5 依赖库检查

查看大图

机器学习代码报错不一定是模型问题，常常是依赖版本、虚拟环境或解释器路径不一致。依赖检查能把这类问题提前暴露。

查看大图

我会写一个 check_env.py，只做导入和版本输出。项目跑不通时先跑它，能快速排除环境问题。

在上一篇中，我们讨论了如何安装 Scikit-Learn。安装完毕后，为了确保库能够正常使用，我们需要进行一个重要的步骤：依赖库检查。这不仅是为了确认 Scikit-Learn 是否正确安装，还需要检查是否所有必要的依赖库都已满足。

依赖库概述

Scikit-Learn 是一个功能强大的机器学习库，但它依赖于几个常用的 Python 库，比如：

查看大图

检查依赖库时，不只看安装列表。导入核心包、打印版本、跑一个小样例，才能确认科学计算环境真的可用。

• NumPy：用于高效的数值计算和数组操作。
• SciPy：提供了许多科学计算的工具。
• Joblib：用于高效的计算任务并行化以及持久化。
• matplotlib 和 Pandas：虽然不是核心依赖，但在数据处理和可视化方面非常有用。

确保这些依赖库正确安装是成功使用 Scikit-Learn 的前提。

检查依赖库安装状态

为了检查这些库是否安装，可以使用以下 Python 代码：

查看大图

开始读《依赖库检查》前，可以先看图中从问题到结果的路径。读完后再对照正文，确认自己能不能照着复现。

import importlib

def check_dependencies(libraries):
    for lib in libraries:
        try:
            # 尝试导入库
            importlib.import_module(lib)
            print(f"{lib} 已成功安装！")
        except ImportError:
            print(f"警告：{lib} 未安装，请使用 `pip install {lib}` 安装该库。")

# 要检查的库列表
libraries_to_check = ['numpy', 'scipy', 'joblib', 'matplotlib', 'pandas']

check_dependencies(libraries_to_check)

在上述代码中，我们定义了一个名为 check_dependencies 的函数，它接受一个库名称的列表，并逐一检查这些库是否可用。如果某个库未安装，函数将提示用户安装该库。

示例输出

假设您已安装了 NumPy 和 SciPy，但未安装 matplotlib，您会看到类似下面的输出：

numpy 已成功安装！
scipy 已成功安装！
警告：joblib 未安装，请使用 `pip install joblib` 安装该库。
警告：matplotlib 未安装，请使用 `pip install matplotlib` 安装该库。
pandas 已成功安装！

手动检查依赖

除了使用上述代码进行检查，您还可以在命令行中手动检查已安装的库。使用以下命令行指令：

pip list

这会列出所有已安装的库及其版本，您可以查找所需的依赖库，确保它们在列表中。

查看大图

复习《依赖库检查》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《依赖库检查》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

总结

在本节中，我们讨论了如何检查 Scikit-Learn 的依赖库安装情况。这一步至关重要，可以帮助您快速识别和解决环境配置中的潜在问题。确保所有基础库已安装后，您将能够顺利进行后续的机器学习项目。

接下来，我们将在下一篇中探讨如何配置虚拟环境，确保项目之间的依赖不发生冲突，保持系统的整洁和高效。