AI-এর জন্য Python — install, uv, venv আর package

১ · AI আর ডেটার কাজে Python কেন

মডিউল ১-এ আপনি দেখেছেন AI কী, কোথায় কাজ করে আর কোথায় ভুল করে (পর্ব ৬). এবার হাতের কাজ শুরু। প্রথম প্রশ্নটা খুব স্বাভাবিক: এত ভাষা থাকতে AI আর ডেটার কাজে প্রায় সবাই Python কেন বেছে নেন?

উত্তরটা একটু অবাক করার মতো। Python নিজে ধীর ভাষা হিসেবেই পরিচিত — একটি সাধারণ for loop C-এর তুলনায় অনেক গুণ ধীর হতে পারে। তবু AI-এর জগতে Python জিতেছে, কারণ ভারী হিসাবটা Python নিজে করে না। Python এখানে একজন দক্ষ ম্যানেজারের মতো, যিনি কাজ ভাগ করে দেন। আসল কাজ করে C, C++ আর Fortran-এ লেখা দ্রুত কোড, যা Python থেকে ডাকা যায়।

এই ব্যবস্থা একদিনে তৈরি হয়নি। AI আর ডেটার কাজে যে library-গুলো আপনি এই কোর্সে বারবার দেখবেন, সেগুলো একটির ওপর আরেকটি দাঁড়িয়ে আছে। নিচের ছবিতে সবার নিচে হার্ডওয়্যার, তার ওপর দ্রুত সংখ্যা-গণনার পুরোনো library (BLAS, LAPACK), তার ওপর NumPy, তার ওপর বাকি সবাই।

তবে Python-ই একমাত্র উত্তর নয়। পরিসংখ্যানে R এখনো খুব শক্তিশালী, বিশেষত গবেষণা আর জীববিজ্ঞানে। Julia দ্রুত গণনার জন্য নকশা করা। ডেটা আনার কাজে SQL প্রায় অপরিহার্য (DBMS ও SQL কোর্স). Python-এর বড় সুবিধা হলো এক ভাষায় ডেটা আনা, পরিষ্কার করা, chart আঁকা, model শেখানো আর ওয়েবে চালানো — সবই করা যায়। আর এর বড় দুর্বলতা ঠিক এই পর্বের বিষয়: অনেক টুকরো, অনেক version, আর সেগুলো মিলিয়ে রাখার ঝামেলা।

২ · কোন Python version — আর library কেন পিছিয়ে থাকে

Python প্রতি বছর অক্টোবরে একটি নতুন বড় version প্রকাশ করে, আর প্রতিটি version প্রায় পাঁচ বছর সমর্থন পায়। python.org-এর downloads পাতায় লেখার সময়ে (নভেম্বর ২০২৬) যে অবস্থা দেখা গেছে:

তাহলে নতুনতমটাই কেন নয়? কারণ Python নিজে আসার পর NumPy, pandas, SciPy-এর মতো compile করা library-গুলোকে নতুন version-এর জন্য আলাদা করে build করে প্রকাশ করতে হয়। Python-এর ভেতরের C-ইন্টারফেস (ABI) প্রতিটি বড় version-এ একটু বদলায়, তাই 3.14-এর জন্য বানানো ফাইল 3.15-এ চলে না। ফাইলের নামেই এটি লেখা থাকে: cp314 মানে CPython 3.14-এর জন্য।

লেখার সময়ে আমরা নিজে যাচাই করেছি। uv.lock ফাইলে (একটু পরেই দেখবেন) numpy 2.5.4, pandas 3.1.0, scikit-learn 1.9.1, matplotlib 3.11.2 আর scipy 1.18.1 — প্রতিটির জন্য cp314 আর cp315 দুই রকম ফাইলই আছে। PyPI-তে PyTorch 2.15.0-এরও cp315 আছে। কিন্তু TensorFlow-এর তখনকার সর্বশেষ স্থিতিশীল version 2.21.0-এর ফাইল ছিল শুধু cp310 থেকে cp313 পর্যন্ত। Python 3.14-এর একটি প্রকল্পে সেটি যোগ করতে চাইলে uv সরাসরি বলে দেয় কেন হবে না।

সত্যিকারের run (uv 0.13.7, Python 3.14.10; লম্বা লাইন ছাঁটা):

$ uv add "tensorflow==2.21.0"
error: Failed to add dependencies
  cause: Because tensorflow==2.21.0 has no wheels with a matching Python
  version tag (e.g., `cp314`) and your project depends on tensorflow==2.21.0,
  we can conclude that your project's requirements are unsatisfiable.
…
hint: Wheels are available for `tensorflow` (v2.21.0) with the following
Python ABI tags: `cp310`, `cp311`, `cp312`, `cp313`

আরেকটি নতুন জিনিস চোখে পড়তে পারে: 3.14t বা cp314t. এখানে “t” মানে free-threaded build — Python-এর পুরোনো GIL (একসঙ্গে একটিই thread Python কোড চালাতে পারে, এমন তালা) ছাড়া একটি বিকল্প রূপ। এটি এখনো তুলনামূলক নতুন; শেখার শুরুতে সাধারণ build-ই নিন।

৩ · Python install — Windows, macOS আর Linux

Python ইনস্টলের বিস্তারিত ধাপ (PATH, REPL, VS Code) আছে Python কোর্সের সেটআপ পর্বে. এখানে শুধু AI-এর কাজের জন্য সংক্ষেপ। দুটি পথ আছে: Python আলাদা করে ইনস্টল করা, অথবা uv-কে দিয়ে Python নামানো (অংশ ৪)। নতুনদের জন্য দ্বিতীয় পথটি প্রায়ই সহজ, কারণ এক টুলেই সব হয়। নিচের কমান্ডগুলো উদাহরণ — macOS আর Linux-এর কমান্ড এই লেখার জন্য চালানো হয়নি, আর ইনস্টলারের ধরন সময়ের সাথে বদলায়, তাই অফিসিয়াল পাতা দেখে নিন।

py install 3.14       # একটি runtime নামানো
py list               # কী কী ইনস্টল আছে
py -V:3.14 -m venv .venv

brew install python@3.14
python3.14 --version

python3 --version         # সিস্টেমে কোনটি আছে
sudo apt install python3-venv
uv python install 3.14    # অথবা uv দিয়ে আলাদা Python

৪ · uv দিয়ে বাজারঘরের AI প্রকল্প — init, add, run, lock

uv হলো Astral নামের একটি কোম্পানির Rust-এ লেখা টুল, ২০২৪ সালে প্রকাশিত। এটি একাই কয়েকটি পুরোনো টুলের কাজ করে: Python নামানো, virtual environment বানানো, package ইনস্টল, আর lockfile লেখা। লেখার সময়ে PyPI-তে uv-এর সর্বশেষ version ছিল 0.13.7 (docs.astral.sh/uv-এ কমান্ডগুলোর বিবরণ আছে)। Version নম্বর ১-এর নিচে মানে টুলটি এখনো দ্রুত বদলাচ্ছে; কমান্ডের আচরণ মাঝে মাঝে বদলাতে পারে।

প্রথম ধাপ: Python আর প্রকল্প

নিচের সব আউটপুট এই পর্ব লেখার জন্য একটি Windows কম্পিউটারে চালানো সত্যিকারের run — uv 0.13.7, Python 3.14.10. কম্পিউটারের আসল ফোল্ডারের নাম সরিয়ে ~/bazarghar-ai লেখা হয়েছে। সময়গুলো একটি local run-এর, ইন্টারনেটের গতির ওপর অনেকটা নির্ভর করে; এগুলো কোনো সাধারণ benchmark নয়।

$ uv python install 3.14
Downloading cpython-3.14.10-windows-x86_64-none (download) (22.2MiB)
 Downloaded cpython-3.14.10-windows-x86_64-none (download)
Installed Python 3.14.10 in 8.31s
 + cpython-3.14.10-windows-x86_64-none

$ uv init bazarghar-ai --python 3.14
Initialized project `bazarghar-ai` at `~/bazarghar-ai`

$ cd bazarghar-ai
$ ls -A
.python-version  README.md  pyproject.toml  src

দুটি কথা খেয়াল করুন। এক, uv init নিজে থেকে একটি Git repository-ও খোলে (Git আছে এমন কম্পিউটারে) আর আপনার Git-এর নাম-ইমেইল থেকে authors ঘর পূরণ করে; এই run-এ সেটি এড়াতে --vcs none --author-from none যোগ করা হয়েছিল, যাতে ব্যক্তিগত তথ্য আউটপুটে না আসে। দুই, uv-এর এই version একটি src/bazarghar_ai/ ফোল্ডারসহ package-ধাঁচের কাঠামো বানিয়েছে; আগের কিছু version শুধু একটি main.py বানাত। Version বদলালে এমন খুঁটিনাটি বদলায় — এজন্যই আউটপুট নিজের চোখে দেখা দরকার। .python-version ফাইলে লেখা আছে শুধু 3.14; uv এটি দেখে ঠিক করে প্রকল্পে কোন Python লাগবে।

দ্বিতীয় ধাপ: চারটি package যোগ করা

$ uv add numpy pandas scikit-learn matplotlib
Using CPython 3.14.10
Creating virtual environment at: .venv
Resolved 19 packages in 1.20s
Downloading pillow (6.9MiB)
Downloading numpy (12.1MiB)
Downloading scipy (35.6MiB)
Downloading pandas (10.4MiB)
…
Prepared 19 packages in 41.69s
Installed 19 packages in 1.00s
 + matplotlib==3.11.2
 + numpy==2.5.4
 + pandas==3.1.0
 + scikit-learn==1.9.1
 + scipy==1.18.1
 …
real    0m43.944s

আপনি চেয়েছেন চারটি package, এলো ১৯টি (নিজের প্রকল্পসহ)। বাকিগুলো transitive dependency — আপনার চাওয়া package-গুলোর (আপনার সরাসরি dependency) নিজেদের প্রয়োজন। যেমন scikit-learn-এর লাগে scipy, joblib আর threadpoolctl; matplotlib-এর লাগে pillow, fonttools, kiwisolver. এবার pyproject.toml খুললে দেখবেন uv নিজে থেকে নিচের সীমা লিখে দিয়েছে:

requires-python = ">=3.14"
dependencies = [
    "matplotlib>=3.11.2",
    "numpy>=2.5.4",
    "pandas>=3.1.0",
    "scikit-learn>=1.9.1",
]

এগুলো version specifier: “অন্তত এই version”. কিন্তু হুবহু কোনটি বসেছে, transitive dependency-সহ, সেটি আছে uv.lock-এ। ৫৭৩ লাইনের ফাইলটির একটি অংশ:

[[package]]
name = "numpy"
version = "2.5.4"
source = { registry = "https://pypi.org/simple" }
sdist = { url = "…/numpy-2.5.4.tar.gz", hash = "sha256:9a94cf75…", … }
wheels = [
    { url = "…/numpy-2.5.4-cp314-cp314-macosx_11_0_arm64.whl", hash = "sha256:ffa6ce09…", … },
    { url = "…/numpy-2.5.4-cp314-cp314-manylinux_2_27_x86_64…whl", hash = "sha256:d5494208…", … },
    …

লক্ষ করুন, একটি Windows কম্পিউটারে তৈরি lockfile-এ macOS আর Linux-এর ফাইলও আছে। uv-এর lockfile cross-platform: একবার lock করলে অন্য OS-এর সহকর্মীও একই version পাবেন। প্রতিটি ফাইলের sha256 hash থাকায় পথে কেউ ফাইল বদলালে ইনস্টল আটকে যাবে।

তৃতীয় ধাপ: চালানো

প্রকল্পে একটি ছোট যাচাই-স্ক্রিপ্ট check_env.py রাখা হলো, যা Python আর package-গুলোর version ছাপে, তারপর seed দিয়ে বাজারঘরের পাঁচ দিনের কাল্পনিক বিক্রি বানায়:

import sys
from importlib.metadata import version

import numpy as np

print("Python", sys.version.split()[0])
for pkg in ["numpy", "pandas", "scikit-learn", "matplotlib", "scipy"]:
    print(f"{pkg:13} {version(pkg)}")

rng = np.random.default_rng(42)
sales = rng.integers(100, 1000, size=5)
print("sales:", sales, "total:", sales.sum())

$ uv run check_env.py
Python 3.14.10
numpy         2.5.4
pandas        3.1.0
scikit-learn  1.9.1
matplotlib    3.11.2
scipy         1.18.1
sales: [180 796 689 494 489] total: 2648
real    0m0.813s

uv run-এর জন্য virtual environment “activate” করতে হয় না। প্রতিবার চালানোর আগে uv দেখে নেয় pyproject.toml, uv.lock আর .venv — তিনটি মিলছে কি না; না মিললে আগে ঠিক করে, তারপর চালায়। একই কমান্ড অন্য কেউ চালালে তাঁর কম্পিউটারেও ঠিক এই version-গুলো বসবে, আর seed একই হওয়ায় sales-এর সংখ্যাও একই আসার কথা।

নিচের ডায়াগ্রামে uv add-এর ভেতরের ধাপগুলো দেখুন। প্রতিটি সংখ্যা উপরের সত্যিকারের run থেকে।

$ uv add numpy pandas \
         scikit-learn matplotlib
dependencies-এ ৪টি নাম যোগ হবে

scikit-learn → scipy,
  joblib, threadpoolctl
matplotlib → pillow, …
pandas → numpy, tzdata …
Resolved 19 packages in 1.20s

name = "numpy"
version = "2.5.4"
wheels: win, mac, linux
hash = "sha256:…"

scipy  35.6MiB
numpy  12.1MiB
pandas 10.4MiB …
Prepared 19 packages in 41.69s

Installed 19 packages in 1.00s
মোট সময়: 43.9s
নতুন প্রকল্পে আবার: 1.1s

৫ · একই কাজ venv আর pip দিয়ে — requirements.txt বনাম lockfile

uv নতুন; অনেক প্রতিষ্ঠান, পুরোনো টিউটোরিয়াল আর সার্ভারে এখনো চলে Python-এর সাথে আসা দুই টুল: venv আর pip. এগুলো কীভাবে কাজ করে — activate, PATH, site-packages — বিস্তারিত আছে Python কোর্সের pip আর venv পর্বে. এখানে শুধু AI-এর একই চার package দিয়ে পাশাপাশি তুলনা।

সত্যিকারের run (একই কম্পিউটার, uv-এর নামানো Python 3.14.10, venv-এর সাথে আসা pip 26.2.2; Windows-এ Git Bash থেকে, তাই activate-এর পথ Scripts):

$ python -m venv .venv                        # 2.7s
$ source .venv/Scripts/activate               # macOS/Linux: .venv/bin/activate
(.venv) $ pip install numpy pandas scikit-learn matplotlib
…
Successfully installed cloudpickle-3.1.2 contourpy-1.4.0 … matplotlib-3.11.2
narwhals-2.28.0 numpy-2.5.4 … pandas-3.1.0 … scikit-learn-1.9.1 scipy-1.18.1 …
real    1m25.902s
(.venv) $ pip freeze > requirements.txt
(.venv) $ head -4 requirements.txt
cloudpickle==3.1.2
contourpy==1.4.0
cycler==0.12.1
fonttools==4.68.0

একই ১৮টি package (নিজের প্রকল্প বাদে), একই version. পার্থক্য সময়ে আর রেকর্ডে। এক নজরে, একই দিনের একটি local run-এ:

cache খালি থাকলে দুই টুলের সময়ই মূলত ইন্টারনেটে ফাইল নামানোর সময়, তাই সেখানে তুলনা খুব নির্ভরযোগ্য নয় — অন্য সময় বা অন্য নেটওয়ার্কে সংখ্যা বদলাবে। cache ভরা থাকলে পার্থক্য স্পষ্ট, কারণ uv ফাইলগুলো cache থেকে link বা দ্রুত copy করে, আর pip প্রতিটি wheel খুলে আবার বসায়। আপনার কাজে এই ১৭ সেকেন্ড বড় ব্যাপার কি না, তা নির্ভর করে আপনি দিনে কতবার পরিবেশ বানান তার ওপর (যেমন CI-তে প্রতিবার)।

requirements.txt বনাম lockfile — আসল পার্থক্য

দুই জগতের মধ্যে সেতুও আছে। uv থেকে pip-এর জন্য তালিকা বানাতে uv export --format requirements.txt; আর ২০২৫ সালে গৃহীত PEP 751 একটি মানক lockfile ফরম্যাট দিয়েছে (pylock.toml), uv যেটি --format pylock.toml দিয়ে export করতে পারে। অর্থাৎ lockfile-এর ধারণা আর কোনো এক টুলের নিজস্ব নয়। প্রকল্পের ফোল্ডার, lockfile আর Git-এ কী রাখবেন, তার পূর্ণ অভ্যাস আসবে পর্ব ১২-এ (পুনরুৎপাদনযোগ্য প্রকল্প)।

এবার activate আসলে কী বদলায়, তা ধাপে ধাপে দেখুন। ফোল্ডারের আসল নাম এখানে দেখানো হচ্ছে না; শুধু কোন জায়গা আগে খোঁজা হয়, সেটি।

1cd ~/bazarghar-ai2python -m venv .venv3source .venv/bin/activate4python check_env.py5deactivate6python check_env.py

৬ · Wheel, compile করা package, conda আর GPU

NumPy বা SciPy-এর ভেতরে প্রচুর C, C++ আর Fortran কোড। এমন কোড কোনো কম্পিউটারে চালাতে হলে আগে compile করতে হয় — অর্থাৎ ওই OS আর CPU-র machine code বানাতে হয় (C কোর্সের toolchain পর্বে এই প্রক্রিয়া আছে)। তাই PyPI-তে একটি package দুইভাবে থাকতে পারে:

wheel-এর নামের শেষ তিন অংশকে বলে wheel tag: Python (cp314 = CPython 3.14), ABI (cp314), আর platform (win_amd64 = ৬৪-বিট Windows; manylinux_2_27_x86_64 = বেশিরভাগ আধুনিক ৬৪-বিট Linux; macosx_11_0_arm64 = Apple Silicon Mac). ইনস্টলার নিজের Python আর OS-এর সাথে মেলে এমন wheel খোঁজে; না পেলে sdist নিয়ে build করার চেষ্টা করে। তখনই সমস্যা শুরু হয়।

নিজের চোখে দেখা যাক। NumPy 1.26.4 প্রকাশিত হয়েছিল ২০২৪ সালের শুরুতে, Python 3.14 আসার অনেক আগে, তাই এর কোনো cp314 wheel নেই। একটি আলাদা ছোট প্রকল্পে Python 3.14-এ numpy<2 চাইলে:

সত্যিকারের run (Python 3.14.10, uv 0.13.7; build-এর লম্বা লগ ছাঁটা, ফোল্ডারের নাম সরানো):

$ uv add "numpy<2"
Resolved 2 packages in 2ms
   Building numpy==1.26.4
error: Failed to add dependencies
  cause: Failed to build `numpy==1.26.4`
  cause: The build backend returned an error
  cause: Call to `mesonpy.build_wheel` failed (exit code: 1)
…
         Project name: NumPy
         Project version: 1.26.4
…
         ..\meson.build:1:0: ERROR: Compiler cl cannot compile programs.
…
hint: Build failures usually indicate a problem with the package or the build environment

uv wheel না পেয়ে সোর্স থেকে NumPy build করতে গেল, আর এই কম্পিউটারে C compiler ঠিকমতো সাজানো না থাকায় ব্যর্থ হলো। পনেরো বছর আগে Windows-এ বিজ্ঞানের Python বসানো মানে প্রায় প্রতিবারই এই অভিজ্ঞতা — সাথে Fortran compiler, BLAS library খোঁজা, আর ঘণ্টার পর ঘণ্টা। তখন অনেকে নির্ভর করতেন স্বেচ্ছাসেবীদের বানানো অনানুষ্ঠানিক Windows binary-র ওপর। পরিস্থিতি বদলায় ধাপে ধাপে: ২০১২–১৩ সালে wheel ফরম্যাট (PEP 427), ২০১৬ সালে Linux-এর জন্য manylinux মান (PEP 513), আর বড় প্রকল্পগুলোর স্বয়ংক্রিয় build ব্যবস্থা। আজ প্রায় সব জনপ্রিয় OS আর Python version-এর জন্য wheel থাকে — শর্ত একটাই, version-গুলো একে অপরের সমসাময়িক হতে হবে।

conda আর mamba — কখন দরকার

conda (২০১২ সালে Continuum Analytics, এখনকার Anaconda থেকে আসে) একটি আলাদা জগৎ। এটি PyPI থেকে নয়, নিজের channel থেকে package আনে, আর শুধু Python package নয়, Python-এর বাইরের জিনিসও বসায়: C/C++ library, compiler, CUDA toolkit, GDAL-এর মতো ভূগোলের library, এমনকি R. সম্প্রদায়-চালিত সবচেয়ে বড় channel হলো conda-forge. mamba হলো conda-র একটি দ্রুত, C++-এ নতুন করে লেখা রূপ; conda-র নতুন version-গুলোও ডিফল্টভাবে mamba-র solver (libmamba) ব্যবহার করে বলে জানা যায়।

• conda ভালো যখন: আপনার কাজে এমন non-Python library লাগে যার wheel নেই বা ঝামেলার (ভূগোল, bioinformatics, কিছু GPU stack), অথবা প্রতিষ্ঠান আগে থেকেই conda ব্যবহার করে।
• uv/pip ভালো যখন: আপনার সব package PyPI-তে wheel হিসেবে আছে — এই কোর্সের পুরো stack-এর ক্ষেত্রে তাই।
• সাবধানতা: একই পরিবেশে conda আর pip মেশালে কোনটি কোন ফাইল বসিয়েছে, তা গুলিয়ে যায়। আর Anaconda কোম্পানির নিজস্ব repository বড় প্রতিষ্ঠানে ব্যবহারে বাণিজ্যিক লাইসেন্সের শর্ত আছে বলে জানা যায়; ব্যবহারের আগে সর্বশেষ শর্ত নিজে পড়ে নিন। conda-forge-এর জন্য Miniforge installer প্রচলিত।

conda বা mamba এই পর্ব লেখার জন্য চালানো হয়নি, কারণ এই কোর্সের কোনো কাজে তাদের প্রয়োজন নেই। নিচেরটি তাই উদাহরণ, আউটপুট ছাড়া:

conda create -n bazarghar -c conda-forge python=3.14 numpy pandas scikit-learn matplotlib
conda activate bazarghar

GPU library — শুধু দিকনির্দেশ

এই কোর্সের প্রায় সব কাজ সাধারণ ল্যাপটপের CPU-তেই চলে। deep learning-এ GPU লাগলে (পরে আলাদা Deep Learning কোর্সে) মনে রাখবেন: PyTorch-এর মতো library-র GPU-রূপ সাধারণ PyPI ইনস্টলের চেয়ে একটু আলাদা হতে পারে — NVIDIA GPU-র জন্য CUDA-যুক্ত build, AMD-এর জন্য ROCm, Apple Silicon-এ Metal. সঠিক কমান্ড পেতে প্রতিটি প্রকল্পের অফিসিয়াল install-পাতা দেখুন (PyTorch-এর ওয়েবসাইটে OS আর GPU বেছে কমান্ড পাওয়া যায়)। ড্রাইভার, CUDA version আর library version — তিনটি মিলতে হয়। এই লেখা যে কম্পিউটারে তৈরি, সেখানে GPU নেই, তাই কোনো GPU আউটপুট এখানে দেখানো হচ্ছে না।

৭ · ভেতর থেকে version যাচাই আর তিনটি সাধারণ error

Python-এর ভেতর থেকে version দেখা

দুটি উপায় আছে, আর দুটির পার্থক্য জানা দরকার:

• numpy.__version__ — module import করে তার নিজের লেখা version পড়া। প্রচলিত, কিন্তু সব package এটি রাখে না, আর import করতে হয়।
• importlib.metadata.version("scikit-learn") — import না করে ইনস্টল-তথ্য থেকে পড়া। এখানে নাম দিতে হয় distribution-এর নাম, যে নামে ইনস্টল করেছেন: scikit-learn, যদিও import করেন sklearn নামে। pillow ইনস্টল করে import করেন PIL.

Error ১ — ModuleNotFoundError: “ইনস্টল তো করেছিলাম!”

একই check_env.py, কিন্তু প্রকল্পের venv বাদ দিয়ে uv-এর নামানো সাধারণ Python দিয়ে চালানো হলো (-s দিয়ে ব্যবহারকারীর নিজস্ব package-ফোল্ডারও বাদ):

$ python -s check_env.py
Traceback (most recent call last):
  File "~/bazarghar-ai/check_env.py", line 4, in <module>
    import numpy as np
ModuleNotFoundError: No module named 'numpy'

package ইনস্টল আছে, কিন্তু .venv-এর ভেতরে; এই Python সেখানে খোঁজেই না। সমাধান: uv run check_env.py, অথবা আগে venv activate. pip ব্যবহার করলে সবসময় python -m pip install … লিখুন, শুধু pip নয় — তাতে নিশ্চিত হন যে package যাচ্ছে ঠিক সেই Python-এ, যেটি আপনি চালাবেন।

Error ২ — ভুল নাম: pip install sklearn

import-এর নাম আর ইনস্টলের নাম গুলিয়ে ফেলা খুব সাধারণ। PyPI-তে sklearn নামের package-টি একটি পুরোনো বিকল্প নাম, যা scikit-learn দল ইচ্ছে করে ইনস্টলে error দেওয়ার মতো করে রেখেছে। সত্যিকারের run (ছাঁটা):

$ uv pip install sklearn
error: Failed to build `sklearn==0.0.post12`
…
         The 'sklearn' PyPI package is deprecated, use 'scikit-learn'
         rather than 'sklearn' for pip commands.
…
hint: `sklearn` is often confused for `scikit-learn`. Did you mean to install `scikit-learn` instead?

Error ৩ — version conflict

ধরুন বাজারঘরের পুরোনো একটি বিক্রির পূর্বাভাসের কোড NumPy 1.x-এ লেখা, আর কেউ ভাবলেন “numpy<2 দিলেই সব ঠিক”। কিন্তু প্রকল্পে আগেই pandas 3.1 আছে। নিচের ডায়াগ্রামে দ্বন্দ্বটি কীভাবে ধরা পড়ল আর কীভাবে মিটল, ধাপে ধাপে দেখুন। ধাপ ২ আর ৫-এর আউটপুট সত্যিকারের run থেকে।

$ uv add "numpy<2"
আগে থেকে আছে:
pandas>=3.1.0

Because pandas>=3.1.0
depends on numpy>=2.3.3
and your project depends
on numpy<2, …
incompatible.

pandas চায়: ───[2.3.3──▶
আপনি চান : ◀──2)
ছেদ        : কিছুই না

A: pandas 2 + numpy 1.26
   → 3.14-এ wheel নেই,
     build ব্যর্থ
B: পুরোনো কোড NumPy 2-এ,
   numpy<2 শর্ত বাদ

$ uv lock --check
Resolved 19 packages in 0.73ms
$ uv run check_env.py
numpy         2.5.4 …

Resolver আসলে কী করে, তা ছোট একটি খেলনা-মডেলে দেখা যায়। নিচের কোডে একটি কাল্পনিক টেবিল: pandas-এর দুটি version, বাজারঘরের ভেতরের পুরোনো একটি library forecast (শুধু numpy 2-এর নিচে চলে), আর numpy-র তিনটি version. কৌশল সরল: প্রতিটি package-এর নতুনতম version আগে চেষ্টা, কোনো শর্ত না মিললে পিছিয়ে এসে (backtracking) আগের সিদ্ধান্ত বদলানো। আসল resolver (uv-এর PubGrub-ভিত্তিক, pip-এর resolvelib-ভিত্তিক) এর চেয়ে অনেক চতুর, কিন্তু মূল ধারণা একই। এই পাতার কোড আপনার ব্রাউজারেই চলে; প্রথমবার চালাতে কয়েক সেকেন্ড লাগতে পারে।

# A toy resolver: newest version first, step back on a conflict.
# The table is made up for teaching; real numbers live on PyPI.
INDEX = {
    "pandas":   {"3.1": {"numpy": ("2.3", "99")}, "2.2": {"numpy": ("1.26", "99")}},
    "forecast": {"1.4": {"numpy": ("1.20", "2")}},   # old in-house library
    "numpy":    {"2.5": {}, "2.3": {}, "1.26": {}},
}
V = lambda s: tuple(int(x) for x in s.split("."))     # "1.26" -> (1, 26)

def resolve(todo, chosen, limits):
    if not todo:
        return chosen
    pkg, rest = todo[0], todo[1:]
    lo, hi = limits.get(pkg, ("0", "99"))
    for ver in INDEX[pkg]:                            # newest first
        if not V(lo) <= V(ver) < V(hi):
            print(f"  skip {pkg} {ver}: need {lo} <= {pkg} < {hi}")
            continue
        print(f"  try  {pkg} {ver}")
        new = dict(limits)
        for dep, (dlo, dhi) in INDEX[pkg][ver].items():
            olo, ohi = new.get(dep, ("0", "99"))
            new[dep] = (max(olo, dlo, key=V), min(ohi, dhi, key=V))
        found = resolve(rest, {**chosen, pkg: ver}, new)
        if found:
            return found
    print(f"  back: no {pkg} fits")
    return None

print("result:", resolve(["pandas", "forecast", "numpy"], {}, {}))

  try  pandas 3.1
  try  forecast 1.4
  skip numpy 2.5: need 2.3 <= numpy < 2
  skip numpy 2.3: need 2.3 <= numpy < 2
  skip numpy 1.26: need 2.3 <= numpy < 2
  back: no numpy fits
  back: no forecast fits
  try  pandas 2.2
  try  forecast 1.4
  skip numpy 2.5: need 1.26 <= numpy < 2
  skip numpy 2.3: need 1.26 <= numpy < 2
  try  numpy 1.26
result: {'pandas': '2.2', 'forecast': '1.4', 'numpy': '1.26'}

এবার উল্টো দিক থেকে: যে package এই পাতায় নেই, তা import করতে চাইলে কী হয়, আর কীভাবে সেটি ভদ্রভাবে সামলাবেন। নিচের কোড import_module দিয়ে নাম ধরে import চেষ্টা করে, ModuleNotFoundError ধরে, আর বানান ভুল হলে কাছাকাছি নাম প্রস্তাব করে।

import difflib
import importlib
import numpy  # bundled in this page, loaded on purpose

KNOWN = ["numpy", "pandas", "sklearn", "matplotlib", "scipy"]

def try_import(name):
    try:
        mod = importlib.import_module(name)
        print(f"OK    {name:10} {getattr(mod, '__version__', '?')}")
    except ModuleNotFoundError as err:
        print(f"MISS  {name:10} {err}")
        close = difflib.get_close_matches(name, KNOWN, n=1)
        if close:
            print(f"      did you mean '{close[0]}'?")
        else:
            print("      not in this page; install it on your own computer")

for name in ["numpy", "torch", "tensorflow", "pandsa"]:
    try_import(name)

OK    numpy      2.4.6
MISS  torch      No module named 'torch'
      not in this page; install it on your own computer
MISS  tensorflow No module named 'tensorflow'
      not in this page; install it on your own computer
MISS  pandsa     No module named 'pandsa'
      did you mean 'pandas'?

৮ · এই কোর্সের পাতায় Python — Pyodide কী পারে, কী পারে না

এই কোর্সের “চালান” বোতাম চাপলে কোড কোনো সার্ভারে যায় না, চলে আপনার ব্রাউজারেই। এর পেছনে আছে Pyodide: আসল CPython interpreter, যাকে WebAssembly-তে compile করা হয়েছে, আর তার সাথে NumPy, pandas, scikit-learn, matplotlib-এর মতো package, যেগুলোও ব্রাউজারের জন্য আলাদা করে build করা। Pyodide শুরু হয়েছিল ২০১৮ সালের দিকে Mozilla-তে (Michael Droettboom-এর নেতৃত্বে), পরে এটি একটি স্বাধীন open-source প্রকল্প হয়।

প্রথম ব্লকটি দেখায় এই পাতায় কোন version-গুলো আছে। লক্ষ করুন, importlib.metadata-এ নাম scikit-learn, আর import-এ sklearn. scikit-learn প্রথমবার লোড হতে প্রায় ১০ সেকেন্ড লাগতে পারে।

import sys
from importlib.metadata import version

# importing makes the page load these packages
import numpy, pandas, sklearn, matplotlib

print("Python", sys.version.split()[0])
for dist in ["numpy", "pandas", "scikit-learn", "matplotlib"]:
    print(f"{dist:13} {version(dist)}")

# the module's own attribute says the same thing
print("sklearn.__version__ =", sklearn.__version__)
print("numpy.__version__   =", numpy.__version__)

Python 3.14.2
numpy         2.4.6
pandas        3.0.2
scikit-learn  1.8.0
matplotlib    3.10.8
sklearn.__version__ = 1.8.0
numpy.__version__   = 2.4.6

দ্বিতীয় ব্লক দেখায় এই Python নিজেকে কোথায় চলছে বলে মনে করে। (কম্পিউটারের নাম, ফোল্ডার বা অন্য কোনো ব্যক্তিগত তথ্য ইচ্ছে করেই ছাপা হচ্ছে না।)

import sys

print("sys.version :", sys.version)
print("sys.platform:", sys.platform)

major, minor = sys.version_info[:2]
print("version_info:", (major, minor))

if sys.platform == "emscripten":
    print("Running inside the browser (WebAssembly).")
    print("No terminal, no pip/uv, no subprocess, no GPU here.")
else:
    print("Running as a normal program on a computer.")

sys.version : 3.14.2 (main, Sep 14 2026, 03:03:51) [Clang 23.0.0git (…llvm-project e5927fecf8a6…
sys.platform: emscripten
version_info: (3, 14)
Running inside the browser (WebAssembly).
No terminal, no pip/uv, no subprocess, no GPU here.

সাধারণ Pyodide-এ micropip নামে একটি ছোট ইনস্টলার দিয়ে কিছু pure-Python package নামানো যায়, কিন্তু এই কোর্সের পাতা ইচ্ছে করেই তা বন্ধ রাখে, যাতে সব পাঠক একই পরিবেশ পান আর পাতা নিরাপদ থাকে। শেখার জন্য পাতা, আর আসল প্রকল্পের জন্য নিজের কম্পিউটারে uv — দুটোই দরকার। পরের পর্বে (পর্ব ৮, Jupyter notebook) দেখবেন একই uv প্রকল্পের ভেতরে কীভাবে notebook চালানো হয়।

৯ · AI-এর যুগে — AI সহকারীর ইনস্টল-পরামর্শ যাচাই

সেটআপে আটকে গেলে AI সহকারী দ্রুত সাহায্য করে। কিন্তু ইনস্টল আর version-এর প্রশ্নে তার ভুলের ধরনগুলো চেনা দরকার, কারণ এখানে তথ্য খুব দ্রুত পুরোনো হয় — AI যে ডেটায় শিখেছে, তার পরে নতুন Python, নতুন NumPy, নতুন uv এসে গেছে। ডেটা আর AI-এর কাজে AI সহকারী প্রায়ই যে ভুল করে:

AI সহকারীর সেটআপ-পরামর্শ হাতে পেলে — যাচাইয়ের চেকলিস্ট

• প্রতিটি package-এর নাম PyPI-তে মিলিয়েছি (import-এর নাম আর ইনস্টলের নাম আলাদা হতে পারে)
• Python version আর library-র সমর্থিত version অফিসিয়াল পাতায় দেখেছি, AI-এর কথায় নয়
• প্রতিটি কমান্ড প্রকল্পের venv-এ বা uv run দিয়ে চালিয়েছি; সিস্টেম Python-এ বা sudo দিয়ে কিছু বসাইনি
• চালানোর পর version ছাপিয়ে দেখেছি — যা চেয়েছিলাম তাই বসেছে কি না
• error বা warning চাপা দেওয়া হয়নি; কারণ বুঝে একটি শর্ত বদলেছি
• pyproject.toml আর lockfile একসাথে রেখেছি; অন্য কম্পিউটারে uv sync --locked দিয়ে যাচাই করেছি
• AI-কে পাঠানো মেসেজে কোনো ব্যক্তিগত ফোল্ডারের নাম, টোকেন বা গ্রাহকের ডেটা নেই