如何在 Windows、macOS 和 Linux 上安装 scikit-learn (sklearn)

作为数据科学工具包的核心组件，scikit-learn (sklearn) 需要一个干净的运行环境才能正常运行。在虚拟环境中使用pip 或conda是防止项目扩展过程中出现依赖冲突的最可靠方法。

本指南涵盖如何安装必备组件、设置虚拟环境、测试安装以及排除常见配置错误。

scikit-learn 系统要求和先决条件

在输入任何安装命令之前，您需要确保您的基础系统具备正确的基础组件：一个现代的 Python 环境和一个兼容的 Python 解释器。

截至 2026 年，您需要 Python 3.11 或更高版本才能安装*scikit-learn。*要检查您当前的 Python 版本，请打开终端并运行以下命令：

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">python <span style="color:#d4d4d4">--</span>version</code>
</span></span></span></span>

现代包管理器会自动处理依赖关系解析。安装scikit-learn 时，pip 或conda会自动下载必要的库：

• NumPy可以处理大型数值数组。
• SciPy管理高级数学运算
• joblib负责处理并行处理任务
• threadpoolctl限制线程使用量以防止 CPU 阻塞
• narwhals提供了一个轻量级的 DataFrame 兼容层

让软件包管理器自动解析和安装这些依赖项可以确保版本兼容性，并避免复杂的调试工作。

如何为 scikit-learn 设置虚拟环境

全局安装库可能会导致依赖冲突，更新一个工具时可能会破坏另一个工具。如果使用虚拟环境，就可以隔离依赖项，避免项目之间相互干扰。

Windows 上的虚拟环境

Python 标准库包含*venv，*允许您直接从终端创建环境，而无需第三方工具。

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">python <span style="color:#d4d4d4">-</span>m venv myenv
myenv\Scripts\activate</code>
</span></span></span></span>

（注：如果您使用的是 PowerShell，请使用 .\myenv\Scripts\Activate.ps1）

macOS/Linux 上的 虚拟环境

基于 Unix 的系统使用略有不同的文件夹结构和激活命令：

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">python3 <span style="color:#d4d4d4">-</span>m venv myenv
source myenv<span style="color:#d4d4d4">/</span>bin<span style="color:#d4d4d4">/</span>activate</code>
</span></span></span></span>

conda 环境

Conda 非常适合数据科学和机器学习领域，因为它能够同时管理版本和底层 C/C++ 二进制库。因此，它可以防止在安装复杂软件包时出现编译错误。

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">conda create <span style="color:#d4d4d4">-</span>n myenv python<span style="color:#d4d4d4">=</span><span style="color:#b5cea8">3.12</span>
conda activate myenv</code>
</span></span></span></span>

如何使用 pip 或 conda 安装 scikit-learn

虚拟环境激活后，使用pip 或conda安装 sklearn 的过程非常简单。

使用 pip 安装 scikit-learn

使用pip可以从 Python 包索引 (PyPI) 获取预编译的 wheel 包。它会自动安装必要的数学依赖项，而无需您从源代码编译任何内容。

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">pip install scikit<span style="color:#d4d4d4">-</span>learn</code>
</span></span></span></span>

您可以锁定特定版本（例如，==1.9.0），以确保未来的环境重建不会因库更新而引入破坏性更改：

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">pip install scikit<span style="color:#d4d4d4">-</span>learn<span style="color:#d4d4d4">==</span><span style="color:#b5cea8">1.9</span><span style="color:#b5cea8">.0</span></code>
</span></span></span></span>

使用 conda 安装 scikit-learn

如果您使用的是 Anaconda 或 Miniconda，请务必从社区驱动的conda-forge 频道安装（这是推荐的做法）。如果您的项目除了scikit-learn 之外还需要复杂的非 Python 依赖项（例如系统级库），那么 conda-forge就特别有用。

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">conda install <span style="color:#d4d4d4">-</span>c conda<span style="color:#d4d4d4">-</span>forge scikit<span style="color:#d4d4d4">-</span>learn</code>
</span></span></span></span>

其他 scikit-learn 安装方法

虽然虚拟环境是标准配置，但您也可以通过系统软件包管理器或预打包发行版获取scikit-learn 。

操作系统级软件包管理器（Linux）

虽然您可以使用操作系统级别的包管理器，但我们不建议这样做。系统仓库通常会落后几个版本，而且全局安装 Python 模块和包可能会与操作系统内部工具冲突。但如果您必须使用它们：

• Debian/Ubuntu。sudo apt install python3-sklearn
• Fedora。sudo dnf install python3-scikit-learn

预包装分发

像 Anaconda 或 WinPython 这样的科学 Python 发行版都预装了scikit-learn。这些发行版提供了一个开箱即用的完整数据科学环境，因此您完全无需手动安装。

scikit-learn 核心及可选依赖项

​默认安装包含运行标准程序所需的核心库。机器学习算法。要添加绘图或高级数据框支持，您需要安装可选依赖项。

核心依赖项	在生态系统中的作用
NumPy	为基本的多维阵列结构提供支持。
SciPy	提供高级线性代数和稀疏矩阵例程。
作业库	驱动并行计算功能，以加快模型训练速度。
线程池控制	限制线程使用，防止 CPU 阻塞。
独角鲸	提供轻量级的 DataFrame 兼容层。

可选依赖项提供可视化和增强的数据处理功能：

• matplotlib使您能够原生绘制决策边界和性能指标。
• pandas允许您直接将表格结构导入到您的数据管道中，无需手动转换。
• seaborn让生成美观的相关矩阵变得极其简单。
• scikit-image提供图像处理工具，用于在分类之前准备照片或扫描件。

如何验证您的 scikit-learn 安装

​要验证您的安装，您无需训练模型只需使用scikit-learn 的内置实用程序即可检查scikit-learn库及其所有核心依赖项的状态。

您可以直接在当前终端中运行此命令：

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">python <span style="color:#d4d4d4">-</span>m sklearn<span style="color:#d4d4d4">.</span>show_versions</code>
</span></span></span></span>

这将输出一个详细列表，显示您的操作系统、Python 版本以及scikit-learn 当前正在使用的NumPy、SciPy、joblib 和threadpoolctl的具体版本。

输出结果确认核心库存在且版本正确后，您的环境即可使用。

从源代码或每日构建版本安装 scikit-learn

如果您需要尚未发布的错误修复或想要为项目做贡献，则必须直接从源代码构建scikit-learn 。从源代码构建需要您的系统上安装C/C++ 编译器和Cython 。

首先，通过 HTTPS 克隆存储库并运行可编辑安装程序：

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">git clone https<span style="color:#d4d4d4">:</span><span style="color:#d4d4d4">/</span><span style="color:#d4d4d4">/</span>github<span style="color:#d4d4d4">.</span>com<span style="color:#d4d4d4">/</span>scikit<span style="color:#d4d4d4">-</span>learn<span style="color:#d4d4d4">/</span>scikit<span style="color:#d4d4d4">-</span>learn<span style="color:#d4d4d4">.</span>git
cd scikit<span style="color:#d4d4d4">-</span>learn
pip install <span style="color:#d4d4d4">--</span>verbose <span style="color:#d4d4d4">--</span>no<span style="color:#d4d4d4">-</span>build<span style="color:#d4d4d4">-</span>isolation <span style="color:#d4d4d4">--</span>editable <span style="color:#d4d4d4">.</span></code>
</span></span></span></span>

使用每日构建版本

要体验尚未发布的功能而无需从源代码编译，您可以安装每日构建版 wheel 文件。请注意，这些构建版本仅用于测试，可能包含稳定版本中不存在的错误。

您可以使用 scientific-python 索引安装 nightly 版本：

<span style="color:#1a2d2f"><span style="background-color:#f8f8f8"><span style="background-color:#004047"><span style="color:#9cdcfe"><code class="language-javascript">pip install <span style="color:#d4d4d4">--</span>pre <span style="color:#d4d4d4">--</span>extra<span style="color:#d4d4d4">-</span>index https<span style="color:#d4d4d4">:</span><span style="color:#d4d4d4">/</span><span style="color:#d4d4d4">/</span>pypi<span style="color:#d4d4d4">.</span>anaconda<span style="color:#d4d4d4">.</span>org<span style="color:#d4d4d4">/</span>scientific<span style="color:#d4d4d4">-</span>python<span style="color:#d4d4d4">-</span>nightly<span style="color:#d4d4d4">-</span>wheels<span style="color:#d4d4d4">/</span>simple scikit<span style="color:#d4d4d4">-</span>learn</code>
</span></span></span></span>

解决 scikit-learn 安装错误

即使安装步骤正确，您仍可能遇到安装错误。以下是一些常见问题及其解决方法：

• **Windows 路径长度限制。**项目文件夹嵌套较深的 Windows 用户可能会遇到操作系统 260 个字符的路径长度限制。您可以通过在 Windows 注册表中启用"长路径"选项来避免提取错误。
• **缺少编译器。**如果从源代码构建，则必须安装 Visual Studio 生成工具（Windows）或 GCC（macOS/Linux），以避免 C++ 编译错误。
• 版本冲突。如果 Python 导入的 scikit-learn版本比您刚刚安装的版本旧，则很可能是全局安装存在冲突。请卸载全局包并确保您的虚拟环境已激活。
• 权限错误。 在 macOS 或 Linux 系统上全局运行*`pip install scikit-learn` 命令*可能会导致"权限被拒绝"错误。请务必在安装前确保您的虚拟环境已激活。

如果您遇到未记录的错误，查看scikit-learn GitHub 问题页面是找到社区测试过的解决方法的最佳方法。

总结

scikit-learn 安装的核心是做好环境隔离与依赖管理。推荐使用 venv 或 conda 创建虚拟环境，再通过 pip 或 conda 安装，避免版本冲突。安装后可用 sklearn.show_versions 检查配置。遇到问题时，重点排查 Python 版本、权限、编译环境和依赖冲突。