Python 与 Conda 编程实战指南：从环境配置到项目运行完整入门

Python 与 Conda 编程实战指南：从环境配置到项目运行完整入门

很多 Python 初学者在真正写项目之前，最容易卡住的地方不是语法，而是环境。

同一台电脑上可能同时存在 Python 3.8、Python 3.10、Python 3.12；一个项目需要 numpy，另一个项目需要 pytorch；有的包通过 pip 安装，有的包通过 conda 安装；运行别人项目时还会遇到版本冲突、包找不到、环境无法复现等问题。

这类问题如果只靠"缺什么装什么"，很快就会把本机 Python 环境弄乱。conda 的价值就在这里：它可以帮助我们创建相互隔离的 Python 环境，并管理不同项目所需的软件包。

本文以实战方式整理 Python 与 conda 的常用开发流程，适合刚开始做 Python 编程、数据分析、机器学习、自动化脚本和科研项目复现的学习者。

文章目录

• 一、为什么 Python 开发建议使用 conda
• 二、Anaconda 与 Miniconda 怎么选
• 三、安装后第一步：检查 conda 是否可用
• 四、创建 Python 虚拟环境
• 五、激活、退出、查看和删除环境
• 六、安装第三方包
• 七、conda 与 pip 如何配合使用
• 八、导出和复现项目环境
• 九、完整实战：创建一个数据分析项目环境
• 十、常见问题与避坑说明
• 十一、常用命令速查表

一、为什么 Python 开发建议使用 conda

Python 本身可以直接安装第三方库，例如：

pip install requests
pip install pandas

但在多项目开发时，直接把所有库都装到系统 Python 里，会带来几个问题：

1. 不同项目依赖的 Python 版本不同。
2. 不同项目依赖的第三方库版本不同。
3. 新安装的包可能破坏旧项目。
4. 复现别人项目时，很难保证版本一致。
5. 数据分析、深度学习相关库依赖较多，手动处理会比较麻烦。

conda 可以为每个项目创建独立环境。例如：

conda create -n data_demo python=3.10
conda activate data_demo

这样 data_demo 环境里的 Python 和第三方包不会影响其他项目。

可以把 conda 环境理解为"项目专属工具箱"：每个项目一个工具箱，需要什么工具就装什么工具，不同工具箱之间互不干扰。

二、Anaconda 与 Miniconda 怎么选

常见选择有两个：

• Anaconda：体积较大，预装了很多数据科学相关包，适合希望安装后直接使用 Jupyter、numpy、pandas、matplotlib 的用户。
• Miniconda：体积较小，只包含 conda 和基础 Python，适合希望按项目手动安装依赖的用户。

个人建议：

• 初学者做数据分析，可以选 Anaconda。
• 想让环境更干净、更轻量，建议选 Miniconda。
• 做项目开发、部署、复现论文代码时，更推荐 Miniconda。

安装完成后，Windows 用户建议打开 Anaconda Prompt 或 Miniconda Prompt 执行命令；Linux/macOS 用户可以直接使用终端。

三、安装后第一步：检查 conda 是否可用

打开终端后输入：

conda --version

如果能看到类似输出，说明 conda 已经安装成功：

conda 24.9.2

查看 conda 详细信息：

conda info

查看当前已有环境：

conda env list

或者：

conda info --envs

输出中带 * 的环境表示当前正在使用的环境。

四、创建 Python 虚拟环境

1. 创建指定 Python 版本的环境

创建一个名为 py310_demo 的环境，并指定 Python 版本为 3.10：

conda create -n py310_demo python=3.10

执行过程中，conda 会列出需要安装的包，并询问是否继续：

Proceed ([y]/n)?

输入：

y

即可继续安装。

2. 创建环境时同时安装常用库

例如创建数据分析环境：

conda create -n data_env python=3.10 numpy pandas matplotlib jupyter

这种方式比先创建环境、再一个个安装包更省事，也能减少部分依赖冲突。

3. 环境命名建议

环境名建议简单、明确：

conda create -n spider_env python=3.10
conda create -n data_env python=3.10
conda create -n torch_env python=3.10

不建议使用中文、空格或过长名称。

五、激活、退出、查看和删除环境

1. 激活环境

conda activate py310_demo

激活成功后，命令行前面通常会出现环境名：

(py310_demo) C:\Users\yourname>

这表示后续执行的 python、pip、conda install 都会作用在当前环境中。

2. 查看当前 Python 路径

Windows：

where python

Linux/macOS：

which python

也可以进入 Python 查看版本：

python --version

3. 退出当前环境

conda deactivate

4. 查看所有环境

conda env list

5. 删除环境

如果某个环境不再使用，可以删除：

conda remove -n py310_demo --all

或者：

conda env remove -n py310_demo

删除前一定确认环境名，避免删错。

六、安装第三方包

1. 使用 conda 安装包

先激活环境：

conda activate data_env

安装 pandas：

conda install pandas

安装指定版本：

conda install pandas=2.2

同时安装多个包：

conda install numpy pandas matplotlib seaborn

2. 使用 conda-forge 频道

有些包在默认频道版本较旧，或者找不到，可以使用 conda-forge：

conda install -c conda-forge package_name

例如：

conda install -c conda-forge opencv

也可以把 conda-forge 加入频道配置：

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

3. 查看已安装包

conda list

查看某个包：

conda list pandas

4. 更新包

conda update pandas

更新当前环境中所有包：

conda update --all

实际项目中不建议随便执行 conda update --all，因为它可能导致项目依赖版本变化。更稳妥的做法是只更新需要的包。

七、conda 与 pip 如何配合使用

很多人会问：已经有 conda 了，还能不能用 pip？

答案是可以，但要注意顺序。

推荐原则：

1. 能用 conda 安装的包，优先用 conda。
2. conda 找不到的包，再用 pip。
3. pip 操作前一定先激活目标环境。
4. 不要在 base 环境里乱装项目依赖。

示例：

conda activate spider_env
conda install requests beautifulsoup4
pip install fake-useragent

检查 pip 是否属于当前环境：

where pip

或者：

python -m pip --version

更推荐使用：

python -m pip install package_name

这样可以避免系统里存在多个 pip 时装错位置。

八、导出和复现项目环境

当一个项目可以正常运行后，建议导出环境文件，方便以后迁移或给别人复现。

1. 导出 environment.yml

先激活环境：

conda activate data_env

导出：

conda env export > environment.yml

这个文件会记录环境名、频道、conda 包和 pip 包。

2. 根据 environment.yml 创建环境

别人拿到项目后，可以执行：

conda env create -f environment.yml

创建完成后激活：

conda activate data_env

3. 更简洁的 environment.yml 写法

有时自动导出的文件包含很多平台相关依赖，不利于跨电脑复现。可以手动写一个更简洁的版本：

name: data_env
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.10
  - numpy
  - pandas
  - matplotlib
  - jupyter
  - pip
  - pip:
      - openpyxl

然后创建环境：

conda env create -f environment.yml

这种方式更适合项目代码仓库。

九、完整实战：创建一个数据分析项目环境

下面用一个完整示例演示从零创建项目环境，并运行一段 Python 代码。

1. 创建项目目录

mkdir conda_data_demo
cd conda_data_demo

2. 创建环境

conda create -n conda_data_demo python=3.10 pandas matplotlib openpyxl jupyter

激活环境：

conda activate conda_data_demo

3. 创建 Python 脚本

新建 sales_report.py：

from pathlib import Path

import pandas as pd
import matplotlib.pyplot as plt


def build_sales_data() -> pd.DataFrame:
    data = {
        "month": ["Jan", "Feb", "Mar", "Apr", "May", "Jun"],
        "sales": [12000, 15000, 18000, 16000, 21000, 24000],
        "cost": [7000, 8200, 9600, 9100, 12000, 13500],
    }
    df = pd.DataFrame(data)
    df["profit"] = df["sales"] - df["cost"]
    return df


def save_excel(df: pd.DataFrame, output_dir: Path) -> Path:
    output_dir.mkdir(exist_ok=True)
    excel_path = output_dir / "sales_report.xlsx"
    df.to_excel(excel_path, index=False)
    return excel_path


def save_chart(df: pd.DataFrame, output_dir: Path) -> Path:
    chart_path = output_dir / "sales_profit_chart.png"

    plt.figure(figsize=(8, 4))
    plt.plot(df["month"], df["sales"], marker="o", label="Sales")
    plt.plot(df["month"], df["profit"], marker="s", label="Profit")
    plt.title("Monthly Sales and Profit")
    plt.xlabel("Month")
    plt.ylabel("Amount")
    plt.legend()
    plt.tight_layout()
    plt.savefig(chart_path, dpi=150)
    plt.close()

    return chart_path


def main() -> None:
    output_dir = Path("output")
    df = build_sales_data()

    print("Data preview:")
    print(df)

    excel_path = save_excel(df, output_dir)
    chart_path = save_chart(df, output_dir)

    print(f"Excel saved to: {excel_path.resolve()}")
    print(f"Chart saved to: {chart_path.resolve()}")


if __name__ == "__main__":
    main()

4. 运行脚本

python sales_report.py

运行后会生成：

output/sales_report.xlsx
output/sales_profit_chart.png

这就是一个典型的 Python + conda 项目开发流程：

1. 为项目创建独立环境。
2. 在环境中安装依赖。
3. 编写代码。
4. 运行并验证结果。
5. 导出环境文件。

5. 导出项目环境

conda env export > environment.yml

以后换电脑时，只需要项目代码和 environment.yml，就能快速恢复运行环境。

十、常见问题与避坑说明

1. conda 命令找不到

报错类似：

conda is not recognized as an internal or external command

常见原因：

• 没有安装 Anaconda 或 Miniconda。
• 没有使用 Anaconda Prompt。
• conda 没有加入环境变量。

Windows 初学者建议优先使用 Anaconda Prompt，不要一开始就手动改系统环境变量。

2. 激活环境失败

可以先初始化 shell：

conda init

然后关闭终端，重新打开。

PowerShell 用户如果遇到权限策略问题，可以先换 Anaconda Prompt 测试，确认 conda 本身没有问题。

3. 安装包很慢

可以尝试更换镜像源，或使用 conda-forge。但不要频繁混用多个频道，否则可能引入依赖冲突。

查看当前频道：

conda config --show channels

4. Solving environment 很久

安装复杂包时，conda 需要计算依赖关系，可能停在：

Solving environment

处理建议：

• 不要在一个环境里装太多无关包。
• 创建新环境时尽量一次性指定核心依赖。
• 尽量不要混用太多频道。
• 可以尝试新建干净环境，而不是在旧环境里反复修补。

5. pip 安装后 Python 仍然 import 不到

通常是 pip 装错环境。

检查当前 Python：

python -c "import sys; print(sys.executable)"

使用当前 Python 对应的 pip 安装：

python -m pip install package_name

6. 不建议长期在 base 环境开发

base 是 conda 的基础环境，建议保持干净。项目依赖应该安装到项目专属环境中：

conda create -n project_env python=3.10
conda activate project_env

如果把所有包都装进 base，时间久了很容易出现版本混乱。

7. 复现别人项目时不要盲目升级

很多老项目依赖特定版本。例如：

conda create -n old_project python=3.8

如果项目说明写的是 Python 3.8，就不要直接用 Python 3.12。环境配置的第一原则是先跑通，再考虑升级。

十一、常用命令速查表

功能	命令
查看 conda 版本	conda --version
查看 conda 信息	conda info
查看所有环境	conda env list
创建环境	conda create -n env_name python=3.10
激活环境	conda activate env_name
退出环境	conda deactivate
删除环境	conda remove -n env_name --all
安装包	conda install package_name
指定频道安装	conda install -c conda-forge package_name
查看已安装包	conda list
更新指定包	conda update package_name
导出环境	conda env export > environment.yml
根据 yml 创建环境	conda env create -f environment.yml
pip 安装包	python -m pip install package_name

总结

Python 编程真正进入项目阶段后，环境管理是必须掌握的基础能力。conda 的核心作用不是"安装 Python"，而是帮助我们为不同项目创建独立、可控、可复现的运行环境。

建议初学者养成以下习惯：

1. 一个项目一个 conda 环境。
2. 不在 base 环境里乱装包。
3. 创建环境时明确 Python 版本。
4. 优先用 conda 安装依赖，必要时再用 pip。
5. 项目跑通后导出 environment.yml。
6. 遇到严重依赖冲突时，优先考虑新建干净环境。

掌握这些流程后，无论是做 Python 自动化办公、数据分析、Web 开发，还是机器学习项目复现，都会少掉很多环境配置上的坑。

参考资料：

• conda 官方文档：Managing environments
• conda 官方文档：conda create command