Python 环境与包管理工具介绍
随着 Python 在数据科学、人工智能和自动化领域的广泛应用，其包管理与环境隔离机制也经历了深刻的演进。接下来，我们聊聊现代见过的Python 开发环境的构建逻辑。
第一个是pip: Python原生包管理器
在早期，Python 社区缺乏统一的包安装工具。直到 pip 的出现，才实现了通过命令行一键安装第三方库：
pip install package_name
2000 年代末，虽然 Matlab（商业软件） 和 R语言（统计专用） 在科学计算领域占据主导地位，但：Matlab 价格昂贵，不利于普及；R 语法相对小众，扩展性有限；Python 语法简洁、开源免费、社区活跃。
于是，开发者开始尝试用 Python 进行数据分析。然而，纯 Python 实现的数值计算性能较差，因此出现了用 C/Fortran 编写的底层数学库（如 BLAS、LAPACK），并通过 Python 封装调用，形成了如：
NumPy：多维数组与线性代数SciPy：科学计算函数库Pandas：数据处理与分析
这些库极大提升了 Python 的计算效率，真正实现了“语法简洁 + 性能高效”的结合。
在早期（2013 年 wheel 格式出现前）存在严重问题：
- 安装含 C 扩展的包（如 NumPy）需本地编译；
- 用户必须手动配置编译器、数学库（如 MKL、OpenBLAS）；
- 跨平台支持差，尤其在 Windows 上体验极差。
直到 wheel 二进制包格式（PEP 427）普及后，
pip才能高效安装预编译包，显著改善用户体验。
第二个是conda:跨语言的包与环境管理器
为解决科学计算中复杂的依赖关系，Continuum Analytics 公司于 2012 年发布了 Anaconda Distribution，并引入了全新的包管理器conda。
// 核心功能
# 安装包
conda install package_name
# 卸载包
conda uninstall package_name
# 创建独立环境
conda create -n myenv python=3.9
conda 的优势在于：
- 支持 跨语言（Python、R、Julia、C 等）；
- 管理 非 Python 依赖（如编译器、CUDA、FFmpeg）；
- 内置环境隔离机制；
- 提供跨平台二进制包（无需编译）；
Anaconda 的默认仓库：defaults
Anaconda 公司维护了一个官方软件源（称为 channel），托管在 Package repository for anaconda | Anaconda.org 平台：
main：主流 Python 包r：R 语言相关包msys2：Windows 上的类 Unix 工具链（用于兼容性）
第三个 miniconda：轻量级 conda 发行版
Anaconda 包含大量预装工具（约 200+ 包），体积庞大（数 GB）。对于只需核心功能的用户，miniconda 应运而生。他的特点：仅包含 conda、Python 和少量必要依赖；启动快，占用空间小（~100MB）；可按需安装所需包。
第四个 conda-forge：开源社区驱动的软件源
由于 conda 的官方仓库由公司维护，更新慢、包数量有限，社区于 2015 年发起了 conda-forge 项目。conda-forge是一个完全由开源社区维护的 conda channel,它托管在 conda-forge | Anaconda.org；优点在于包更新快、数量多、质量高。
如今，conda-forge 已成为 anaconda.org 上最大的 channel，并逐渐成为事实标准。
// 使用conda forge
conda install -c conda-forge package_name
conda create -n myenv -c conda-forge python=3.11
Anaconda指的是一个非常强大的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda 的下载文件比较大，如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）
conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换
下载：
https://repo.anaconda.com/miniconda/
https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
安装Anaconda：
①：打开安装包，点击 Next
②：同意协议，点击 I Agree
③：选择同意哪些用户使用此软件，任意选择即可
④：修改安装路径，优先推荐除C盘外的其他盘，路径不要有特殊字符，不然后期创建虚拟环境可能会出现问题
⑤：增加环境变量到系统，勾选增加环境变量，点击安装
⑥：完成安装，点击 Next
⑦：完成安装后不需要勾选这两个选项
⑧：确认是否安装完成，通过PowerShell查看，显示除出版本号，说明安装成功
Conda虚拟环境介绍与管理
Python 应用经常需要使用一些包第三方包或者模块，有时需要依赖特定的包或者库的版本，所以不能有一个能适应所有 Python 应用的软件环境
很多时候不同的 Python 应用所依赖的版本是冲突的，满足了其中一个，另一个则无法运行，解决这一问题的方法是虚拟环境。
虚拟环境是一个包含了特定 Python 解析器以及一些软件包，不同的应用程序可以使用不同的虚拟环境，从而解决了依赖冲突问题，而且虚拟环境中只需要安装应用相关的包或者模块，可以给部署提供便利
建议：如果使用anaconda进行多个项目开发，最好创建不同的虚拟环境，也就是为每个项目配置独立的虚拟环境，使得彼此之间不会受到任何干扰
Anaconda虚拟环境命令
//显示已存在虚拟环境
conda info --envs
//创建虚拟环境
conda create -n 虚拟环境名称 python=版本号
//删除虚拟环境
conda remove -n 虚拟环境名称 --all
//激活\进入虚拟环境
activate 虚拟环境名称
//退出虚拟环境
deactivate 虚拟环境名称注意：
创建虚拟环境后，默认会在Anaconda安装目录的envs下，创建虚拟环境相关文件
创建的虚拟环境仅安装一些必须软件包，例如pip等。如果需要安装Anaconda所有库，需要使用如下命令：
conda create -n 虚拟环境名称 python=版本号 anaconda
在使用过程中可能会发生PowerShell无法激活虚拟环境问题，就是说在使用PowerShell激活虚拟环境时，发现激活无效，而在CMD中可以
解决方案：
- 检查是否是执行脚本的权限，或者直接开启权限，使用管理员权限下，执行命令:
Set-ExecutionPolicy RemoteSigned,输入Y即可- 必须将Anaconda 写入环境变量。使用管理员权限下，执行命令：
conda init powershell- Conda版本小于4.6,编写命令不加conda命令:
activate 环境名
Conda版本大于4.6使用：conda activate 环境名修改完后，重启下powershell
PowerShell中显示虚拟环境名称：
在终端输入
conda config --set auto_activate_base false 不显示在终端输入
conda config --set auto_activate_base true 显示
Conda软件包_模块管理
conda是一个软件的管理器，可以用来下载，删除Python的软件包（类似PIP）
安装：conda install 软件/模块
卸载：conda remove 软件/模块
查看：conda list
pip管理
安装：pip install 软件/模块
卸载：pip uninstall 软件/模块
查看：pip list
conda在安装包时会同时处理所有依赖关系，包括：Python解释器版本，C/C++库，CUDA等硬件，相关的依赖，其他编程语言的依赖。
conda使用严格的依赖解析器，可以预先检查所有依赖冲突；pip只管理Python包，不管理系统级别的依赖
数据源与路径设置
Anaconda配置文件：
Linux用户可以通过修改用户目录下的 .condarc 文件
Windows用户无法直接创建名为 .condarc 文件,可以先执行 conda config 命令,会生成该文件之后再修改.
清华大学开源软件镜像站 anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
在 .condarc文件中 修改为以下内容
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
要注意,环境中可能不止有一个.condarc文件,可以通过 conda info 命令查看
真正再去运用的时候,他的顺序是D盘的配置文件,然后是C盘的配置文件,所以说,即使在C盘中创建.condarc文件,也有可能不适用,主要走的是根目录下的配置文件,所以我们修改根目录的.condarc文件就行了.
在配置好文件后,可以通过 conda info 命令查看是否配置成功:
可以观察到,channel URLS中的内容修改为我们添加的内容,即配置文件成功.
另一种方法是以命令的方式配置数据源
命令方式配置conda数据源:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/命令方式配置pip数据源:
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple设置虚拟环境目录:
上图中D盘的虚拟环境目录是主要的,下面两个C盘的是备用的,尽量不用系统盘的虚拟环境目录,使用如下命令设置虚拟环境目录:
envs_dirs:
- D:\miniconda3\envs设置缓存软件目录:
我们可以通过使用如下命令配置缓存目录:
pkgs_dirs:
- D:\miniconda\pkgs