1. 为什么需要虚拟环境？
- 依赖隔离：不同项目可能需要不同版本的 Python 或第三方库，虚拟环境可以避免版本冲突。
- 环境纯净：避免全局安装的依赖包污染系统环境。
- 便于协作 ：通过依赖管理文件（如
requirements.txt或environment.yml），方便团队协作和项目部署。
2. 常用工具
venv(Python 3.3+ 内置，轻量级虚拟环境工具)virtualenv(第三方工具，支持 Python 2 和 Python 3)pipenv(结合虚拟环境和依赖管理，适合小型项目)poetry(现代依赖管理和虚拟环境工具，适合复杂项目)conda(强大的跨平台环境管理工具，适合科学计算和机器学习)
3. 创建虚拟环境
3.1 使用 venv
bash
# 创建虚拟环境（需已安装对应 Python 版本）
python -m venv myenv
# 激活虚拟环境
# Windows
myenv\Scripts\activate
# macOS/Linux
source myenv/bin/activate
# 退出虚拟环境
deactivate3.2 使用 conda
bash
# 创建虚拟环境（可指定 Python 版本）
conda create --name myenv python=3.9
# 激活虚拟环境
conda activate myenv
# 退出虚拟环境
conda deactivate4. 依赖管理
4.1 使用 venv 和 pip
bash
# 安装包
pip install numpy
# 导出依赖
pip freeze > requirements.txt
# 根据依赖文件安装
pip install -r requirements.txt4.2 使用 conda 和 environment.yml
yaml
# environment.yml 示例
name: myenv
channels:
- conda-forge
- defaults
dependencies:
- python=3.9
- numpy
- pandas
bash
# 根据 YAML 文件创建环境
conda env create -f environment.yml
# 导出环境配置
conda env export > environment.yml5. 工具对比
5.1 venv
- 优点 ：
- 轻量，无需额外安装（Python 3.3+ 内置）。
- 适合简单 Python 项目，与 PyPI 完全兼容。
- 缺点 ：
- 无法管理非 Python 依赖或不同 Python 版本。
- 依赖冲突需手动解决。
5.2 conda
- 优点 ：
- 强大的依赖解析能力。
- 支持多语言包和 Python 版本隔离。
- 适合科学计算（如 TensorFlow、PyTorch 的预编译包）。
- 缺点 ：
- 环境文件（
environment.yml）可能跨平台不兼容。 - 包体积较大（含预编译二进制文件）。
- 环境文件（
6. 使用场景建议
-
选择
venv：- 项目仅需 Python 包。
- 使用 PyPI 标准库（如 Web 开发、脚本工具）。
- 希望环境与项目目录绑定（便于版本控制）。
-
选择
conda：- 涉及科学计算、机器学习（需 CUDA、MKL 等非 Python 依赖）。
- 需要隔离不同 Python 版本（如测试兼容性）。
- 跨平台团队协作（统一依赖管理）。
7. 常见问题
Q1: conda 和 venv 能混用吗？
- 不推荐 ：避免在
conda环境中使用pip安装核心包（可能导致依赖冲突）。若需混用，优先使用conda install，再用pip补充 PyPI 包。
Q2: 如何删除虚拟环境？
venv：直接删除环境目录（如rm -rf myenv）。conda：conda env remove --name myenv。
Q3: conda 环境文件跨平台问题？
- 使用
conda env export --no-builds导出时忽略系统相关的构建号，提高跨平台兼容性。
8. 总结
venv：轻量、简单，适合纯 Python 项目。conda：功能强大，适合复杂依赖和科学计算。
根据项目需求选择合适的工具，两者结合使用（如 conda 管理 Python 版本，venv 隔离项目依赖）也是常见做法。
9. 最佳实践
- 项目目录绑定：将虚拟环境放在项目目录中，便于版本控制和团队协作。
- 依赖文件管理 ：始终使用
requirements.txt或environment.yml记录依赖，确保环境可复现。 - 定期清理：删除不再使用的虚拟环境，避免占用磁盘空间。