怎么在Jupyter Notebook中快速查看Python库版本

在 Jupyter Notebook 中查看已安装 Python 库的版本，最快的方式取决于当前的使用场景：如果该库已经在代码中导入或属于高频常用库，可以直接读取其 __version__ 属性；如果不想把整个库载入内存，或者遇到未定义版本属性的轻量库，可以使用 Python 标准库 importlib.metadata.version('库名')；而若需要核查物理安装路径、依赖项或解决虚拟环境混淆，则可在 Cell 中使用魔法命令 %pip show 库名。掌握这几种路径的操作细节与底层机制，能够帮助我们在数据分析与项目开发中快速定位依赖冲突。

一、单库快速查询：最常用的三种核心方法

在编写数据处理脚本或模型训练代码时，我们经常需要确认当前使用的第三方库（例如 Pandas、NumPy 或 PyTorch）具体是哪个版本，以确保 API 调用的兼容性。针对单个库的版本查询，有以下三种具体做法。

1. 直接读取库的 __version__ 属性

这是 Python 社区最普遍遵循的约定。绝大多数主流第三方库在顶层模块中都预先定义了 __version__ 字符串。如果你的 Notebook 前文中已经导入了该库，这种方法不需要任何额外命令，执行速度处于微秒级别。

import pandas as pd
import numpy as np

print("Pandas 版本:", pd.__version__)
print("NumPy 版本:", np.__version__)

直接在 Cell 尾行单独书写 pd.__version__ 并按下快捷键 Shift + Enter，Jupyter 会直接以交互式返回值（Out[n]）的形式呈现版本字符串。

2. 使用 Python 标准库 importlib.metadata

在某些场景下，目标库体积庞大（例如 TensorFlow、PyTorch、Transformers），单纯为了看一眼版本号而执行 import 会消耗几秒钟的加载时间并占用大量内存；另外也有极少数轻量工具库并未在顶层模块暴露 __version__。此时，使用 Python 3.8 起内置的标准库模块 importlib.metadata 是最规范、最高效的方案。

import importlib.metadata

version_torch = importlib.metadata.version('torch')
print("PyTorch 安装版本:", version_torch)

该方法直接读取环境元数据目录（.dist-info 或 .egg-info）中的 METADATA 规范文件，无需解析和载入库的具体 Python 模块，速度非常快，且不会污染全局命名空间。

3. 在单元格中执行 %pip show 魔法命令

如果不仅需要确认版本号，还需要查看该库具体安装在磁盘上的哪个文件夹、它的依赖项有哪些、以及当前环境中有哪些其他包正在依赖它，可以直接在单元格中执行 IPython 提供的 %pip 魔法命令：

%pip show scikit-learn

通过其中的 Location 字段，可以直观核对当前 Notebook 调用的到底是不是预期虚拟环境中的包，有效防止不同环境间的包版本串用。

二、全量环境扫描：批量查看已安装库

当复现他人项目、整理 requirements.txt，或者排查整个开发环境的依赖兼容性时，逐个查询显然效率太低，需要在 Notebook 内部一次性列出所有可用的 Python 库及其版本。

1. 使用 %pip list 快速遍历

在任意代码单元格中输入并执行以下命令：

%pip list

执行后，当前 Kernel 所在 Python 环境安装的所有第三方包将以表格形式完整打印。如果安装的库很多，可以配合 Python 代码过滤，例如筛选出名称中包含特定前缀的包：

import subprocess

# 结合 Python 自身进行精准筛选示例
installed_packages = subprocess.check_output(['%pip', 'list'], shell=True, text=True) # 或直接在 cell 中使用行过滤
# 在 Notebook 原生语法中，更推荐直接配合 Python 列表解析：
import importlib.metadata
[dist.metadata['Name'] + "==" + dist.version for dist in importlib.metadata.distributions() if 'plot' in dist.metadata['Name'].lower()]

2. Conda 用户的 %conda list 区别

如果当前 Jupyter 运行在 Anaconda 或 Miniconda 管理的虚拟环境中，推荐使用 %conda list：

%conda list

相比于 pip，Conda 列表会额外输出每一项的 Build 号与 Channel 来源（例如 conda-forge 或 pypi），这对于排查底层 C/C++ 动态链接库版本冲突（如 MKL、CUDA 工具包）非常有帮助。

三、核心机制：为什么在 Notebook 中强烈推荐 %pip 而非 !pip？

许多初学者习惯在 Jupyter 中使用感叹号 ! 执行终端命令，例如 !pip show numpy 或 !pip list。虽然在很多简单单环境下它看似能正常工作，但在涉及虚拟环境（venv、conda）或多 Python 版本的生产机器上，这极易引发混淆。

为了确认当前 Notebook 实际运行在哪一个解释器下，可以在单元格中运行以下标准诊断代码：

import sys
print("当前 Kernel 实际解释器路径:", sys.executable)

只要确认 %pip show 输出中的 Location 处于上述 sys.executable 对应的虚拟环境目录下，就能杜绝“明明用 pip 安装了包，Notebook 却提示 ModuleNotFoundError”的经典疑难杂症。

四、常见问题与避坑清单

在实际操作中，查看库版本偶尔会出现报错或结果不符合预期的情况。以下整理了三类最容易遇到的问题及具体解决措施：

1. 属性报错：AttributeError: module 'xxx' has no attribute '__version__'

原因：PEP 8 和 PEP 396 虽建议第三方包提供 __version__ 属性，但这并非强制技术约束。有些库选择将版本信息维护在别处，或者干脆未暴露该属性。
应对方案：改用 importlib.metadata.version('xxx') 或 %pip show xxx，这两者直接读取 Python 包安装时写入的全局元数据，不依赖库作者是否在 Python 代码中手工赋值 __version__。

2. 包名（Distribution Name）与导入名（Import Name）不一致

表现：执行 importlib.metadata.version('cv2') 提示 PackageNotFoundError: No package metadata was found for cv2。
原因：通过 pip 安装的包分发名（Distribution Name）与 Python 脚本中 import 的模块名（Top-level Module Name）不一定相同。下表列出了开发中最常见的对应关系：

3. 刚安装或升级了库，但在 Notebook 中查看依然显示旧版本

表现：在终端或通过 %pip install --upgrade 库名 升级成功后，再次运行 print(库名.__version__)，输出依然是旧版本号。
原因：Python 解释器在运行过程中会对已导入的模块进行内存缓存（记录在 sys.modules 中）。一旦某个模块在当前 Kernel 启动后被载入过，即便底层磁盘文件被覆盖更新，当前运行中的进程也不会自动重新载入该文件。
应对方案：在 Jupyter 顶部菜单点击 Kernel -> Restart Kernel（或者在命令模式下连续按两次键盘快捷键 0, 0），重启内核释放内存缓存后重新执行导入即可。