可能装了， 但里面的子模块名不对，报错长得一模一样。 matplotlib 那张依赖单列了 9 条。pip 装它的时候，这 9 条会被顺着装下去。 所以「一个干净的 venv 装一个 matplotlib」结果会有十几个包——不是装错了，是依赖树本来就这么长。 这一段最实用的地方在于：判断「是不是环境问题」只要三步——打印 sys.executable、打印包版本、 import 一次看报错。三步之内能定位绝大多数问题。

30 秒实验

1. 把 numpy>=2.0 改成 numpy>3.0，看结论那一列变成什么。
2. 给 md.requires("matplotlib") 加个循环，把带 extra 标记（分号后面那段）的挑出来，看有几条。
3. 在 venv 里跑同一段脚本，看包数从 90 变成几个——这就是「干净环境」的样子。

常见误区

1. 用管理员权限 pip 装到全局。 装得快，出问题只能重装 Python。永远在 venv 里装。
2. 看到红字就重装整个 Python。 先看最后三行：缺编译器就去装编译器或换版本，缺包就换个包名， 环境错了就切环境。重装是最贵的做法。
3. 混用 conda 和 pip。 同一个环境里混着装，依赖解析各算各的， 最后往往整成一个谁也升不动的死环境。

Windows 的包装完了，Mac 上其实也一样，只是包管理器换成了 conda 或 brew。 下一节讲真正该学的一件事：怎么把环境写下来，换台机器一次装回去。

• ☐ （本节完，下一节 2.4 函式库的安装～Mac 篇～）

相关笔记

• Python 的安装～Mac 篇～
• 41 课 · 图解深度学习 · 索引
• 📕 深度学习入门教室 · 索引