0-Anaconda：环境和包管理

安装Python之后，就相当于我们买了辆裸车，Anaconda就是改装后的Python“兰博基尼”，集成了很多现成的好用的工具。其实Anaconda就是预装了很多包的python。

Anaconda是什么？

Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。

Anaconda利用工具/命令conda来进行package和environment的管理，并且已经包含了Python和相关的配套工具。

下载

https://www.anaconda.com/download/

 安装

 双击exe

安装完成之后，我们打开开始按钮，会发现如下程序：

 

Anaconda Navigator：用于管理工具包和环境的图形用户界面，后续涉及的众多管理命令也可以在 Navigator 中手工实现

Jupyter notebook：基于web的交互式计算环境，可以编辑易于人们阅读的文档，用于展示数据分析的过程

qtconsole：一个可执行 IPython 的仿终端图形界面程序，相比 Python Shell 界面，qtconsole 可以直接显示代码生成的图形，实现多行代码输入执行，以及内置许多有用的功能和函数。

spyder：一个使用Python语言、跨平台的、科学运算集成开发环境。

优点

省时省心、分析利器。

官方文档

https://docs.conda.io/en/latest/

常用命令

在不指定 Conda 环境的情况下，conda 命令 ​​仅作用于当前激活的环境中。若未激活任何环境​​：Conda命令 默认作用于 base（即根环境）中。

conda新一版本命令规律：如果使用全称，就要使用两个“--”，如果使用简称，就要使用一个“-”，例如：

conda create -n newenv python=3.12

#等价写法
conda create --name newenv python=3.12

环境管理命令

注意，如果要设置环境所在的路径，请在conda创建环境之前，在配置文件“.condarc”里添加：envs_dirs 属性：

conda config --add envs_dirs D:\conda_envs

# 创建环境
conda create -n myenv python=3.9
# 例如：
conda create -n myenvironment python numpy pandas
# 激活环境
conda activate myenv
# 切换回默认环境base：
conda activate
# 退出环境
conda deactivate
# 删除环境
conda env remove -n myenv
# 查看所有环境，正在活动环境是带有星号 (*) 的环境，方法1：
 conda env list
# 要查看所有环境的列表，方法2
conda info --envs

conda info -e

包管理命令

# 搜索可用的包
conda search $SEARCH_TERM
# 列出已安装的软件包
conda list --name $ENVIRONMENT_NAME
# 查看python安装包
conda list python --name base#（即根环境）中安装包。
# 安装包
conda install $PACKAGE_NAME
# 在指定环境安装相关库
conda activate myenvironment
conda install matplotlib
# 在指定环境安装相关库
conda install --name myenvironment matplotlib
# 从特定源安装包
conda install --channel $URL $PACKAGE_NAME
# 更新包
conda update --name $ENVIRONMENT_NAME $PACKAGE_NAME
# 更新包管理器
conda update conda
# 卸载软件包
conda remove --name $ENVIRONMENT_NAME $PACKAGE_NAME
conda remove --name myenvironment  python scipy
# 安装 Python
conda install python=x.x
# 更新 Python:更新到该系列中的最新版本，因此任何 Python 2.x 都会更新到最新的 2.x，任何 Python 3.x 都会更新到最新的 3.x。
conda update python

更新conda命令

#查看 conda 版本
conda --version
#将 conda 更新到最新版本：
conda update conda

频道（源）

由于python各种版本库非常多并且复杂，且版本依赖很严重，所以就有了“频道”，意思就是我们都在同一个频道上，肯定不会有错，例如我们做科学计算，使用到numpy，pandas，matplotlib等库，每个库都有很多版本，但是numpy1.0可能和pandas1.2以及matplotlib1.3是“一套”适配版本，但是我们肯定不知道也记不住这麽多版本号，那怎么办？就用频道来解决，conda里面的默认频道“conda-forge”里面就会自动给我们搭配好各种已经验证过的“配方”，各种库直接都是适配的，我们不需要关心版本号，除非有特殊特殊的要求。

 

当然，由于conda里面的默认频道“conda-forge”地址在海外，所以我们在下载安装库的时候会比较慢，于是就有了国内的各种镜像频道（镜像源），例如，清华以及阿里等等镜像源。我们可以在.condarc文件里面进行源配置。也可以通过命令配置。我们一一讲解

.condarc配置文件

有多个 .condarc 文件？​​

Conda 在运行时 ​​按优先级加载多个路径的配置文件​​，这是正常现象。以下是具体原因和影响：

---

多个Conda 配置文件加载顺序​​

Conda 会依次从以下位置读取 .condarc（优先级从高到低）：

1. ​​当前环境路径​​（如 D:\install\tools\Anaconda312\envs\your_env\.condarc）
   • 仅对特定环境生效。
2. ​​用户主目录​​（如 C:\Users\luzhanshi\.condarc）
   • 对当前用户的所有 Conda 操作生效。
3. ​​Anaconda 根目录​​（如 D:\install\tools\Anaconda312\.condarc）
   • 对所有使用该 Anaconda 实例的用户生效。

潜在问题​​

• ​​配置冲突​​：例如，用户主目录和 Anaconda 根目录的 channels 列表不一致，可能导致依赖解析混乱。
• ​​镜像源失效​​：如果两个文件定义了不同的镜像源（如清华源和官方源），可能引发下载速度或兼容性问题。

---

如何管理多个 .condarc 文件？​​

保留用户主目录的配置​​，删除或注释掉 Anaconda 根目录的 .condarc：

del D:\install\tools\Anaconda312\.condarc

使用命令修改配置（避免手动编辑）​

# 添加清华镜像源（用户主目录生效）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels conda-forge
# 设置频道优先级为 flexible
conda config --set channel_priority flexible

 默认配置文件优先级总结​​

配置文件位置	作用范围	优先级
当前环境/.condarc	仅当前环境	最高
用户主目录/.condarc	当前用户所有操作	高
Anaconda根目录/.condarc	所有用户	低
系统级路径（如/etc/.condarc）	所有用户	最低

特殊情况​​

• ​​环境隔离需求​​：如果某个项目需要独立配置（如私有镜像源），可在项目（环境）目录下创建 .condarc，仅对该环境的操作生效。
• ​​多用户服务器​​：管理员通常在 Anaconda 根目录配置公共镜像源，用户可在自己的目录覆盖配置。

配置文件配置项说明

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/  # 清华镜像源（免费包）
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/  # 清华镜像源（主包）
  - conda-forge                                               # 社区维护包
  - defaults                                                  # 官方默认源（可选）（实际指向 repo.anaconda.com/pkgs/main）
  - https://repo.anaconda.com/pkgs/main                       # 官方主包源（与 defaults 重复）
  - https://repo.anaconda.com/pkgs/r                          # R 语言相关包
  - https://repo.anaconda.com/pkgs/msys2                      # Windows 系统工具包
#channel_priority：频道优先级模式​
channel_priority: strict                                      # 严格按频道顺序解析依赖；strict：仅在高优先级频道中查找所有依赖包，若找不到则失败。flexible：允许跨频道解析依赖（推荐用于多频道环境）。若设置为 strict，混合镜像源和官方源时易引发依赖不兼容。

ssl_verify: true  　　　　　　　　　　　　　　　　　　　　　　　　　　 # 启用 SSL 验证（默认）

• ​​作用​​：按顺序指定 Conda 搜索包的频道，优先级从上到下递减。
• ​​问题​​：
• 上面配置文件defaults 和 https://repo.anaconda.com/pkgs/main 重复。

channel_priority

• strict 的冲突本质​​：
  它要求​​所有依赖必须来自同一优先级的频道​​，如果该频道的包版本无法形成完整依赖链（即使其他频道有兼容版本），就会失败。

• ​​flexible 的风险本质​​：
  它允许跨频道组合依赖，但不同频道的包可能因编译环境差异（如 Linux 系统库版本）导致运行时崩溃。例如，从镜像源安装 PyTorch（CUDA 11.3 编译），从官方源安装 TensorFlow（CUDA 11.6 编译），混合使用可能引发 CUDA 错误。

如何选择？​​

​​场景​​	​​推荐模式​​	​​原因​​
使用单一可信源（如仅官方源或仅镜像源）	strict	确保依赖全部来自同一来源，避免隐式兼容问题。
混合多频道（如镜像+官方）	flexible	允许跨频道解析，但需人工审核关键包（如深度学习框架、CUDA 相关）的来源一致性。
需要最大兼容性（旧项目维护）	disabled¹	关闭优先级，完全依赖 Conda 的依赖求解器，可能找到更多解但风险最高。

¹ disabled 是更宽松的模式（Conda 早期默认），允许任意混合频道，​​慎用​​。

最佳实践​​

1. ​​优先使用单一频道​​：通过 conda config --add channels 设置唯一源（如清华镜像），避免混合。
2. ​​必要时混合频道​​：若必须混合，使用 flexible 但手动指定关键包的频道，例如：

   conda install -c defaults pytorch -c mirror numpy

最终建议配置文件内容

channel_priority: flexible
channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - conda-forge

显式指定频道

在某些情况下，我们安装较新版本的库时，会遇到错误，因为一些镜像源的同步并没有那么及时，例如：

conda create -n numpy_pandas_matplotlib python=3.12 numpy pandas matplotlib

1. ​​频道优先级冲突​​：
   你的 .condarc 配置中设置了 channel_priority: strict，这会强制 Conda ​​仅在最高优先级的频道中查找所有依赖​​。
   由于 anaconda/pkgs/main 频道中 python=3.13 的依赖链不完整（例如缺少兼容的 numpy、pandas 等包），导致依赖解析失败。

2. ​​包兼容性问题​​：
   Python 3.13 目前处于 ​​预发布阶段​​，许多科学计算包（如 numpy、pandas）尚未提供适配版本，导致无法构建完整环境。

解决办法：强制指定频道（源）

conda create -n numpy_pandas_matplotlib -c conda-forge python=3.12 numpy pandas matplotlib

 说明​​：conda-forge 通常更快适配新版本 Python。

环境使用说明

1.在指定环境运行jupyter

假设我们要学习pandas，我们可以按照以下步骤来进行，首先打开cmd窗口，然后输入以下命令

#创建环境并安装相关库
conda create -n pandas_learn python numpy pandas

#启动改环境
conda activate pandas_learn 

#在此环境下打开jupyter notebook
jupyter notebook

2.从 base 环境启动但使用其他环境内核​​

• ​​操作场景​​：
  如果希望从 base 启动 Jupyter Notebook，但选择 myenv 环境的内核执行代码。
• ​​操作步骤​​

# 在 myenv 中安装 ipykernel
conda activate myenv
conda install ipykernel

# 将 myenv 注册为 Jupyter 内核（仅需一次）
python -m ipykernel install --user --name myenv --display-name "MyEnv"

# 回到 base 环境启动 Jupyter Notebook
conda activate base
jupyter notebook

在 Jupyter 中选择内核​​：
新建 Notebook 时，通过菜单 ​​Kernel → Change kernel → MyEnv​​ 切换到 myenv 环境。

---

​​3. 最佳实践​​

场景	推荐方法
长期使用单一环境处理数据	直接在目标环境中安装并启动 Jupyter Notebook（无需切换内核）
需要跨多个环境调试代码	注册各环境为 Jupyter 内核，从 base 统一启动 Notebook，按需切换内核
避免环境冲突	为每个项目创建独立环境，并通过 ipykernel 管理内核

 

4. 补充技巧​​--后台启动

正常情况下，我们使用cmd启动jupyter之后，我们电脑的cmd窗口必须一直处于打开状态，因为关闭cmd窗口，jupyter服务就会停止：

 解决方案

• ​​后台运行 Jupyter Notebook​​：
  使用 nohup（Linux/macOS）或 start（Windows）命令让进程脱离终端：

# Windows
start jupyter notebook

# Linux/macOS
nohup jupyter notebook &

终止 Jupyter 进程​​：
若终端已关闭，可通过任务管理器（Windows）或 kill 命令（Linux/macOS）结束进程。

 anaconda的替代方案

• ​​曾是主流​​：Anaconda 因其预装科学计算库和环境管理功能，​​曾是数据科学领域的首选工具​​。
• ​​现状变化​​：随着轻量化工具和替代品的崛起，Anaconda 的“全家桶”模式因 ​​体积庞大、启动慢、依赖复杂​​ 逐渐被部分开发者放弃。

在环境管理领域，Anaconda 确实是流行的选择之一（尤其在数据科学领域），但它并非唯一选择，其性能问题也常被用户诟病。以下是详细分析和替代方案建议：

---

一、Anaconda 速度慢的可能原因

1. 图形界面开销
   Anaconda Navigator 的 GUI 界面依赖大量前端库（如 Electron 或 Qt），启动时需要加载额外资源，而命令行直接调用 jupyter notebook 跳过了这些开销，因此更快。

2. 预装包过多
   Anaconda 默认安装数百个科学计算包（如 NumPy、Pandas 等），占用磁盘空间和内存，可能拖慢整体性能。

3. Conda 解析依赖较慢
   Conda 的依赖解析算法在处理复杂环境时可能较慢，尤其当频道（channels）和包版本冲突时。

---

二、Anaconda 的轻量替代品

以下是更轻量、高效的环境管理工具：

1. Miniconda

• 特点：Anaconda 的极简版，仅包含 Conda、Python 和基础依赖，用户按需安装包。

• 优势：减少预装包，体积更小（~100MB vs Anaconda 的 ~3GB），性能更优。

• 适用场景：需要 Conda 生态但希望轻量化的用户。

2. Mamba

• 特点：Conda 的 C++ 加速替代品，完全兼容 Conda 命令，依赖解析速度提升 10-100 倍。

• 优势：直接替换 Conda，例如 mamba install numpy。

• 适用场景：频繁创建/更新环境的重度 Conda 用户。

• 安装

  conda install -n base -c conda-forge mamba
  mamba install numpy pandas  # 替代 conda install

3. venv / virtualenv（Python 原生工具）

• 特点：Python 内置的虚拟环境工具（venv）或更灵活的第三方工具（virtualenv）。

• 优势：轻量、无需安装额外工具，适合纯 Python 项目。

• 缺点：无法管理非 Python 依赖（如 C 库）。

• 使用：

  python -m venv myenv
  source myenv/bin/activate  # Linux/macOS
  myenv\Scripts\activate    # Windows
  pip install jupyter pandas

4.Poetry

• 特点：结合 pip 和虚拟环境，提供依赖锁定（Pipfile.lock/poetry.lock）。依赖管理与打包一体化​​，精准解决版本冲突。

• 优势：适合纯 Python 应用，依赖管理更规范化。

• 适用场景：Python 库开发或需要严格版本控制的项目。

• 缺点：不适用于需要跨语言依赖（如 R 或 C++ 库）的场景。

• 使用

  pip install poetry
  poetry new myproject
  poetry add numpy

5. Docker

• 特点：通过容器化实现环境隔离，确保跨平台一致性。容器化环境隔离​​，避免污染宿主机。

• 优势：彻底隔离环境，适合复杂依赖或生产部署。

• 缺点：学习成本高，资源占用较大。

• 使用

FROM python:3.9-slim
RUN pip install jupyter pandas
CMD ["jupyter", "notebook", "--ip=0.0.0.0", "--allow-root"]

6.云 Notebook 服务​​

• ​​Google Colab​​：免安装，直接使用 GPU，适合临时实验。
• ​​JupyterLab on Cloud​​：如 AWS SageMaker、Deepnote。

---

三、工具对比与推荐

工具	包管理	跨语言支持	速度	学习成本	适用场景
Anaconda	Conda	是	慢	低	数据科学新手
Miniconda	Conda	是	中	低	需 Conda 但希望轻量化
Mamba	Conda	是	快	低	频繁操作 Conda 环境的用户
venv	pip	否	快	低	纯 Python 简单项目
Poetry	pip	否	中	中	Python 项目规范化管理
Docker	任意	是	中	高	复杂依赖或生产环境

 

工具	优势	劣势	推荐场景
​​Miniconda​​	轻量灵活，兼容 Conda 生态	依赖解析仍较慢	需 Conda 但不想用 Anaconda
​​Mamba​​	极速依赖解析，兼容 Conda	社区资源略少	复杂环境快速搭建
​​venv + pip​​	零额外依赖，Python 原生支持	依赖冲突需手动解决	简单项目或纯 Python 开发
​​Poetry​​	精准依赖管理，适合打包发布	学习曲线较陡	开发 Python 库或严格版本控制
​​Docker​​	完全隔离，跨平台一致性	资源占用高，启动较慢	生产环境或复杂依赖隔离

 

---

四、建议方案

1. 日常数据科学开发
   使用 Miniconda + Mamba，保留 Conda 生态的同时大幅提升速度。

2. 纯 Python 项目
   使用 Poetry 或 venv，简化依赖管理。

3. 企业级或复杂环境
   使用 Docker 确保环境一致性。

---

五、加速 Anaconda 的额外技巧

• 清理缓存：conda clean --all

• 使用国内镜像源（如清华、中科大源）。

• 避免频繁添加频道（减少依赖冲突）。

通过选择合适的工具和优化配置，可以显著提升环境管理效率。

​​换国内镜像源​​：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set channel_priority strict

使用 Mamba 加速​​：

mamba install numpy pandas jupyter

精简环境​​：避免安装非必要包。

5. 总结​​

• ​​弃用 Anaconda 的场景​​：追求轻量、快速启动、简单项目管理。
• ​​坚持 Anaconda 的场景​​：需要开箱即用的科学计算库（如 NumPy、SciPy）或跨平台兼容性。

 

​​推荐选择​​：

• ​​日常数据分析​​：Miniconda + Mamba + 国内镜像。
• ​​开发 Python 库​​：Poetry 或 venv + pip。
• ​​深度学习与生产部署​​：Docker 或云服务。