windows下多版本python安装与pip安装和pip使用 吐血总结

部署运行你感兴趣的模型镜像

https://blog.youkuaiyun.com/silence2015/article/details/56483892/

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.youkuaiyun.com/silence2015/article/details/56483892
Python 是一门很不错的语言,语言简单易学,又不失脚本语言的灵活性,还有海量的第三方库,覆盖的很全面。但也有不少“硬伤”,比如 Python 2.x 和 Python 3.x 版本之间的不兼容等等。

注:我的电脑是win10+64位

安装多版本python
1、安装python需要到官网下载安装包,官网


安装的过程不需要多说,记得两个版本的py分别安装在不同文件夹下


2、接下来就是设置环境变量path了
什么?环境变量还不造在哪儿的请自行百度了。

在Path环境变量中检查以下4个变量(Path中的环境变量是以分号隔开的):
E:\Program Files\Python\Python35-32\Scripts\;
E:\Program Files\Python\Python35-32\;
E:\Program Files\Python\Python27\Scripts\;
E:\Program Files\Python\Python27\;

3、然后进入Python2.7安装目录找到如图内容,把python.exe重命名为python2.exe


同理python3下也要改


4、好了,在命令行运行python2或者python3出现不同版本信息,说明到此为止两个版本的python算是安装成功。


不同版本下安装pip
同时装了Python3和Python2,怎么用pip?

首先对应不同python版本下安装pip,在不同版本下要用pip管理包,需要使用不同pyyhon2/3命令指定python版本。

1、在不同版本python中安装pip方法一样,先下载get-pip.py,然后在pycharm中新建一个项目,打开get-pip.py


2、然后选择当前项目的python版本,要在python2.7中安装pip,那就选择2.7的项目解释器(project interpreter)

 

3、设置好之后就运行get-pip.py就行啦,这样2.7版本下的pip就安装完了。

4、同样的,要在python3.X版本中安装pip重复上述流程1-3,只是要指定3.X的项目项目解释器(project interpreter)

不同版本下pip的使用
好了,走完上述流程,pip已经都安装完了,下面我们开始用pip安装所需要的包。这里我要用的Pillow这个图像方面的包。在这儿还有个小坑,就是对应不同pyhton版本,使用pip的命令写发还有所不同。

比如现在我要在一个python3.6版本下的项目用Pillow这个包。首先,project interperter指定python3.6是肯定的,然后在cmd中我们用 python3 -m pip install Pillow,然后等待下载,接着就行了


同样,在python2.7中替换为python2就行。一开始我没有指定pyhton3,所以每次用pip安装Pillow包都是安装到pyhton2.7版本下面,python的版本问题真是坑啊,吐槽下,呸呸呸,不过python还是很好用哒

安装完Pillow后我们写个小代码试试


一不小心就打开了私藏的mm皂片,hhh


至此,python2.7和3.6版本的安装,环境配置,pip的分别安装,pip分别在不同版本中使用就搞定啦,呼呼,搞了我一晚上,踩了一晚上坑。

让我想起一句话:人生苦短,我用python
————————————————
版权声明:本文为优快云博主「Shane Zhao」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.youkuaiyun.com/silence2015/article/details/56483892/

 

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真验证,展示了该方法在高精度定位控制中的有效性实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模预测控制相关领域的研究生研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模线性化提供新思路;③结合深度学习经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子RNN结合的建模范式,重点关注数据预处理、模型训练控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测用户分群管理提供技术支持;④作为智能优化算法机器学习结合应用的教学科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解拓展应用能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值