conda学习笔记

\(\Huge{conda学习笔记}\)

目录

• 什么是 conda？
  • 1. 核心功能
  • 2. 使用场景
  • 3. Conda 的发行版
  • 4. 注意事项
  • 5. conda 常用命令
• conda install 与 pip install 的区别
  • 1. 为什么 Anaconda 同时包含 conda 和 pip？
    • 兼容性需求
    • 用户习惯
    • 灵活性
  • 2. 如何确认 conda 环境中是否包含 pip？
    • 方法 1
    • 方法 2
  • 3. 在 conda 环境中使用 pip 的注意事项
    • (1) 优先使用 conda 安装包
    • (2) 谨慎使用 pip
    • (3) 避免混用 conda 和 pip 安装同一包
    • (4) conda与pip在安装路径上的区别
  • 4. 为什么 conda 环境中已有 pip，仍需谨慎使用？
    • 依赖隔离性
    • 二进制兼容性
  • 5. 最佳实践总结
  • 6. 总结

什么是 conda？

Conda 是一个强大的跨平台包管理和环境管理工具，最初为 Python 设计，但也支持其他语言（如 R、C/C++、Java）。它的主要功能是帮助用户创建独立的虚拟环境并管理依赖包，从而解决不同项目之间的版本冲突问题。

1. 核心功能

• 环境管理：Conda 可以创建隔离的虚拟环境，每个环境包含特定版本的 Python 和依赖包，互不干扰。例如：

conda create --name myenv python=3.9 numpy pandas
conda activate myenv # 激活环境
conda deactivate # 退出环境
conda env list # 查看所有环境
conda env remove --name myenv # 删除环境

• 包管理：Conda 支持安装、更新和卸载包，且能自动处理依赖关系。例如：

conda install numpy # 安装包
conda install -c conda-forge scipy # 从指定仓库安装
conda update numpy # 更新包
conda remove numpy # 卸载包

• 依赖冲突解决：Conda 能自动处理库之间的版本兼容性，避免手动解决依赖问题。

• 跨平台支持：Conda 支持 Windows、macOS 和 Linux，确保不同系统下的环境一致性。

• 预编译二进制包：Conda 提供预编译的科学计算库（如 NumPy、Pandas、TensorFlow），无需手动编译，安装速度快且稳定。

2. 使用场景

• 多版本 Python 管理：在同一台机器上运行不同版本的 Python（如 3.8 和 3.10）。
• 科学计算和数据分析：快速搭建数据科学环境，适合机器学习和深度学习项目。
• 跨语言依赖管理：支持安装非 Python 包（如 R 和 C++ 库）。

3. Conda 的发行版

• Anaconda：包含 Python 和 1500+ 科学计算包，适合开箱即用。
• Miniconda：轻量级版本，仅包含 Conda 和 Python，用户可按需安装其他包。

4. 注意事项

• 优先使用 Conda 安装包：在同一环境中，尽量先用 conda install，再用 pip，以避免依赖冲突。
• 镜像加速：通过配置国内镜像（如清华源）提升下载速度。
• 环境导出：使用 conda env export > environment.yml 导出环境配置，便于团队协作。

Conda 是管理复杂项目环境的理想工具，尤其适合需要多版本、多依赖和跨平台协作的场景。

---

5. conda 常用命令

conda create -n env_name python=3.x # 创建新的python环境  
conda env list 						# 查看已有的python环境  
conda activate env_name 			# 进入已有的python环境  
conda deactivate 					# 退出当前的python环境  
conda remove -n env_name --all		# 删除conda环境

pip install -r requirements.txt  	# 根据requirements.txt的内容安装所需的包
pip install package_name          	# 安装包
pip install ............... --timeout 6000

pip 换清华源后缀:
-i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple --trusted-host=https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

conda install 与 pip install 的区别

(44 条消息) 请问大神们，pip install 和 conda install 有什么区别吗？ - 知乎

在 Anaconda 环境中，默认会同时包含 conda 和 pip 两个库包管理工具。

1. 为什么 Anaconda 同时包含 conda 和 pip？

兼容性需求

虽然 conda 是 Anaconda 等基于 conda 的发行版的核心工具，但某些 Python 的库包可能仅存在于 PyPI（Python 官方包仓库），未提供 conda 版本。此时仍需 pip 工具作为补充来安装三方库。
例如：小众库或尚未适配 conda 的新兴工具可能只能通过 pip 安装。

用户习惯

许多开发者熟悉 pip，因此 Anaconda 保留 pip 可降低迁移成本。

灵活性

在 conda 环境中，用户可 自由选择 conda 或 pip，但需注意潜在冲突（后文会详细说明）。

2. 如何确认 conda 环境中是否包含 pip？

方法 1

在终端中激活 conda 环境后，运行以下命令：

conda list | grep pip

若输出中包含 pip，则表示已安装（Windows 用户可省略 grep，直接查看列表）。

方法 2

运行 pip --version，若显示路径指向 conda 环境的目录（如 ~/anaconda3/envs/my_env/bin/pip），则说明 pip 属于当前环境。

3. 在 conda 环境中使用 pip 的注意事项

(1) 优先使用 conda 安装包

原因：

• conda 能管理非 Python 依赖（如 C/C++ 库），而 pip 仅处理 Python 包。
• 通过 conda 安装的包会经过兼容性验证，减少环境冲突风险。

示例：安装 numpy

conda install numpy  # 推荐，自动处理底层依赖（如 MKL 加速库）

(2) 谨慎使用 pip

适用场景：

• 当某个包 未提供 conda 版本（如 transformers 的某些早期版本）。
• 需要安装 开发版或特定分支 的包（如 GitHub 直接拉取的代码）。

操作建议：
先尝试通过 conda 安装：

conda search <package_name>  # 检查是否存在 conda 版本

若无 conda 版本，再使用 pip：

pip install <package_name>

安装后运行以下命令，修复可能的依赖冲突：

conda update --all  # 尝试让 conda 协调环境

(3) 避免混用 conda 和 pip 安装同一包

风险：
若先用 conda 安装包 A，再用 pip 安装包 B（依赖 A 的不同版本），可能导致 A 被降级或升级，破坏 conda 的依赖树。
例如：conda install numpy==1.20 → pip install tensorflow，若 tensorflow 依赖 numpy>=1.21，pip 可能强制升级 numpy，导致 conda 环境不稳定。

解决方案：

• 使用 conda list 和 pip list 定期检查包版本。
• 若已混用导致问题，可尝试重建环境：

conda remove --name my_env  --all  # 删除环境
conda create --name my_env  python=3.9  # 重新创建

(4) conda与pip在安装路径上的区别

• conda install xxx：这种方式安装的库都会放在anaconda3/pkgs目录下，这样的好处就是，当在某个环境下已经下载好了某个库，再在另一个环境中还需要这个库时，就可以直接从pkgs目录下将该库复制至新环境而不用重复下载。
• pip install xxx：分两种情况，一种情况就是当前conda环境的python是conda安装的，和系统的不一样，那么xxx会被安装到anaconda3/envs/current_env/lib/python3.x/site-packages文件夹中，如果当前conda环境用的是系统的python，那么xxx会通常会被安装到~/.local/lib/python3.x/site-packages文件夹中

4. 为什么 conda 环境中已有 pip，仍需谨慎使用？

依赖隔离性

conda 会严格跟踪其安装的所有包及其依赖关系，但 无法追踪 pip 安装的包。
当 pip 修改了某个共享依赖的版本时，conda 可能无法感知，导致环境出现“隐形”冲突。

二进制兼容性

conda 的预编译包可能依赖特定版本的底层库（如 OpenSSL、CUDA），而 pip 安装的包可能与之不兼容。
例如：通过 pip 安装的 tensorflow 可能与 conda 安装的 CUDA 驱动版本不匹配。

5. 最佳实践总结

场景	推荐工具	操作示例	备注
安装常见科学计算库	conda	conda install numpy pandas	自动处理非 Python 依赖
安装仅 PyPI 中有的包	pip	pip install some_package	安装后运行 conda update --all
创建新环境	conda	conda create --name my_env python=3.9	创建纯净环境
卸载包	conda	conda remove package_name	避免残留 pip 安装的依赖

6. 总结

Anaconda 默认同时提供 conda 和 pip，二者的共存是为了兼顾灵活性与生态兼容性，但需遵循以下原则：

1. 优先使用 conda：确保依赖完整性和环境稳定性。
2. 必要时用 pip：补充 conda 未覆盖的包(有些库包只存在 pypi 这个 python 官方仓库中, 只能通过 pip 来安装)，但需严格检查版本冲突。
3. 避免混用：减少依赖树混乱，遇到问题及时重建环境。

合理利用两者，可以最大程度发挥 Anaconda 在数据科学和复杂项目管理中的优势！