pip install和conda install的区别

这里写目录标题

[一、什么是 Python 依赖（Python Dependencies）？](#一、什么是 Python 依赖（Python Dependencies）？)
- [1. 依赖的作用](#1. 依赖的作用)
- [2. 如何管理 Python 依赖](#2. 如何管理 Python 依赖)
- [3. 依赖管理问题](#3. 依赖管理问题)
- [4. 依赖锁定](#4. 依赖锁定)
- 总结
二、使用pip安装包+venv隔离环境
- [方法 1：使用 venv（推荐）](#方法 1：使用 venv（推荐）)
- [方法 2：使用 virtualenv（适用于 Python 2）](#方法 2：使用 virtualenv（适用于 Python 2）)
- - [安装 virtualenv](#安装 virtualenv)
  - 创建环境
- [方法 3：使用 pipenv（自动管理依赖）](#方法 3：使用 pipenv（自动管理依赖）)
- - [安装 pipenv](#安装 pipenv)
  - 创建和激活环境
  - 安装包
  - 导出依赖
  - 退出环境
- 总结
三、使用Conda进行包安装和环境管理
[四、pip install和conda install](#四、pip install和conda install)
- [4.1 pip install vs conda install](#4.1 pip install vs conda install)
- [4.2 PyPI和Anaconda 仓库](#4.2 PyPI和Anaconda 仓库)
- - [4.2.1 PyPI（Python Package Index）](#4.2.1 PyPI（Python Package Index）)
  - [4.2.2 Anaconda 仓库](#4.2.2 Anaconda 仓库)
  - - [（1）defaults 仓库](#（1）defaults 仓库)
    - [（2）Conda Forge](#（2）Conda Forge)
  - [4.2.3 对比 PyPI 和 Anaconda 仓库](#4.2.3 对比 PyPI 和 Anaconda 仓库)
- [4.3 pip install 和 conda install的安装位置](#4.3 pip install 和 conda install的安装位置)
- [4.4 如何判断conda中某个包是通过conda还是pip安装的？](#4.4 如何判断conda中某个包是通过conda还是pip安装的？)
- [4.5 使用建议](#4.5 使用建议)
五、其他包管理工具
- uv
- poetry

一、什么是 Python 依赖（Python Dependencies）？

Python 依赖（dependencies） 指的是 某个 Python 项目运行所需的外部库或模块 。这些依赖通常由 pip 从 Python Package Index（PyPI） 或其他包管理器（如 Conda）下载和安装。

1. 依赖的作用

Python 标准库提供了一些基础功能（如 math, os, sys），但复杂的功能通常依赖 第三方库，如：

Web 开发 : Flask, Django
数据科学 : numpy, pandas, matplotlib
机器学习 : scikit-learn, tensorflow, torch
数据库 : SQLAlchemy, PyMySQL

这些库通常不是 Python 内置的，需要额外安装，成为该项目的"依赖"。

2. 如何管理 Python 依赖

（1）安装依赖

bash 复制代码

pip install requests

会安装 requests 及其所有依赖项。

（2）列出已安装的依赖

bash 复制代码

pip list

（3）导出依赖（生成 requirements.txt）

如果希望在其他环境中安装相同的依赖，可以使用：

bash 复制代码

pip freeze > requirements.txt

requirements.txt 示例：

复制代码

numpy==1.24.2
pandas==1.5.3
requests==2.28.2

（4）从 requirements.txt 安装依赖

bash 复制代码

pip install -r requirements.txt

3. 依赖管理问题

（1）版本冲突

项目 A 需要 numpy==1.21.0
项目 B 需要 numpy==1.24.0
如果两个项目共享环境，可能会导致版本冲突。

解决方案：

使用虚拟环境（venv） :

bash 复制代码

python -m venv my_env
source my_env/bin/activate  # Mac/Linux
my_env\Scripts\activate  # Windows

使用 pipenv :
bash 复制代码
```
pipenv install
pipenv shell
```

（2）依赖递归

安装 pandas 可能会自动安装 numpy，因为 pandas 依赖于 numpy。某些库的依赖会影响项目的整体结构。

解决方案：

定期使用 pip list --outdated 检查更新。
使用 pipdeptree 可视化依赖关系：
bash 复制代码
```
pip install pipdeptree
pipdeptree
```

4. 依赖锁定

在团队开发或生产环境中，建议使用 依赖锁定 确保环境一致：

pip : requirements.txt
pipenv : Pipfile.lock
poetry : poetry.lock

示例：

bash 复制代码

pip freeze > requirements.txt
pip install -r requirements.txt

总结

方式	用途
`pip install package`	安装单个依赖
`pip list`	查看当前环境的依赖
`pip freeze > requirements.txt`	导出依赖
`pip install -r requirements.txt`	从 `requirements.txt` 安装依赖
`venv` / `pipenv`	解决版本冲突，管理独立环境

推荐：始终使用虚拟环境来管理 Python 依赖，避免版本冲突！

二、使用pip安装包+venv隔离环境

使用 pip 安装包时，推荐结合 虚拟环境（virtual environment） 来管理 Python 依赖，避免不同项目的包版本冲突。主要方法包括 venv （Python 内置）、virtualenv （更强大）、pipenv（自动管理依赖）。

方法 1：使用 venv（推荐）

venv 是 Python 内置的虚拟环境工具，适用于大多数情况。

创建虚拟环境

bash 复制代码

python -m venv my_env  # 创建名为 my_env 的环境

激活环境

Windows（CMD） :
bash 复制代码
```
my_env\Scripts\activate
```
Windows（PowerShell） :
powershell 复制代码
```
my_env\Scripts\Activate.ps1
```
Mac/Linux :
bash 复制代码
```
source my_env/bin/activate
```

安装包

bash 复制代码

pip install package_name

冻结（导出）环境

bash 复制代码

pip freeze > requirements.txt

可用于在新环境中复现安装：

bash 复制代码

pip install -r requirements.txt

退出环境

bash 复制代码

deactivate

删除环境

bash 复制代码

rm -rf my_env  # Mac/Linux
rd /s /q my_env  # Windows

方法 2：使用 virtualenv（适用于 Python 2）

virtualenv 与 venv 类似，但支持更多 Python 版本，创建的环境更独立。

安装 virtualenv

bash 复制代码

pip install virtualenv

创建环境

bash 复制代码

virtualenv my_env

与 venv 类似的激活、安装、退出操作

方法 3：使用 pipenv（自动管理依赖）

pipenv 结合了 pip 和 venv，自动管理虚拟环境，并创建 Pipfile 追踪依赖。

安装 pipenv

bash 复制代码

pip install pipenv

创建和激活环境

bash 复制代码

pipenv install
pipenv shell

安装包

bash 复制代码

pipenv install package_name

导出依赖

bash 复制代码

pipenv lock

退出环境

bash 复制代码

exit

总结

方式	优点	适用场景
`venv`	Python 内置，简单高效	绝大多数项目
`virtualenv`	支持 Python 2 和独立环境	需要支持 Python 2 的情况
`pipenv`	自动管理环境和依赖，安全性更高	复杂项目，依赖管理严格的情况

推荐使用 venv，如果有复杂依赖管理需求可用 pipenv。

三、使用Conda进行包安装和环境管理

Conda是Anaconda中一个强大的包和环境管理工具，可以在Windows的Anaconda Prompt命令行使用，也可以在macOS或者Linux系统的终端窗口(terminal window)的命令行使用。

如何下载及使用Anaconda进行包管理和环境管理，推荐文章：https://blog.csdn.net/chenxy_bwave/article/details/119996001

四、pip install和conda install

4.1 pip install vs conda install

pip install和conda install` 都是 Python 包管理工具，但它们的工作方式和适用场景不同：

特性	`pip install`	`conda install`
管理工具	`pip` (Python 包管理器)	`conda` (Anaconda 包管理器)
包来源	PyPI（Python Package Index）	Anaconda 仓库（含 Conda Forge、defaults）
支持的包类型	仅 Python 相关的包	不仅支持 Python 包，还支持 C/C++ 依赖包（如 `numpy`、`scipy` 等的底层依赖）
依赖管理	仅管理 Python 依赖，需手动解决非 Python 依赖问题	自动管理 Python 和非 Python 依赖
虚拟环境管理	结合 `venv` 或 `virtualenv` 使用	结合 `conda` 环境使用
安装方式	直接安装 `.whl` 或 `.tar.gz`	使用预编译的二进制包（更快、更稳定）
速度和兼容性	可能因编译问题导致安装失败	通常安装更快，兼容性更好

4.2 PyPI和Anaconda 仓库

4.2.1 PyPI（Python Package Index）

Python Package Index（PyPI） 是 Python 官方的软件包仓库，类似于软件商店，开发者可以在上面发布 Python 库，用户可以通过 pip install 下载和安装这些库。

官网 : https://pypi.org
安装命令 : pip install package_name
包格式 : .whl（Wheel）或 .tar.gz（源代码）
特点 :
- 通用性强，支持所有 Python 发行版（CPython、PyPy等）
- 只包含 Python 相关的包，不提供 C/C++ 依赖项
- 可能需要编译 ，某些包依赖于 C/C++ 库，需要额外安装依赖（如 numpy、scipy）

4.2.2 Anaconda 仓库

Anaconda 主要面向 数据科学 和 机器学习 ，它的包管理系统 Conda 维护了多个官方和社区仓库，包括defaluts仓库和Conda Forge仓库。

（1）defaults 仓库

由 Anaconda 官方维护，默认包含的包源。预编译好的二进制包，安装速度快，兼容性强
适用于数据科学、机器学习的常见库（如 numpy, pandas, scipy, matplotlib）
安装命令 : conda install package_name

（2）Conda Forge

社区驱动 的 Conda 仓库，包含更多第三方库，维护更新比 defaults 更快，包的种类更多
安装时可以用 -c conda-forge 指定
bash 复制代码
```
conda install -c conda-forge package_name
```
适用于 defaults 没有的包，或者需要较新版本的包

4.2.3 对比 PyPI 和 Anaconda 仓库

特性	PyPI（pip）	Anaconda（conda）
主要用途	通用 Python 库	科学计算、数据分析
包管理工具	`pip`	`conda`
包来源	PyPI	defaults, Conda Forge
依赖管理	仅 Python 依赖	Python + C/C++ 依赖
安装速度	可能较慢，需编译	预编译，通常更快
兼容性	可能出现依赖冲突	依赖管理更完善

使用建议：数据科学/机器学习领域，优先使用 conda install（默认 defaults，如果缺少可以用 conda-forge）

4.3 pip install 和 conda install的安装位置

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

4.4 如何判断conda中某个包是通过conda还是pip安装的？

执行 conda list ，用pip安装的包显示的build项目为pypi。如下图所示：

4.5 使用建议

如果你使用 Anaconda 或 Miniconda ，建议优先使用 conda install，特别是涉及 数据科学 、机器学习 或 科学计算 （如 numpy, pandas, tensorflow）。
如果包 仅在 PyPI 可用 或 使用标准 Python 生态 ，可以用 pip install。
也可以 混合使用 ：
1. 先用 conda install 安装基础环境 （如 numpy, scipy, matplotlib）。
2. 再用 pip install 安装 Conda 仓库中没有的包。

示例

bash 复制代码

conda create -n my_env python=3.9
conda activate my_env
conda install numpy pandas
pip install some_package_not_in_conda

这样可以兼顾 conda 的稳定性和 pip 的灵活性。

五、其他包管理工具

uv

是一个高性能的 Python 包管理工具，旨在替代 pip，提供更快的包安装速度。

poetry

poetry 是一个现代化的 Python 包管理和构建工具，集成了依赖管理、虚拟环境管理和包发布功能。特点如下：

功能：集成依赖管理、虚拟环境管理和包发布。
依赖管理：使用 pyproject.toml 和 poetry.lock 文件记录依赖，自动解析并安装所需库。
环境管理：自动为每个项目创建和管理虚拟环境，确保项目独立性。
包发布：简化包的构建和发布流程，支持发布到 PyPI 等包索引。
适用场景：适合大型或复杂项目，需要严格依赖管理和包发布功能的情况。