Conda 环境管理

概述

Conda 是一个跨平台的包管理和环境管理系统，与 Python 原生的 venv 相比，conda 的优势在于：

非 Python 包的依赖管理：可以安装任何语言的二进制包（如 R、Node.js 等）
交叉平台兼容性：自动处理二进制依赖关系
独立的包仓库：不依赖系统的 package manager

对比 Python 原生虚拟环境

功能	Python venv	Conda
Python 包管理	pip	pip / conda
非 Python 依赖	❌	✅
二进制包分发	❌	✅
环境隔离级别	仅 Python	包含所有依赖

创建环境

创建基本环境

bash

# 指定 Python 版本创建环境
conda create -n myenv python=3.10

# 创建环境并立即安装包
conda create -n myenv python=3.10 numpy pandas

# 指定完全相同的 Python 版本
conda create -n myenv python=3.10.0

从配置文件创建环境

bash

# 使用 environment.yml 文件创建环境
conda env create -f environment.yml

# 指定环境名称
conda env create -f environment.yml -n myenv

# 如果已存在则更新现有环境
conda env update -f environment.yml --prune

创建完整环境的 YAML 格式

yaml

name: myenv
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.10
  - numpy>=1.20.0
  - pandas
  - pip
  - pip:
      - requests==2.28.0
      - flask

激活与停用环境

激活环境

bash

# 激活环境
conda activate myenv

# macOS/Linux 可能需要先刷新 shell
source activate myenv

# Windows PowerShell
conda activate myenv

# Windows CMD
activate myenv

停用环境

bash

# 停用当前环境
conda deactivate

# 回到基础环境
conda deactivate

查看所有可用环境

bash

# 列出所有环境
conda env list

# 简写
conda info -e

# 只显示环境名称
conda info --envs

环境导出与导入

导出环境配置

bash

# 导出环境和所有依赖包版本到 YAML 文件
conda env export > environment.yml

# 只导出主依赖（不包含所有精确定义的版本）
conda env export --from-history > environment.yml

# 导出到指定文件
conda env export -n myenv > myenv.yml

从文件恢复环境

bash

# 从 YAML 文件创建新环境
conda env create -f environment.yml

# 从 URL 创建环境
conda env create -f https://example.com/environment.yml

# 更新现有环境
echo "" > environment.yml  # 清空现有环境
conda env update -f environment.yml --prune

包管理

安装包

bash

# 安装包
conda install -n myenv numpy

# 安装特定版本的包
conda install -n myenv numpy=1.21.0

# 同时安装多个包
conda install -n myenv numpy pandas scipy

# 从 pip 源安装
conda install -n myenv pip
pip install -n myenv some_package

# 或者在激活状态下使用 pip
conda activate myenv
pip install some_package

卸载包

bash

# 卸载包
conda remove -n myenv numpy

# 卸载多个包
conda remove -n myenv numpy pandas

# 清理未使用的依赖
conda clean --all

更新包

bash

# 更新单个包
conda install -n myenv --upgrade numpy

# 更新所有包
conda update --all

# 更新特定包
conda update numpy

# 仅更新到最新版
conda install --revision *numpy*

搜索包

bash

# 搜索包
conda search numpy

# 在所有频道搜索
conda search -c conda-forge numpy

# 查看包信息
conda info numpy

# 查看某版本包的详情
conda search numpy=1.21.0

通道（Channels）管理

配置通道

bash

# 列出当前配置的通道
conda config --show channels

# 添加通道
conda config --add channels conda-forge

# 设置优先级
conda config --add channels conda-forge
conda config --set channel_priority strict

常见问题解决

环境冲突

bash

# 查看依赖树
conda graph myenv

# 查找冲突原因
conda install --dry-run numpy scipy  # 查看会安装的包

# 解决依赖冲突
conda install --solver=libmamba numpy scipy  # 使用新的求解器

安装包失败

bash

# 更新 conda 本身
conda update conda

# 使用宽松求解器
conda install --solver=classic numpy

# 从不同通道获取
conda install -c conda-forge numpy

清理缓存

bash

# 清理未使用的包
conda clean --packages

# 清理索引缓存
conda clean --index-cache

# 清理临时文件
conda clean --tarballs

# 清理所有缓存
conda clean --all

最佳实践

环境命名规范

bash

# 语义化命名
conda create -n py310-data-science python=3.10
conda create -n web-django python=3.9
conda create -n ml-torch python=3.10 pytorch torchvision

工作流示例

bash

# 完整的工作流程
# 1. 创建环境
conda create -n myproject python=3.10

# 2. 激活环境
conda activate myproject

# 3. 安装依赖
conda install numpy pandas matplotlib

# 4. 导出配置
conda env export > requirements.yml

# 5. 协作时共享
conda env create -f requirements.yml -n collaborator-env

# 6. 更新环境
conda install newpackage
conda env export > requirements.yml  # 重新导出

与 pip 配合使用

bash

# 推荐做法：优先使用 conda 安装基础科学包
conda install numpy pandas scipy

# 对于 conda 没有的包，使用 pip
conda install pip
pip install specific-package

# 或者一次性安装
conda create -n mixed python=3.10 numpy
pip install -r requirements.txt

性能优化

使用更快的求解器

bash

# 安装快速求解器
conda install -n base -c conda-forge mamba

# 使用 mamba 替代 conda（更快更智能）
mamba create -n myenv python=3.10
mamba install -n myenv numpy pandas
mamba update --all

环境变量配置

bash

# 设置镜像源（加速下载）
# Linux/macOS: ~/.condarc
# Windows: %USERPROFILE%\.condarc

# 添加国内镜像（可选）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --set show_channel_urls yes

进阶技巧

克隆环境

bash

# 克隆整个环境
conda create -n newenv --clone oldenv

# 克隆时排除某些包
conda create -n newenv --clone oldenv \
    --override-base-channels \
    -n newenv python=3.11

导出可执行文件

bash

# 将环境打包为独立应用
conda-pack -n myenv -o myenv.tar.gz

# 在其他机器解压使用
tar xzf myenv.tar.gz

批量管理

bash

# 批量激活/停用脚本
# 在 project.sh 中添加
PROJECT_ENVS="proj1 proj2 proj3"
for env in $PROJECT_ENVS; do
  if ! conda deactivate 2>/dev/null; then
    echo "No environment to deactivate"
  fi
done
conda activate $1

Conda 环境管理

概述

对比 Python 原生虚拟环境

创建环境

创建基本环境

从配置文件创建环境

创建完整环境的 YAML 格式

激活与停用环境

激活环境

停用环境

查看所有可用环境

环境导出与导入

导出环境配置

从文件恢复环境

包管理

安装包

卸载包

更新包

搜索包

通道（Channels）管理

配置通道

推荐通道配置

常见问题解决

环境冲突

安装包失败

清理缓存

最佳实践

环境命名规范

工作流示例

与 pip 配合使用

性能优化

使用更快的求解器

环境变量配置

进阶技巧

克隆环境

导出可执行文件

批量管理

相关资源

Conda 环境管理 ​

概述 ​

对比 Python 原生虚拟环境 ​

创建环境 ​

创建基本环境 ​

从配置文件创建环境 ​

创建完整环境的 YAML 格式 ​

激活与停用环境 ​

激活环境 ​

停用环境 ​

查看所有可用环境 ​

环境导出与导入 ​

导出环境配置 ​

从文件恢复环境 ​

包管理 ​

安装包 ​

卸载包 ​

更新包 ​

搜索包 ​

通道（Channels）管理 ​

配置通道 ​

推荐通道配置 ​

常见问题解决 ​

环境冲突 ​

安装包失败 ​

清理缓存 ​

最佳实践 ​

环境命名规范 ​

工作流示例 ​

与 pip 配合使用 ​

性能优化 ​

使用更快的求解器 ​

环境变量配置 ​

进阶技巧 ​

克隆环境 ​

导出可执行文件 ​

批量管理 ​

相关资源 ​

Conda 环境管理

概述

对比 Python 原生虚拟环境

创建环境

创建基本环境

从配置文件创建环境

创建完整环境的 YAML 格式

激活与停用环境

激活环境

停用环境

查看所有可用环境

环境导出与导入

导出环境配置

从文件恢复环境

包管理

安装包

卸载包

更新包

搜索包

通道（Channels）管理

配置通道

推荐通道配置

常见问题解决

环境冲突

安装包失败

清理缓存

最佳实践

环境命名规范

工作流示例

与 pip 配合使用

性能优化

使用更快的求解器

环境变量配置

进阶技巧

克隆环境

导出可执行文件

批量管理

相关资源