如何通过Pip安装性能媲美conda版的NumPy？

conda安装的NumPy性能更优，核心原因是它默认绑定了Intel MKL或OpenBLAS这类优化过的线性代数库，而pip默认安装的预编译版本往往未启用这些优化，或者仅用了基础编译选项。要让pip版本追平性能，可按以下步骤操作：

• 安装编译依赖
  首先确保系统具备编译NumPy所需的工具和依赖库：

  • Linux：安装gcc、gfortran、openblas-devel（或intel-mkl-devel）
  • Windows：安装Visual Studio Build Tools（勾选"C++开发工具"）
  • macOS：安装Xcode Command Line Tools（运行xcode-select --install）

• 指定优化库编译安装
  通过设置环境变量，让pip编译NumPy时链接MKL或OpenBLAS：

  • 用MKL优化（需先安装MKL库）：

    # Linux/macOS
    export CFLAGS="-march=native -O3"
    export LDFLAGS="-lmkl_rt"
    pip install numpy --no-binary :all:
    

    Windows可在PowerShell中设置环境变量后执行安装：

    $env:CFLAGS = "-march=native -O3"
    $env:LDFLAGS = "-lmkl_rt"
    pip install numpy --no-binary :all:
    

  • 用OpenBLAS优化：

    # Linux/macOS
    export CFLAGS="-march=native -O3"
    export LDFLAGS="-lopenblas"
    pip install numpy --no-binary :all:
    

• 通过配置文件指定库路径
  如果优化库安装在非默认路径，可创建site.cfg文件指定路径后编译：
  示例site.cfg（针对MKL）：

  [mkl]
  library_dirs = /usr/local/lib/mkl
  include_dirs = /usr/local/include/mkl
  mkl_libs = mkl_rt
  lapack_libs =
  

  然后执行：

  pip install numpy --no-binary :all:
  

• 验证优化是否生效
  安装完成后，运行以下代码检查NumPy是否绑定了目标优化库：

  import numpy as np
  np.show_config()
  

  输出中若出现mkl或openblas相关条目，说明优化已启用。也可通过简单的矩阵乘法测试对比性能：

  import numpy as np
  import time
  
  a = np.random.rand(1000, 1000)
  b = np.random.rand(1000, 1000)
  
  start = time.time()
  c = np.dot(a, b)
  print(f"矩阵乘法耗时: {time.time() - start:.2f} 秒")
  

内容的提问来源于stack exchange，提问作者David Banas