应强制使用预编译wheel安装：pip install --only-binary=scipy scipy；若失败则先升级工具链（pip install -U pip setuptools wheel），Windows用户优先用conda install scipy。
pip install scipy 时卡死或报 MemoryError
这不是内存真不够，而是 pip 尝试从源码编译 scipy，过程中临时对象（如 Fortran 目标文件、BLAS 接口中间表示）堆积在内存里，尤其在 Windows 或低内存机器上极易触发 MemoryError 或 OSError: [Errno 12] Cannot allocate memory。
- 根本原因：scipy 的
pyproject.toml要求构建系统（如setuptools+numpy+cython）协同工作，而旧版 pip 不支持并行构建控制，导致多进程编译争抢内存 - 最直接的解法是跳过源码编译，强制用预编译 wheel：
pip install --only-binary=scipy scipy - 如果仍失败，说明本地 pip 或 setuptools 太旧——升级到最新：
pip install -U pip setuptools wheel（pip >= 23.0才能可靠处理 scipy 1.12+ 的构建逻辑） - Windows 用户额外注意：不要用
pip install scipy直接装，优先走conda install scipy（conda-forge 提供完整 BLAS 链接的二进制包，零编译）
pip install pandas 报错 “numpy.dtype size changed” 并伴随 MemoryError
这个错误本质是 numpy 二进制不兼容，但触发时机常在安装 pandas 时因内存压力放大——因为 pandas 编译阶段会反复 import numpy 做 ABI 检查，若 numpy 版本混杂（比如 conda 安装的 numpy 和 pip 安装的混在一起），检查过程会分配大量 dtype 描述结构体，最终爆内存。
- 先清掉所有 numpy 变体：
pip uninstall numpy -y && conda remove numpy -y（二者选其一，别共存） - 再统一安装：用
pip install "numpy（pandas 2.2+ 尚未完全适配 numpy 2.x 的新 ABI） - 若用 conda，必须指定 channel：
conda install -c conda-forge pandas（避免 defaults channel 的旧 numpy 冲突） - 验证是否干净：
python -c "import numpy; print(numpy.__version__, numpy.__file__)"，确保路径唯一、版本一致
虚拟环境中 pip install pandas/scipy 占满 swap 并卡住
现象是磁盘灯狂闪、CPU 低于 10%、pip 进程 RSS 内存不动但 VIRT 持续涨到几十 GB——这其实是链接器（ld 或 Windows 的 link.exe）在做符号解析时 mmap 了大量 .o 文件，但没真正加载，操作系统用 swap 撑住，看起来像“内存溢出”。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 临时缓解：Linux 下限制链接器内存：
export LDFLAGS="-Wl,--no-keep-memory"，再 pip install - 更稳妥的做法：禁用编译，只装 wheel：
pip install --no-build-isolation --only-binary=all pandas scipy - Mac 上常见于 Apple Silicon（arm64）+ Rosetta 混用，此时必须加
--force-reinstall --no-deps，再单独装numpy和scipy的 arm64 wheel - 别信
pip --upgrade pip能解决——它只更新 pip 自身，不修复已污染的 site-packages
用 pip install -r requirements.txt 时单个包爆内存，其他正常
问题不在 pip 或网络，而在依赖顺序。比如 requirements.txt 里先写 scipy==1.12.0 再写 numpy==1.26.4，pip 会先装 scipy（此时 numpy 还没装），触发 scipy 自带的 numpy 引导逻辑，反复下载/编译/回滚，内存越滚越大。
- 永远把
numpy放 requirements.txt 第一行 - 显式锁定 scipy/pandas 的 wheel 兼容版本：
numpy>=1.24.0,、scipy>=1.11.0, - 加
--find-links https://pypi.org/simple/ --trusted-host pypi.org避免 pip 在镜像源间反复跳转拉取元数据 - 实在不行，拆成两步：
pip install -r requirements-numpy-first.txt && pip install -r requirements-rest.txt
真正麻烦的从来不是“哪个命令能装上”，而是环境里已经存在多少没被意识到的 ABI 冲突、编译缓存残留和跨工具链污染——这些不会报错，但会让每次 install 都变成内存压力测试。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
