conda使用详细指南

Conda 实战指南（偏详细版）

0. 总体认识：conda 究竟解决什么问题？

一句话：

conda = 环境管理器（虚拟环境） + 包管理器（跨语言包），解决"依赖地狱 + 环境冲突"。

和你已经熟悉的工具对比：

• apt：系统级包管理，主要装系统软件和 C/C++ 库
• pip：Python 包管理，只针对 Python，依赖解析相对薄弱
• conda：
  • 可以同时管理：Python/R/Julia + C 库 + 各种工具（git、ffmpeg 等）
  • 自带 虚拟环境 概念（多套 Python 共存、互不干扰）
  • 尽量通过预编译二进制包，减轻"编译失败""缺少系统库"的痛苦

你可以把每个 conda 环境想成是：

一个轻量的"用户级小系统"（有自己的 Python、库、Python 包等）。

---

1. 安装与基础配置

1.1 安装方式选择

常见三种：

1. Anaconda

   • 带一大堆科学计算包（numpy、pandas、jupyter 等）
   • 适合"我要一键装齐数据科学环境"，但体积大

2. Miniconda（推荐）

   • 只带 Python + conda，不预装第三方库
   • 适合希望"从零按需装包"的用户

3. (Mamba)Mambaforge / Miniforge

   • 自带更快的求解器 mamba，默认用 conda-forge 源
   • 对包更新速度要求高、对性能敏感时非常适合

如果你不确定，首选 Miniconda 或 Mambaforge。

1.2 环境变量与初始化

安装完成后，一般会提示你运行类似：

# Linux / macOS
conda init bash
# 或 zsh/fish 等

这一步作用：

• 修改你的 shell 配置（如 ~/.bashrc），在启动终端时自动注入 conda 的 hook
• 以便你可以直接用 conda activate xxx，而不用手工搞 PATH

确认是否成功：

conda --version

能输出版本号就说明 PATH 和 shell 初始化没问题。

---

2. 环境管理：把「环境」当作核心资产

2.1 创建环境

通用命令：

conda create -n <环境名> [包1 包2 ...] [python=版本]

示例：

# 创建一个 Python 3.11 的干净环境
conda create -n py311 python=3.11

# 数据科学环境，顺便装几个包
conda create -n ds python=3.11 numpy pandas matplotlib scikit-learn jupyterlab

要点：

• 不指定 python 时，会用默认版本（通常是安装时的主版本）
• 推荐每个项目一个环境，名字易懂，如 web-fastapi, ml-nlp, tf-2.15 等

2.2 激活 / 退出环境

# 激活
conda activate ds

# 当前 shell 前缀会变成 (ds)
# 此时 python/pip/conda 都是该环境下的

# 离开环境（回到上一个）
conda deactivate

你可以嵌套使用：

• 如果当前在 proj1 环境，conda activate proj2 会直接切换到 proj2
• conda deactivate 会回到系统默认（通常是 base）

2.3 查看 / 删除环境

# 查看所有环境
conda env list
# 或
conda info --envs

删除：

conda remove -n ds --all

--all 表示把整个环境删掉（目录 + 包）。

2.4 环境存放位置

默认位置通常在：

<conda安装目录>/envs/<环境名>

如：

/home/user/miniconda3/envs/ds
C:\Users\xxx\miniconda3\envs\ds

你可以通过：

conda env list

来查看每个环境完整路径。

---

3. 包管理：conda install / update / remove / list / search

3.1 安装包（核心命令）

# 先进入环境
conda activate ds

# 安装单个包
conda install numpy

# 安装多个包
conda install numpy pandas scipy

# 指定版本
conda install numpy=1.26

# 提前预览（不真正安装）
conda install numpy --dry-run

背后做的事情：

1. 读取当前环境已有的包和版本
2. 从配置的 channels 中查找满足条件的版本
3. 给出"计划变更"：要装什么、哪些会升级/降级
4. 让你确认 Proceed ([y]/n)?

3.2 升级包 / 升级环境

# 升级指定包
conda update numpy

# 升级所有包（慎用在生产环境）
conda update --all

update ≈ install 最新可用版本，conda 会尽力保持环境内依赖不冲突。

3.3 卸载包

conda remove numpy
conda remove numpy pandas

如果其他包依赖被删的包，conda 会给你提示需要移除/变更哪些。

3.4 查看已安装包：conda list

conda list
conda list numpy

重要信息：

• 包名 / 版本号
• build string
• 来自哪个 channel（如 conda-forge、defaults）

3.5 搜索包：conda search

conda search numpy
conda search "numpy>=1.21"

• 能看到可用版本及其 channel
• 对于只想看"有没有这个包"时非常有用

补充：更多时候你会使用网页搜索（Anaconda.org / conda-forge），信息更全。

---

4. 通道（channels）：就像 apt 源 + pip 源 混合体

4.1 概念

• channel = 包仓库（源）
• 安装包时，conda 会按照 channel 优先级依次查找
• 常见 channel：
  • defaults：Anaconda 官方
  • conda-forge：社区维护，更新很快，包超多

4.2 查看当前 channel 配置

conda config --show channels

4.3 修改 channel 优先级（推荐做法）

典型推荐配置：

conda config--add channels conda-forge
conda config --set channel_priority strict

含义：

• 把 conda-forge 加入 channels
• 启用"严格优先级"：
  优先使用位于列表前面的 channel，避免不同 channel 混装导致的 ABI 问题

.condarc 中大致会变成：

channels:
  - conda-forge
  - defaults
channel_priority: strict

4.4 临时指定 channel

conda install -c conda-forge matplotlib

这只影响本次安装。

4.5 国内镜像加速（如你在国内）

示例（以清华为例，具体以镜像站说明为准）：

# ~/.condarc
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
  - conda-forge
  - defaults
show_channel_urls: true

设置完后：

conda clean -i   # 清理索引缓存，强制重新用新源

---

5. conda 与 pip 的正确"配合姿势"

5.1 核心原则（再强调一次）

在 conda 环境内：
能用 conda 装的就用 conda ；

conda 仓库里没有的，再用 pip install。

原因：

• conda 自己管理一整套二进制栈（Python + 底层 C/Fortran 库）
• pip install -U 某底层包 可能会升级出一个 conda 未知的版本，破坏 ABI 兼容

5.2 标准流程示范

conda create -n proj python=3.11
conda activate proj

# 1. 尽量用 conda 装
conda install numpy pandas scipy matplotlib

# 2. conda 没有的，用 pip
pip install some-rare-pypi-only-package

建议：

• 尽量不要用 pip 去升级那些 conda 装的核心库，如：
  • numpy, scipy, pytorch, tensorflow, openssl 等
• 如果你确实要用 pip 升级这些核心包，思路最好是：
  单独搞一个"pip-only 环境"（只用 pip，不用 conda 管包）

5.3 如何区分一个包是哪个工具装的？

conda list 的 channel 字段能看出：

• pypi 或 pypi_0，通常表示通过 pip 安装记录的
• 其他（如 conda-forge、defaults），是 conda 自己装的

---

6. 环境导出与迁移：environment.yml

对应 pip 的 requirements.txt，conda 使用 environment.yml 来描述"环境完整快照"。

6.1 导出环境

在目标环境中：

conda activate proj
conda env export > environment.yml

生成的大致如下：

name: proj
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.11
  - numpy=1.26.4
  - pandas=2.1.4
  - pip
  - pip:
    - some-rare-pypi-only-package==0.3.1

要点：

• 记录了：
  • 环境名
  • 使用的 channels
  • 所有 conda 包 + 版本
  • pip 包列表

6.2 用 environment.yml 重建环境

在另一台机器 / 另一个账号：

conda env create -f environment.yml

• 会自动创建一个名为 proj 的环境（如文件里的 name）
• 想换名：

conda env create -f environment.yml -n proj2

6.3 "精简版"导出

有时你不想锁死所有子依赖，只希望导出"顶层依赖"（类似手写 requirements.txt）。

可以手动删掉 environment.yml 里很多行，只保留自己关心的包 + 通道。

或者手动写一个简化版 yml，例如：

name: proj
channels:
  - conda-forge
dependencies:
  - python=3.11
  - numpy
  - pandas
  - pip
  - pip:
    - some-rare-pypi-only-package

更利于在不同平台重建时有更大的自由度。

---

7. 进阶：多 Python / 多语言、C 库与工具

7.1 多个 Python 版本共存

conda create -n py38 python=3.8
conda create -n py39 python=3.9
conda create -n py311 python=3.11

激活不同环境，就能轻松在 3.8 / 3.9 / 3.11 之间切换，而不动系统 Python。

7.2 管理非 Python 语言/工具

conda 能装的不只是 Python 包，例如：

conda install -c conda-forge cmake
conda install -c conda-forge ffmpeg
conda install -c conda-forge git

R/julia 之类也可以（多数在 conda-forge 上有）。

这使得你可以用一个 conda 环境，统一打包：

• Python + 依赖
• 编译工具链
• 系统级库（如 libxml2, openssl 等）

更适合作为"项目级运行时环境"。

---

8. 常见问题与排查思路

8.1 环境损坏 / 某些包 ImportError

现象：

• 某个 import 报错：找不到动态库 / symbol not found
• 很可能是 pip + conda 混用导致 ABI 不兼容

排查思路：

1. conda list 看看该包来自哪（conda-forge? pypi?）
2. 如果是 pip 装在 conda 环境里的关键底层包（如 numpy, scipy），
   可能是该 pip 版本不兼容当前环境里的底层库
3. 成本最低的方案：
   • 备份 environment.yml
   • 新建一个干净环境，按"先 conda 后 pip"原则重新创建

8.2 求解速度慢

原因：

• 包多、channel 多
• 旧版 conda 依赖求解器慢

解决办法：

1. 升级 conda：

   conda update conda

2. 或者安装 mamba，使用 mamba 来代替部分命令：

   conda install -n base mamba -c conda-forge
   
   # 之后你可以这样用（几乎同语法）
   mamba install numpy pandas
   mamba create -n fastenv python=3.11 numpy

mamba 兼容大部分 conda 命令，用它装包明显更快。

8.3 base 环境过于混乱

常见坏习惯：

• 所有东西都往 base 里装，一两年之后 base 环境变成"垃圾场"。

建议：

• 把 base 当成"系统管理环境"，只做：
  • 更新 conda / mamba
  • 创建/删除环境
• 项目依赖一律新建环境，不往 base 塞东西

如果 base 已经很乱：

• 如果没有硬性依赖，可以考虑直接重装 Miniconda（最干净）
• 或者新装一份 Miniconda/Mambaforge 到另一个路径，用新的那份 conda 管今后的项目

---

9. 命令速查：适合贴在桌边的小抄

9.1 环境

# 创建环境
conda create -n myenv python=3.11
conda create -n ds python=3.11 numpy pandas jupyterlab

# 激活 / 退出
conda activate myenv
conda deactivate

# 查看所有环境
conda env list
conda info --envs

# 删除环境
conda remove -n myenv --all

9.2 包管理

# 安装
conda install numpy
conda install numpy pandas
conda install numpy=1.26

# 指定 channel
conda install -c conda-forge numpy

# 升级
conda update numpy
conda update --all

# 卸载
conda remove numpy

# 查看包
conda list
conda list numpy

# 搜索包
conda search numpy

9.3 环境导出 / 迁移

# 导出
conda activate myenv
conda env export > environment.yml

# 从 yml 创建
conda env create -f environment.yml
conda env create -f environment.yml -n newname

9.4 配置 channels

# 查看 channels
conda config --show channels

# 添加 conda-forge 并启用严格优先
conda config --add channels conda-forge
conda config --set channel_priority strict