Conda 虚拟环境操作手册：从入门到精通

前言

在 Python 开发中，不同项目往往依赖不同版本的库，直接混装在系统 Python 里迟早会遇到依赖冲突。Conda 是解决这一痛点的利器------它不仅能管理 Python 版本，还能隔离整个依赖环境，让每个项目"自给自足"。

本文将系统梳理 Conda 虚拟环境的常用操作，覆盖创建、切换、管理、导入/导出等全流程，适合作为案头速查手册。

环境说明： 本文命令在 Windows / Linux / macOS 下均可使用，路径写法请根据系统自行调整。

一、查看环境

在开始操作前，先看看系统里已经有哪些环境：

bash 复制代码

# 列出所有环境（当前激活的环境前方带 * 号）
conda env list

# 等价命令
conda info --envs

示例输出：

复制代码

# conda environments:
#
base                  *  C:\Users\Administrator\miniconda3
ml                       C:\Users\Administrator\miniconda3\envs\ml

二、创建环境

2.1 基础创建

bash 复制代码

# 创建名为 myenv 的环境，指定 Python 版本
conda create --name myenv python=3.12

# 使用 --prefix 指定自定义路径（适合需要把环境放在项目目录下的场景）
conda create --prefix "E:/software/miniconda3/envs/myenv" python=3.12 -y

-y 参数可跳过安装确认，适合脚本化操作。

2.2 创建时同步安装包

bash 复制代码

# 创建环境的同时安装常用包，减少后续单独安装的步骤
conda create --name myenv python=3.10 numpy pandas matplotlib

2.3 指定 Python 版本的最佳实践

不同的项目可能对 Python 版本有不同要求，创建时务必显式指定版本号，避免未来 CI/CD 中版本不一致导致的玄学问题：

bash 复制代码

conda create --name dl_project python=3.10      # PyTorch 生态推荐 3.10
conda create --name web_project python=3.12      # 新项目可用最新稳定版

三、激活与切换环境

bash 复制代码

# 激活指定环境
conda activate myenv

# 激活后，终端提示符前会显示环境名，例如 (myenv) $
# 可通过以下命令确认当前环境
conda info --envs

# 退出当前环境，回到 base
conda deactivate

注意： 在 PowerShell 中首次使用 conda activate 可能需要先执行 conda init powershell，然后重启终端。

四、安装与管理包

4.1 从 conda 源安装

bash 复制代码

conda activate myenv
conda install numpy

4.2 从 pip 安装

当 conda 源没有某个包或版本不够新时，可以混用 pip：

bash 复制代码

pip install numpy

顺序建议： 先用 conda 安装尽量多的包（conda 能更好地解决依赖），再用 pip 补充 conda 源里没有的包。不要在 conda 和 pip 之间来回切换着装同一个包的不同版本，容易把依赖搞乱。

4.3 批量安装

bash 复制代码

# 将依赖写入 requirements.txt，一行一个包
pip install -r requirements.txt

4.4 常用组合

bash 复制代码

# 数据分析三件套
pip install numpy pandas matplotlib

# 机器学习常用
pip install scikit-learn xgboost lightgbm

# 深度学习（建议用 conda 安装 PyTorch，以获得更好的 CUDA 兼容性）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

五、删除与重命名环境

5.1 删除环境

bash 复制代码

# 删除整个环境及其所有包
conda remove --name myenv --all

删除前建议先用 conda env list 确认环境名，避免误删。

5.2 重命名环境

Conda 本身不支持直接重命名，需要通过"克隆 → 删除"两步实现：

bash 复制代码

# 第一步：克隆原环境为新名称
conda create --name myenv_new --clone myenv

# 第二步：确认新环境可用后，删除旧环境
conda remove --name myenv --all

六、导出与导入环境

这是团队协作和项目复现的核心操作。

6.1 导出环境

bash 复制代码

# 激活目标环境
conda activate myenv

# 导出为 environment.yml（包含精确版本号，适合精确复现）
conda env export > environment.yml

conda env export 会锁定到小版本号，适合在同一个操作系统间复现。如果需要在不同 OS 间共享（如 Windows ↔ Linux），建议只保留顶层依赖，手动编辑 yml 文件去掉版本锁定。

6.2 从 yml 文件创建环境

bash 复制代码

# 从 environment.yml 一键重建完整环境
conda env create --file environment.yml

6.3 仅导出顶层依赖（跨平台友好）

bash 复制代码

# 导出时只保留显式安装的包（不包含依赖的子包）
conda env export --from-history > environment.yml

--from-history vs 默认导出的区别：

导出方式	内容	适用场景
`conda env export`	所有包 + 精确版本	同机器 / 同 OS 精确复现
`--from-history`	仅显式安装的包	跨平台共享，依赖由 conda 自行解析

七、查看环境中的包

bash 复制代码

# 列出当前环境中所有已安装的包及其版本
conda list

# 搜索 conda 源中是否有某个包
conda search numpy

# 搜索特定版本的包
conda search numpy=1.24

八、环境清理与维护

bash 复制代码

# 清理无用的缓存、索引、临时文件，释放磁盘空间
conda clean --all

# 仅清理已解压的包缓存（保留压缩包）
conda clean --tarballs

# 更新当前环境中所有可升级的包
conda update --all

# 更新 conda 自身
conda update conda

九、典型工作流

场景一：从零搭建新项目

bash 复制代码

conda create --name my_project python=3.10
conda activate my_project
pip install numpy pandas scikit-learn
# 开始写代码...

场景二：接手已有项目（有 environment.yml）

bash 复制代码

git clone <repo-url>
cd <repo>
conda env create --file environment.yml
conda activate <env-name>

场景三：为项目做环境迁移

bash 复制代码

conda activate old_project
conda env export > environment.yml
conda deactivate
conda env create --file environment.yml      # 在新机器或新路径重建

场景四：定期清理，释放磁盘空间

bash 复制代码

conda clean --all           # 动辄释放几个 G
conda env list              # 顺便检查有没有废弃环境
conda remove --name unused_env --all

十、常见问题与排错

Q: conda activate 报错 CommandNotFoundError

执行 conda init 初始化 shell，然后重启终端。

Q: 安装包时一直卡在 Solving environment

Conda 在解依赖冲突时可能很慢，改用 mamba（Conda 的 C++ 重实现）可显著加速，或者先用 pip 安装核心包。

Q: conda 和 pip 混用后环境乱了

尽量避免混用。如果确实需要，原则是：先 conda 后 pip，用 pip 时加 --no-deps 避免覆盖 conda 的依赖解析结果。

Q: 环境占用空间太大

执行 conda clean --all，定期清理缓存。Conda 的 pkg 缓存目录可能积攒大量历史版本。

总结

Conda 的核心价值在于 环境隔离------每个项目拥有独立的 Python 解释器和包集合，互不干扰。本文覆盖了从环境创建、包管理、导入导出到清理维护的完整生命周期。把这篇文章加入收藏，遇到问题随时回来查。

顺手推荐一个加速神器：mamba ------ mamba 是 conda 命令的 drop-in 替换，依赖解析速度提升数倍，用法完全一致，将 conda 替换为 mamba 即可。