Conda 是一个开源的包管理和环境管理系统，主要用于管理 Python、R 等语言的包，以及创建隔离的虚拟环境。通过使用 Conda，您可以轻松地管理项目的依赖关系，避免包版本冲突。
以下是使用 Conda 的详细指南：
常用命令总结：
activate // 切换到base环境
activate learn // 切换到learn环境
conda create -n learn python=3 // 创建一个名为learn的环境并指定python版本为3(的最新版本)
conda env list // 列出conda管理的所有环境
conda list // 列出当前环境的所有包
conda install requests 安装requests包
conda remove requests 卸载requets包
conda remove -n learn --all // 删除learn环境及下属所有包
conda update requests 更新requests包
conda env export > environment.yaml // 导出当前环境的包信息
conda env create -f environment.yaml // 用配置文件创建新的虚拟环境
conda config --set auto_activate_base false //设置每次打开终端不开启base虚拟环境
1. 安装 Conda
Anaconda 和 Miniconda 都包含 Conda：
- Anaconda：包含了大量预装的科学计算和数据分析包，适合需要完整数据科学环境的用户。
- Miniconda：仅包含 Conda 和 Python，更为精简，适合希望自定义环境的用户。
安装步骤：
访问官网下载适合您系统的安装包：
- Anaconda：https://www.anaconda.com/products/distribution
- Miniconda：https://docs.conda.io/en/latest/miniconda.html
下载后，打开终端，运行安装脚本：
bash ~/Downloads/Anaconda3-2023.07-Linux-x86_64.sh按照提示完成安装。
2. 更新 Conda
安装完成后，建议先更新 Conda 以确保您使用的是最新版本：
conda update conda
3. 创建虚拟环境
创建独立的虚拟环境可以避免不同项目之间的包版本冲突。
创建环境：
conda create -n 环境名称 python=版本号
示例：
conda create -n myenv python=3.8
这将创建一个名为 myenv 的环境，Python 版本为 3.8。
4. 激活和退出环境
激活环境：
conda activate 环境名称
示例：
conda activate myenv
激活后，您的终端提示符会显示当前环境的名称。
退出环境：
conda deactivate
5. 安装包
在激活的环境中，您可以安装所需的包。
安装包：
conda install 包名
示例：
conda install numpy pandas matplotlib
从特定频道安装包：
conda install -c 频道名 包名
示例：
conda install -c conda-forge scikit-learn
6. 更新和删除包
更新包：
conda update 包名
删除包：
conda remove 包名
7. 查看环境和包信息
列出所有环境：
conda env list
查看当前环境中的已安装包：
conda list
8. 删除环境
如果不再需要某个环境，可以将其删除以释放空间。
删除环境：
conda remove -n 环境名称 --all
示例：
conda remove -n myenv --all
9. 导出和导入环境
导出环境配置到文件：
conda env export > environment.yml
从配置文件创建环境：
conda env create -f environment.yml
10. 配置 Conda
查看 Conda 信息：
conda info
配置 Conda 选项：
conda config --set 选项 值
示例：禁用自动激活 base 环境
conda config --set auto_activate_base false
11. Conda 与 Pip 的结合使用
虽然 Conda 本身可以安装大部分的包，但有时需要使用 Pip 安装特定的包。
在 Conda 环境中安装 Pip：
conda install pip
使用 Pip 安装包：
pip install 包名
注意： 尽量避免在同一环境中混用 Conda 和 Pip 安装包，以减少潜在的包冲突。
资源问题：
另外，在Anaconda中，每个虚拟环境都是相互隔离的。因此，对于两个虚拟环境，虚拟环境1中的包不会自动共享给虚拟环境2。如果在虚拟环境2中需要相同的包，通常需要重新安装。这种隔离性保证了每个虚拟环境都有独立的依赖管理，不会受到其他环境的影响。
不过，Anaconda有一个机制叫做软链接，在安装相同的包时，它会尝试利用已有的包的缓存，这样虽然看起来是重新安装，但其实在磁盘上只会创建一个指向已有包的链接，从而减少磁盘空间的占用。
12. 实际应用示例
示例 1：创建用于数据分析的环境
# 创建环境并指定 Python 版本
conda create -n data_env python=3.9
# 激活环境
conda activate data_env
# 安装常用数据分析包
conda install numpy pandas matplotlib seaborn scikit-learn
示例 2：创建包含特定 CUDA 版本的深度学习环境
# 创建环境
conda create -n dl_env python=3.8
# 激活环境
conda activate dl_env
# 安装 PyTorch 和指定版本的 CUDA Toolkit
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
13. 常见问题解答
Q1：如何查看已安装的 Conda 包的版本？
conda list
Q2：如何搜索可用的包？
conda search 包名
Q3：Conda 安装包与 Pip 安装包有何区别？
- Conda 安装包： 包含了包及其依赖项的预编译二进制文件，适用于多种语言（Python、R 等）。
- Pip 安装包： 主要用于安装 Python 包，通过源码编译安装，依赖项需要手动管理。
Q4：如何解决包冲突或依赖问题？
尝试更新 Conda：
conda update conda在安装包时，添加
--strict-channel-priority选项：conda install 包名 --strict-channel-priority考虑创建新的环境，以避免与现有包的冲突。
14. 最佳实践
- 使用独立环境： 每个项目使用单独的环境，确保依赖的独立性。
- 定期备份环境配置： 使用
conda env export导出环境，方便恢复或共享。 - 谨慎添加频道： 频道过多可能导致包版本冲突，优先使用官方频道和知名频道（如 conda-forge）。
- 保持 Conda 更新： 定期更新 Conda 以获取最新特性和修复。
15. 资源与参考
- Conda 官方文档： https://docs.conda.io/projects/conda/en/latest/
- Anaconda 用户指南： https://docs.anaconda.com/anaconda/user-guide/
- Conda 命令速查表： https://conda.io/projects/conda/en/latest/commands.html
希望以上内容能帮助您全面了解并开始使用 Conda。如果您在使用过程中遇到任何问题，欢迎随时提问！