este problema se puede abordar de variadas maneras, sin embargo te compartimos la que para nosotros es la solución más completa.
Solución:
El siguiente enlace debería resolver todos los problemas con Windows y SciPy; simplemente elija la descarga adecuada. Pude instalar pip el paquete sin problemas. Todas las demás soluciones que probé me dieron grandes dolores de cabeza.
Fuente: http://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy
Dominio:
pip install [Local File Location][Your specific file such as scipy-0.16.0-cp27-none-win_amd64.whl]
Esto supone que ya ha instalado lo siguiente:
-
Instalar Visual Studio 2015/2013 con Python Tools
(Está integrado en las opciones de configuración en la instalación de 2015) -
Instale el compilador de Visual Studio C++ para Python
Fuente: http://www.microsoft.com/en-us/download/details.aspx?id=44266
Nombre del archivo:VCForPython27.msi -
Instale la versión de Python de su elección
Fuente: python.org
Nombre de archivo (por ejemplo):python-2.7.10.amd64.msi
La versión de mi python es 2.7.10, Windows 7 de 64 bits.
- Descargar
scipy-0.18.0-cp27-cp27m-win_amd64.whldesdehttp://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy - Abierto
cmd - Asegurarse
scipy-0.18.0-cp27-cp27m-win_amd64.whles encmddirectorio actual de , luego escribapip install scipy-0.18.0-cp27-cp27m-win_amd64.whl.
Se instalará con éxito.
La solución a la ausencia de bibliotecas BLAS/LAPACK para instalaciones de SciPy en Windows 7 de 64 bits se describe aquí:
http://www.scipy.org/scipylib/building/windows.html
Instalar Anaconda es mucho más fácil, pero aún no obtiene soporte para Intel MKL o GPU sin pagar por ello (están en los complementos MKL Optimizations y Accelerate para Anaconda; no estoy seguro de si usan PLASMA y MAGMA) . Con la optimización de MKL, numpy ha superado a IDL en cálculos de matrices grandes por 10 veces. MATLAB usa la biblioteca Intel MKL internamente y es compatible con la computación GPU, por lo que también podría usar eso por el precio si es estudiante ($ 50 para MATLAB + $ 10 para Parallel Computing Toolbox). Si obtiene la versión de prueba gratuita de Intel Parallel Studio, viene con la biblioteca MKL, así como con los compiladores C++ y FORTRAN que serán útiles si desea instalar BLAS y LAPACK desde MKL o ATLAS en Windows:
http://icl.cs.utk.edu/lapack-for-windows/lapack/
Parallel Studio también viene con la biblioteca Intel MPI, útil para aplicaciones informáticas en clúster y sus últimos procesadores Xeon. Si bien el proceso de creación de BLAS y LAPACK con optimización MKL no es trivial, los beneficios de hacerlo para Python y R son bastante grandes, como se describe en este seminario web de Intel:
https://software.intel.com/en-us/articles/powered-by-mkl-accelerating-numpy-and-scipy-performance-with-intel-mkl-python
Anaconda y Enthought han creado negocios al hacer que esta funcionalidad y algunas otras cosas sean más fáciles de implementar. Sin embargo, está disponible gratuitamente para aquellos que deseen hacer un poco de trabajo (y un poco de aprendizaje).
Para aquellos que usan R, ahora pueden obtener BLAS y LAPACK optimizados para MKL de forma gratuita con R Open de Revolution Analytics.
EDITAR: Anaconda Python ahora viene con optimización MKL, así como compatibilidad con otras optimizaciones de la biblioteca de Intel a través de la distribución de Intel Python. Sin embargo, el soporte de GPU para Anaconda en la biblioteca Accelerate (anteriormente conocida como NumbaPro) todavía supera los $ 10k USD. Las mejores alternativas para eso son probablemente PyCUDA y scikit-cuda, ya que, lamentablemente, copperhead (esencialmente una versión gratuita de Anaconda Accelerate) dejó de desarrollarse hace cinco años. Se puede encontrar aquí si alguien quiere continuar donde lo dejaron.