1. 先搞清楚虚拟环境到底在隔离什么接手一个别人做了一半的项目requirements.txt里躺着三十多个包你一行pip install -r敲下去装到最后报了个红字说你机器上已有的 numpy 版本和新包要求的版本对不上。更糟的是你为了修这个问题把 numpy 降了一级结果另一个早就在跑的老项目当场罢工。这种连环车祸在刚接触 Python 的阶段特别常见而 Anaconda 虚拟环境这套东西本质上就是给每个项目划一块互不干扰的地盘让它们各过各的日子。这篇内容我把从下载安装到建环境、装包、接编辑器、排错的整条链路走一遍面向的是完全没碰过 conda 的新手也适合那些用过但一直没弄明白为什么这么做的人。1.1 一次依赖冲突是怎么把本地环境搞崩的先说清楚问题的来龙去脉。Python 的包安装机制有个特点同名的包在同一套解释器里只能存在一个版本。你装 pandas 的时候它顺带把 numpy 拉进来装的是 1.26过两天另一个库要求 numpy 低于 1.22pip 一看已经有 1.26 了要么强行覆盖要么直接报错退出。覆盖的结果就是前面那个项目在 import 的时候抛出AttributeError或者ImportError而且报错信息往往指向库里很深的一层你根本看不出是新旧版本打架。我自己刚工作的头一年就栽在这上面。当时机器上只有一个全局 Python前前后后装了十几个项目的依赖最后变成了一个谁也不敢动的大杂烩。想升级任何一个包都要先花半小时想清楚会不会牵连到别的项目最后干脆重装系统。后来换成每个项目一个独立环境这个问题才算真正解决项目 A 要 numpy 1.26项目 B 要 numpy 1.21两边各自装各自的物理上就是两个不同的目录谁也别想影响谁。所以虚拟环境的价值不在于看起来专业而在于它把一个全局共享的、随时可能被污染的命名空间切成了若干个互相看不见的小房间。这个比喻虽然被说烂了但确实准确每个房间有自己的家具第三方包有自己指定的房型Python 版本你进哪个房间就只看见哪个房间的东西。1.2 解释器、包目录、环境变量隔离的颗粒度在哪一层很多人以为虚拟环境就是换个文件夹装包其实它同时改动了三样东西理解这三样后面遇到问题才知道往哪查。第一样是解释器路径。用 conda 建环境的时候如果不指定版本它会复制一份当前 base 环境里的 Python 可执行文件过去指定了python3.11就会去下载对应的版本。这意味着python这个命令在不同的环境里指向的是不同的二进制文件而不是同一个程序换了个参数。第二样是包安装目录。Windows 下通常是envs\环境名\Lib\site-packagesLinux 和 macOS 下是envs/环境名/lib/python3.x/site-packages。Python 启动时会先把这个目录塞进sys.path的前面所以它会优先于 base 环境的包被找到。你可以在环境里跑一句python -c import sys; print(sys.path)亲眼看一下顺序。第三样是环境变量。激活环境的时候conda 会临时修改PATH把当前环境的目录排到最前面这就是为什么conda activate之后敲python出来的是环境里的版本。这个修改只对当前终端会话生效关掉窗口就恢复原样所以不必担心它污染系统级配置。隔离对象具体表现出问题时的典型症状解释器每个环境一份 Python 可执行文件python --version和预期不符包目录独立的 site-packages装了包但 import 不到环境变量会话级 PATH 覆盖新开终端后命令失效把这三层想明白很多玄学问题就变成可定位的普通问题了。1.3 venv、conda、pipenv 三条路线该怎么选Python 生态里做环境隔离的工具不止一个新手最容易在选型上卡住。这里给一个不带倾向的对比你可以按自己的场景挑。venv是标准库自带的命令简单创建出来的环境体积小但它只管 Python 包装不了非 Python 的依赖也没法给你换一个不同版本的 Python——它只能基于你当前那个 Python 复制一份。如果你的机器上只有 Python 3.9你想用 3.12 的特性venv 帮不上忙。conda是 Anaconda 提供的那套它同时管 Python 包和系统级依赖比如科学计算里常见的 MKL 数学库、CUDA 相关的组件还能直接下载安装不同版本的 Python 本身。代价是环境体积大一个空环境也要几百兆。做数据分析、机器学习、需要装 PyTorch 或涉及 GPU 的时候conda 的优势比较明显因为这些生态里的很多包在 conda 渠道有预编译版本省去自己配编译环境的麻烦。pipenv和poetry这类工具偏向工程化会把依赖锁定文件和环境管理绑在一起适合正式的团队协作项目但对刚入门的人来说多了一层概念负担。我的建议很直接如果你学 Python 是为了做数据分析、跑模型、玩 Jupyter装 Anaconda 用 conda 管环境如果你只是写点小脚本、做 Web 后端用 Python 自带的 venv 加 pip 就够了不用为了显得专业去装一个几个 G 的发行版。下面所有内容都针对 conda 这条路线展开。2. Anaconda 的安装与第一轮配置装 Anaconda 这件事本身不难难的是装完之后的一堆默认设置如果不改后面建环境、装包会一直难受。这一节把下载选型、安装时的勾选项、装完怎么验证、以及换国内源这几件事讲透。2.1 Anaconda 和 Miniconda 到底该装哪个官网上有两个东西名字很像新手经常随手点错。Anaconda 是完整发行版自带 Python、conda、几百个常用的科学计算包numpy、pandas、matplotlib、scipy、jupyter 等等安装包大装完之后占几个 G。Miniconda 只有一个 conda 加一个基础 Python装完几百兆其余包你自己按需装。那到底选哪个我给你一个判断标准如果你的硬盘空间不紧张而且你大概率会用上数据分析那一套东西直接装 Anaconda省得装完还要一个个补包。如果你只是想要 conda 这个环境管理工具包由自己控制或者你在服务器上部署、对镜像体积敏感那就选 Miniconda。我自己在本地开发机上装的是 Anaconda因为反复装 numpy、pandas 这类包很浪费时间但在远程的机器上我一律用 Miniconda装完只建需要的环境干净。还有一个细节值得说Anaconda 自带的 base 环境里预装了大量的包有些教程会建议你直接用 base 环境干活我强烈不建议。base 环境一旦被你装进乱七八糟的包conda 自身的依赖可能被破坏严重时连 conda 命令都跑不起来修复起来很折磨。把 base 当成一个纯粹的管理工具所有业务代码都在新建的环境里跑这是基本纪律。2.2 安装向导里那几个勾选项的真实含义安装过程里有两个地方新手最容易选错我逐个解释。第一个是安装路径。默认会装到用户目录下比如 Windows 的C:\Users\你的用户名\anaconda3。这个路径有两个讲究一是绝对不要带中文和空格有些科学计算库在编译或加载动态链接库的时候对路径里的非 ASCII 字符处理不好报错信息还特别隐晦你会查半天查不到原因二是别装到系统盘空间紧张的分区因为后面你建的每个虚拟环境默认也会放在这个目录附近一个环境几百兆到几个 G 不等攒上七八个盘就红了。我一般会改到D:\devtools\anaconda3这种纯英文、无空格的路径。第二个是Add Anaconda3 to my PATH environment variable这个勾选框。官方安装器默认不勾理由是不想让 Anaconda 的 Python 覆盖系统里已有的 Python。但对新手来说不勾的后果就是装完之后你打开命令行敲conda会提示找不到命令于是以为自己装失败了。我的建议是如果你机器上没有别的 Python 需要保护可以勾上如果你拿不准就先不勾装完之后用 Anaconda 自带的Anaconda Prompt这个终端工具来操作它是专门配好环境变量的一打开就能用 conda。注意不要为了图省事直接把 Anaconda 的目录手动加到系统 PATH 的最前面这会让系统里其他依赖 Python 的软件比如某些安装器自带的脚本优先调用到 conda 的 Python可能引发一些莫名其妙的问题。要用命令行优先打开 Anaconda Prompt。2.3 装完之后先跑这几条命令验证安装向导走完先别急着建环境花两分钟确认一下基础状态。打开 Anaconda PromptWindows或者终端macOS、Linux依次执行下面几条。conda --version python --version conda info第一条会输出 conda 的版本号比如conda 24.x.x。第二条输出 Python 版本如果你用的是较新的 Anaconda 发行版大概率是 3.11 或 3.12。第三条信息量最大重点看几个字段base environment显示的是 base 环境的路径envs directories列出了 conda 会在哪些目录下找虚拟环境platform告诉你当前系统架构。这几个字段在你后面环境建到哪去了、为什么找不到的问题上会反复用到。如果conda --version报不是内部或外部命令说明环境变量没配好。这时候有两个选择一是重新运行安装程序修复二是在系统环境变量里手动添加。手动添加需要加三个路径以D:\devtools\anaconda3为例D:\devtools\anaconda3、D:\devtools\anaconda3\Scripts、D:\devtools\anaconda3\Library\bin三个缺一不可少加 Scripts 会导致 conda 命令找不到少加 Library\bin 会导致某些依赖 DLL 的包运行时报错。2.4 换成国内镜像源把下载速度拉回正常水平默认情况下 conda 从国外的服务器拉包国内访问速度经常慢到让人怀疑人生尤其是装 PyTorch 这种几百兆的大包时中途断掉是家常便饭。解决办法是换成国内的镜像站比较常用的是清华的 Anaconda 镜像。配置方式有两种。一种是命令行敲一行一行来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另一种是直接编辑配置文件.condarc它在 Windows 下位于C:\Users\你的用户名\.condarcLinux 和 macOS 下在~/.condarc。文件内容长这样channels: - defaults show_channel_urls: true default_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 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud配置完用conda config --show channels看一眼是否生效再用conda clean -i清一下索引缓存让新的源立刻起作用。提示镜像站是定期同步的偶尔会出现某个包的新版本还没同步过来的情况。如果你确认某个版本官方有但镜像站拉不到可以临时用conda install -c conda-forge 包名指定官方渠道装装完再切回来不用为了这一个包把全局配置改回去。3. conda 创建与管理环境的完整操作链环境管理的命令就那么几条但参数和路径细节很多人一直没理顺。这一节把创建、激活、查看、迁移、删除整条链路走一遍顺便把几个常见的坑点标出来。3.1 conda create 的参数怎么读环境名怎么起创建环境的基本命令是这个conda create -n myproject python3.11拆开看-n是--name的缩写后面跟环境名python3.11是你要装的包加版本约束conda 会顺带把 Python 解释器按这个版本装进去。注意这个3.11是宽松匹配它会装 3.11 系列里最新的那个补丁版本比如 3.11.9。如果你想精确锁定写python3.11.9但一般不推荐这么做因为小版本升级通常不引入破坏性变更锁太死反而容易在装其他包时卡住版本求解。环境名建议用英文、小写、连字符或下划线连接别用中文也别用太泛的名字。我见过有人建了一堆叫test、test1、new的环境过两周完全分不清哪个是干嘛的。我的习惯是项目名加用途比如spider-prod、nlp-exp一眼能认出来。创建的时候还可以一次性把常用的包都写上省得后面来回装conda create -n datalab python3.11 numpy pandas matplotlib jupyterconda 会先做一次依赖求解把这一堆包的版本关系算清楚然后列出计划安装的清单让你确认。这一步有时候会转很久慢是因为它要下载索引并计算依赖不是卡死了耐心等一下。3.2 激活、切换、查看、删除的标准动作建好之后激活环境conda activate myproject激活成功后命令行提示符前面会出现(myproject)这样的标记这是个很有用的视觉提示能防止你在错误的环境里敲命令。要退出当前环境回到 baseconda deactivate查看机器上所有环境conda env list或者简写conda info --envs。它会列出环境名和对应路径当前激活的那个前面有个星号。删除环境注意这个操作不可逆conda remove -n myproject --all这里有个常见的低级错误有人在环境里直接敲conda remove --all不带-n这会尝试删除当前激活的环境。虽然 conda 一般会拦一下让你确认但紧张的时候手一抖就确认了。所以删除之前先conda deactivate回到 base 再执行删除这样更稳妥。还有一个跨平台的差异要注意。Windows 上用 cmd 的时候conda activate在早期版本里需要先执行conda init cmd.exe才能用如果你敲了命令提示CommandNotFoundError就是初始化没做。PowerShell 下则是执行conda init powershell然后重开一个终端窗口。macOS 和 Linux 下翻车的情况相对少主要问题是有时候 shell profile 里已经有 conda 的初始化块但 PATH 顺序被别的东西打乱了表现就是conda activate之后which python还是指向系统 Python。这时候用conda info --envs确认环境确实存在然后检查 shell 配置文件里 conda 那段是不是被放在其他 PATH 修改语句的前面。3.3 把环境目录从系统盘挪到数据盘默认情况下conda 会把新环境建在 base 目录下的envs文件夹里。如果你的 Anaconda 装在 C 盘那所有环境都在 C 盘用不了多久系统盘就告急。解决方式是修改.condarc指定环境存放目录。envs_dirs: - D:\conda-envs - C:\Users\你的用户名\.conda\envsenvs_dirs是个列表conda 创建新环境的时候会用列表里第一个可写的目录。把它设成数据盘上的目录以后新建的环境就都落在那边了。已有的旧环境不会自动搬过去需要手动处理。手动迁移的步骤稍微有点绕我列一下。先在旧位置确认环境存在然后用conda create -n 新环境名 --clone 旧环境名克隆一份克隆出来的会在新的envs_dirs目录下。确认新环境能用之后再删除旧环境。之所以不建议直接剪切文件夹是因为环境里有些脚本和配置文件记录了绝对路径直接搬过去可能出现路径失效的问题克隆是更可靠的做法。同样的道理conda 的包缓存默认也在系统盘用conda clean --all可以清掉没用的缓存包有时候能释放出好几个 G 的空间。我一般每隔一两个月清一次效果立竿见影。3.4 环境导出、跨机复现和内网搬运把自己配好的环境复现到另一台机器上这是团队协作里的高频需求。conda 提供的方案是导出环境描述文件conda env export environment.yml生成的 yml 里记录了环境名、channels、依赖列表注意它会带上精确的构建号build string这在跨平台的时候会出问题比如在 Windows 上导出的文件拿到 Linux 上可能根本装不上。所以我更推荐这样导出conda env export --no-builds environment.yml--no-builds去掉构建号只留版本号跨平台兼容性好很多。对方拿到文件之后执行conda env create -f environment.yml对于内网或者完全离线的机器上面的方法就没用了因为 conda 无法下载任何东西。这时候有两条路。一条是用conda pack把整个环境打包成压缩包conda pack -n myproject -o myproject.tar.gz拿到目标机器上解压到某个目录然后手动激活。这种方式把整个环境连同 Python 解释器一起打进去体积可能上 G但胜在省事目标机器上只要有解压工具就能用。另一条路是提前把 pip 包下载到本地适合只依赖 pip 包的情况pip download -r requirements.txt -d ./packages --platform manylinux2014_x86_64 --python-version 3.11 --only-binary:all:在目标机器上pip install --no-index --find-links./packages -r requirements.txt--platform和--python-version这两个参数是为了在下载的时候指定目标环境如果你在 Windows 上打包给 Linux 用不指定平台会让 pip 下载对应当前系统的 wheel 文件拿到目标机器上装不了。这个坑我自己踩过一次白折腾了两个小时才发现是平台的锅。4. pip 和 conda 装包时的分工与冲突处理环境建好了接下来就是往里装包。这里有一场持续了很多年的争论到底该用 conda 装还是用 pip 装。我的答案很明确能用 conda 装的就用 condaconda 没有的再用 pip而且不要在同一次操作里混着来。4.1 什么时候交给 conda什么时候用 pipconda 的优势在于它能处理非 Python 的依赖。比如 numpy 底层依赖 BLAS 数学库用 conda 装的时候它会给你一个预编译好、链接了优化数学库的版本性能比 pip 装的通用版本要好。再比如 PyTorch 和 TensorFlow 这类涉及 CUDA 的框架conda 渠道的包会帮你把 CUDA 运行时、cuDNN 这些组件一并配好而 pip 渠道的版本虽然也能装但有时候需要你自己确认驱动和运行时的版本匹配关系。判断标准可以这样定如果这个包在 conda 的默认渠道或者 conda-forge 渠道里能搜到优先用 conda 装如果搜不到或者 conda 渠道的版本明显落后于 PyPI这种情况在一些更新很快的小众库上很常见那就用 pip。搜包的命令是conda search 包名它会列出各个渠道里所有可用的版本。如果返回 PackagesNotFoundError说明 conda 渠道没有这个包去 pip 装。有一点必须强调不要混用。不要先conda install一个包紧接着pip install另一个包然后再conda install这种来回来去的操作最容易让 conda 的依赖记录和实际安装状态对不上后面再想用 conda 装东西的时候会陷入版本求解的死循环报一堆 inconsistent 之类的错。正确的做法是先用 conda 把能装的都装完最后再用 pip 补剩下的顺序不要颠倒。4.2 pip 的镜像源配置与超时处理pip 默认从 PyPI 官方源下载国内访问速度同样堪忧。换国内源有两种方式一次性的是加-i参数pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple永久生效的写进配置文件pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn配置文件的位置各平台不同Windows 在%APPDATA%\pip\pip.iniLinux 和 macOS 在~/.config/pip/pip.conf也有老版本用~/.pip/pip.conf。用pip config list可以确认当前生效的配置项。装大包的时候偶尔会遇到下载到一半超时断开的情况可以调大超时时间并增加重试次数pip install 包名 --timeout 120 --retries 5--timeout单位是秒指单次连接的超时时间--retries是重试次数。这两个参数对付不太好的网络环境很管用比反复重敲命令强。注意有些公司在办公网里部署了统一的软件源会要求你走内部源。这种时候别自作主张改配置去问一下运维或者查内部文档拿到正确的源地址再说。乱配源可能导致包来源不可信这在正式项目里是个风险点。4.3 混装之后环境跑不起来怎么救如果你已经踩了混装的坑环境变得不正常了别急着删环境重建先试试能不能救。按下面这个顺序排查。第一步用conda list看看当前环境里装了哪些包重点是看来源那一列是pypi还是某个 conda 渠道。如果发现同一个包既出现在 conda 记录里又在 pip 记录里那就是冲突源。第二步尝试让 conda 自己修conda install --revision 0这个命令会把环境回滚到第一次创建之后的状态也就是你后来装的包全没了。这是个重手段只在环境刚建不久、损失不大的时候用。第三步如果回滚不适用那就针对出问题的那几个包单独处理先把 pip 装的那个卸载掉pip uninstall 包名再用 conda 装一遍conda install 包名让 conda 重新接管依赖记录。第四步如果折腾超过二十分钟还搞不定果断重建。把当前的包列表导出来conda list --export packages.txt然后新建环境按先 conda 后 pip的顺序重装一遍。重建一个环境的时间通常比修一个坏掉的快得多这是我踩了很多次之后总结出来的经验修环境的收益上限很低重建的成本上限很低两者比较重建更划算。5. 让编辑器和 Notebook 认出你的环境环境在命令行里跑通了接下来要把它接到日常写代码的地方。这一节讲 PyCharm 和 Jupyter 两个最常见的场景顺便说说命令行能跑但 IDE 报错这类问题的排查思路。5.1 在 PyCharm 里正确挂上 conda 环境PyCharm 新建项目的时候会让你选解释器这里有个坑默认选项是 New environment using Virtualenv很多人一路点下去结果 Python 用的是系统那个跟你辛苦建的 conda 环境一点关系都没有。正确做法是选 Previously configured interpreter然后点右边的齿轮或者 Add Interpreter。在弹出的窗口里选 Conda Environment然后有两个分支。如果你要让 PyCharm 用已有的环境选 Use existing environment然后在解释器下拉框里找到你建的那个环境。如果下拉框里没有就手动指定路径Windows 下大概是D:\conda-envs\myproject\python.exemacOS 和 Linux 下是.../envs/myproject/bin/python。这里的关键是要定位到环境目录下的那个 python 可执行文件本身而不是环境目录很多人填了目录路径导致校验不过。如果你在列表里实在找不到回到命令行跑一句conda env list把你要用的环境对应的完整路径复制出来再手动填进 PyCharm。这个动作我用过很多次比在下拉框里翻找快。配置好之后PyCharm 右下角的状态栏会显示当前解释器的名字装包的时候在 Settings 里的 Project Interpreter 页面点加号它会默认往这个环境里装不用再关心路径问题。5.2 把环境注册成 Jupyter 内核Jupyter 的情况稍微特殊一点它不是直接连到环境而是通过内核这个中间层。也就是说即使你在 conda 环境里装了 jupyter启动 notebook 之后看到的默认内核可能还是 base 的那个 Pythonimport 的时候照样找不到你环境里的包。解决办法是在目标环境里装ipykernel并注册conda activate myproject conda install ipykernel python -m ipykernel install --user --name myproject --display-name Python (myproject)--name是内核的内部标识--display-name是在 Jupyter 界面下拉菜单里显示的名字建议把环境名带进去方便区分。执行完之后重启 Jupyter在 Kernel 菜单的 Change kernel 里就能看到新加的这一项了。如果注册之后还是不出现用这条命令检查一下已注册的内核列表jupyter kernelspec list它会列出所有内核及其对应的配置文件路径。如果你发现那个myproject指向的 Python 路径不对可以先用jupyter kernelspec remove myproject删掉重新注册一遍。这个问题的根源通常是注册的时候环境没激活对导致它记录的是 base 环境的解释器路径。5.3 命令行正常但 IDE 里 import 报红的排查顺序这个现象非常普遍我把它归成三种原因按从常见到少见排列。第一种是解释器没选对。IDE 里显示的 Python 版本和你以为的不一样或者路径指向了别的地方。最快的验证方法是在 IDE 的 Python 控制台里跑import sys; print(sys.executable)看输出的路径是不是你要的那个环境。如果不对回到上一节的配置步骤重设解释器。第二种是包装到了别的环境里。你在终端里敲pip install 包名但当时激活的是另一个环境。用conda list在 IDE 选中的那个环境里查一下或者在 IDE 的终端里直接跑pip show 包名如果提示 Package(s) not found那就是装错地方了。这种情况在新手身上发生频率极高根源在于终端会话和 IDE 用的不是同一套环境变量。第三种是IDE 的索引缓存没更新。包确实装好了命令行也能 import但 IDE 还拿着旧的索引。这时候可以试试让 IDE 重新构建索引或者在 PyCharm 里 File 菜单找 Invalidate Caches 清理一下重启。这种问题多见于刚装完包之后立即去写代码给 IDE 几秒钟扫描时间通常就好了。排查顺序我建议固定成先确认解释器路径再确认包所在地最后才怀疑 IDE 缓存。顺序反过来的话你会花很多时间在一个根本不是问题的地方折腾。6. 新手最常卡住的几类报错与定位路径前面讲了正常流程这一节专门讲不正常的情况。这些报错我在帮别人看问题的时候反复见到把它们连同排查过程记下来能省下不少时间。6.1 conda 命令整个找不到这是新手第一个门槛。装完 Anaconda打开 cmd 敲conda红字提示不是内部或外部命令。原因就一个环境变量没配好。处理路径有三条。最简单的是改用 Anaconda Prompt它自带环境变量配置一打开就能用如果你暂时不想动系统设置用这个就行。第二条是重新运行 Anaconda 安装程序选择修复过程中那个 Add to PATH 的选项这次勾上。第三条是手动加环境变量需要加三个路径前面第 2.3 节已经列过。加完之后有个重要步骤容易漏必须重开一个命令行窗口。环境变量是在进程启动的时候读取的已经开着的窗口不会自动刷新。有人加完变量在当前窗口敲命令还是找不到就以为加错了其实只是没重启窗口。另外 macOS 和 Linux 上还有一个情况就是你可能装了 zsh 而初始化写进了 bashrc。用echo $SHELL看当前 shell如果是 zsh 但只跑了conda init bash那配置就写错文件了。重新跑conda init zsh然后重开终端即可。6.2 PowerShell 提示禁止运行脚本在 Windows 的 PowerShell 里执行conda activate的时候有时会跳出一段红字大意是无法加载文件 ...\conda.ps1因为在此系统上禁止运行脚本。这是 PowerShell 默认的执行策略在拦它默认不允许运行任何脚本文件而 conda 的初始化正好是个 ps1 脚本。查看当前策略Get-ExecutionPolicy如果返回Restricted就是它的问题。改成Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUserRemoteSigned的含义是本地脚本可以跑从网络下载的脚本需要有签名。-Scope CurrentUser限定只改当前用户不影响系统里其他用户也不用管理员权限。改完再试一次conda activate通常就正常了。注意改执行策略之前最好确认一下公司或者学校的设备管理规范有些环境对这类安全设置是有统一要求的别为了跑一个命令动了不该动的地方。如果拿不准改用 cmd 或者 Anaconda Prompt 也能完成任务。6.3 内网机器上如何把整套环境搬过去有些开发机在生产内网完全不能访问外部网络conda install和pip install都会直接超时。这种场景下两台机器之间通过移动介质搬环境就成了唯一选择。前面 3.4 节提过conda pack和pip download两条路这里补充几个实操细节。用conda pack打包的时候包的体积可能非常大如果目标机器的磁盘空间不宽裕先确认清楚。另外conda pack打出来的包是跨平台限制的你在 Linux 上打的包只能在 Linux 上解压使用不能跨到 Windows。解压之后要激活需要进入解压出来的目录然后执行source ./bin/activate这是 Linux 下的方式Windows 下解压出来的目录里有对应的 activate.bat 脚本。这种激活方式和conda activate不太一样它只临时改当前会话的 PATH退出终端就失效而且不会出现在conda env list里。想让它在 conda 的管理体系内需要额外把解压目录加到envs_dirs配置里。如果用pip download的方式要特别注意把目标机器上的 Python 版本和平台信息问清楚下载的时候必须用--platform、--python-version、--implementation这几个参数对齐否则下载下来的 wheel 在目标机器上装不了。参数写错的表现是 pip 会去尝试下载源码包并现场编译在没有编译工具链的内网机器上必然失败。6.4 证书校验失败和长时间卡住conda install或者pip install有时候会报 SSL 相关的错误比如 CERTIFICATE_VERIFY_FAILED 或者 SSLError。这类问题通常有几个来源系统证书库太旧、公司网络里有进行证书替换的设备、Python 自带的证书包没装全。先试最温和的处理方式更新证书包conda update certifi如果是在 pip 场景下报错可以看看是不是certifi这个包缺失或者版本太老pip install --upgrade certifi还有一类情况是命令执行后长时间没有任何输出光标一直闪。这多半是网络侧的问题不是命令本身出错。判断方法是看是否有任何进度条出现如果连 Collecting package metadata 这种提示都没有说明连接都没建立起来如果有提示但卡在某个百分比不动说明在传输中。前者建议先确认网络出口是否可达后者可以试试换一个镜像源或者错开使用高峰时段。我在公司网络里遇到过一种情况同样的命令在家里跑得好好的到公司就卡住最后发现是内部网络设备对某些域名做了拦截。这种时候不要硬试直接找网络管理员确认哪些镜像站是允许访问的换一个可用的就行。6.5 磁盘被虚拟环境悄悄吃满用了一段时间之后 C 盘突然变红八成是 conda 干的。它吃磁盘的地方主要有三块环境目录、包缓存、pip 缓存。先看看整体占用conda info在输出的envs directories下面能看到环境都在哪。也可以用系统的磁盘分析工具看目录大小。清理包缓存是最安全也最有效的一招conda clean --all它会删掉已下载但不再被任何环境引用的包文件以及索引缓存。我第一次清的时候释放了将近 8 个 G效果非常明显。这个命令执行前会让你确认也可以加-y跳过确认。pip 的缓存清理用pip cache purge如果想从根本上解决还是前面 3.3 节说的把envs_dirs和包缓存目录都挪到空间充足的分区。.condarc里同时配置这两个envs_dirs: - D:\conda-envs pkgs_dirs: - D:\conda-pkgs配完之后新建的环境和后续下载的包都会落到 D 盘C 盘不会再持续膨胀。6.6 环境删了但命令还能用最后说一个容易让人困惑的现象你用conda remove删掉了某个环境但新开终端敲python出来的还是那个环境里的版本。这通常是因为环境被激活的痕迹通过某些初始化脚本留在了 shell 配置里或者你在某个终端会话里删除的环境那个会话的 PATH 还是旧的。处理方式是先确认环境确实没了conda env list然后检查 shell 的初始化文件里有没有硬编码那个环境的路径。Windows 上看看 PATH 环境变量里有没有残留项macOS 和 Linux 上翻一下.bashrc、.zshrc、.bash_profile这几个文件把指向已删除环境的那几行删掉。还有一种更隐蔽的情况你删除了环境但 shell 里还留着CONDA_PREFIX、CONDA_DEFAULT_ENV这些环境变量指向一个已经不存在的目录。这些变量在某些脚本里会被读取导致行为异常。最省事的办法是关掉当前终端重新开一个让初始化脚本重新跑一遍这些变量就会根据实际情况重新设置。我个人在这几年用 conda 的过程中慢慢形成了两个固定习惯。一是每建一个环境就在项目根目录放一个 environment.yml装完包随手更新一次这样即使机器重装恢复环境也只是一条命令的事比翻聊天记录找当初装了啥靠谱得多。二是base 环境只用来管理不装业务包这条纪律帮我避免了好几次把 conda 本身搞坏的事故。真要说这套工具最值得花时间理解的地方不是那些命令参数而是它把每个项目自成一体这件事变成了默认行为你只需要顺着它的逻辑走剩下的事它自己会处理。
Anaconda虚拟环境实战：conda安装、依赖隔离与报错排查
1. 先搞清楚虚拟环境到底在隔离什么接手一个别人做了一半的项目requirements.txt里躺着三十多个包你一行pip install -r敲下去装到最后报了个红字说你机器上已有的 numpy 版本和新包要求的版本对不上。更糟的是你为了修这个问题把 numpy 降了一级结果另一个早就在跑的老项目当场罢工。这种连环车祸在刚接触 Python 的阶段特别常见而 Anaconda 虚拟环境这套东西本质上就是给每个项目划一块互不干扰的地盘让它们各过各的日子。这篇内容我把从下载安装到建环境、装包、接编辑器、排错的整条链路走一遍面向的是完全没碰过 conda 的新手也适合那些用过但一直没弄明白为什么这么做的人。1.1 一次依赖冲突是怎么把本地环境搞崩的先说清楚问题的来龙去脉。Python 的包安装机制有个特点同名的包在同一套解释器里只能存在一个版本。你装 pandas 的时候它顺带把 numpy 拉进来装的是 1.26过两天另一个库要求 numpy 低于 1.22pip 一看已经有 1.26 了要么强行覆盖要么直接报错退出。覆盖的结果就是前面那个项目在 import 的时候抛出AttributeError或者ImportError而且报错信息往往指向库里很深的一层你根本看不出是新旧版本打架。我自己刚工作的头一年就栽在这上面。当时机器上只有一个全局 Python前前后后装了十几个项目的依赖最后变成了一个谁也不敢动的大杂烩。想升级任何一个包都要先花半小时想清楚会不会牵连到别的项目最后干脆重装系统。后来换成每个项目一个独立环境这个问题才算真正解决项目 A 要 numpy 1.26项目 B 要 numpy 1.21两边各自装各自的物理上就是两个不同的目录谁也别想影响谁。所以虚拟环境的价值不在于看起来专业而在于它把一个全局共享的、随时可能被污染的命名空间切成了若干个互相看不见的小房间。这个比喻虽然被说烂了但确实准确每个房间有自己的家具第三方包有自己指定的房型Python 版本你进哪个房间就只看见哪个房间的东西。1.2 解释器、包目录、环境变量隔离的颗粒度在哪一层很多人以为虚拟环境就是换个文件夹装包其实它同时改动了三样东西理解这三样后面遇到问题才知道往哪查。第一样是解释器路径。用 conda 建环境的时候如果不指定版本它会复制一份当前 base 环境里的 Python 可执行文件过去指定了python3.11就会去下载对应的版本。这意味着python这个命令在不同的环境里指向的是不同的二进制文件而不是同一个程序换了个参数。第二样是包安装目录。Windows 下通常是envs\环境名\Lib\site-packagesLinux 和 macOS 下是envs/环境名/lib/python3.x/site-packages。Python 启动时会先把这个目录塞进sys.path的前面所以它会优先于 base 环境的包被找到。你可以在环境里跑一句python -c import sys; print(sys.path)亲眼看一下顺序。第三样是环境变量。激活环境的时候conda 会临时修改PATH把当前环境的目录排到最前面这就是为什么conda activate之后敲python出来的是环境里的版本。这个修改只对当前终端会话生效关掉窗口就恢复原样所以不必担心它污染系统级配置。隔离对象具体表现出问题时的典型症状解释器每个环境一份 Python 可执行文件python --version和预期不符包目录独立的 site-packages装了包但 import 不到环境变量会话级 PATH 覆盖新开终端后命令失效把这三层想明白很多玄学问题就变成可定位的普通问题了。1.3 venv、conda、pipenv 三条路线该怎么选Python 生态里做环境隔离的工具不止一个新手最容易在选型上卡住。这里给一个不带倾向的对比你可以按自己的场景挑。venv是标准库自带的命令简单创建出来的环境体积小但它只管 Python 包装不了非 Python 的依赖也没法给你换一个不同版本的 Python——它只能基于你当前那个 Python 复制一份。如果你的机器上只有 Python 3.9你想用 3.12 的特性venv 帮不上忙。conda是 Anaconda 提供的那套它同时管 Python 包和系统级依赖比如科学计算里常见的 MKL 数学库、CUDA 相关的组件还能直接下载安装不同版本的 Python 本身。代价是环境体积大一个空环境也要几百兆。做数据分析、机器学习、需要装 PyTorch 或涉及 GPU 的时候conda 的优势比较明显因为这些生态里的很多包在 conda 渠道有预编译版本省去自己配编译环境的麻烦。pipenv和poetry这类工具偏向工程化会把依赖锁定文件和环境管理绑在一起适合正式的团队协作项目但对刚入门的人来说多了一层概念负担。我的建议很直接如果你学 Python 是为了做数据分析、跑模型、玩 Jupyter装 Anaconda 用 conda 管环境如果你只是写点小脚本、做 Web 后端用 Python 自带的 venv 加 pip 就够了不用为了显得专业去装一个几个 G 的发行版。下面所有内容都针对 conda 这条路线展开。2. Anaconda 的安装与第一轮配置装 Anaconda 这件事本身不难难的是装完之后的一堆默认设置如果不改后面建环境、装包会一直难受。这一节把下载选型、安装时的勾选项、装完怎么验证、以及换国内源这几件事讲透。2.1 Anaconda 和 Miniconda 到底该装哪个官网上有两个东西名字很像新手经常随手点错。Anaconda 是完整发行版自带 Python、conda、几百个常用的科学计算包numpy、pandas、matplotlib、scipy、jupyter 等等安装包大装完之后占几个 G。Miniconda 只有一个 conda 加一个基础 Python装完几百兆其余包你自己按需装。那到底选哪个我给你一个判断标准如果你的硬盘空间不紧张而且你大概率会用上数据分析那一套东西直接装 Anaconda省得装完还要一个个补包。如果你只是想要 conda 这个环境管理工具包由自己控制或者你在服务器上部署、对镜像体积敏感那就选 Miniconda。我自己在本地开发机上装的是 Anaconda因为反复装 numpy、pandas 这类包很浪费时间但在远程的机器上我一律用 Miniconda装完只建需要的环境干净。还有一个细节值得说Anaconda 自带的 base 环境里预装了大量的包有些教程会建议你直接用 base 环境干活我强烈不建议。base 环境一旦被你装进乱七八糟的包conda 自身的依赖可能被破坏严重时连 conda 命令都跑不起来修复起来很折磨。把 base 当成一个纯粹的管理工具所有业务代码都在新建的环境里跑这是基本纪律。2.2 安装向导里那几个勾选项的真实含义安装过程里有两个地方新手最容易选错我逐个解释。第一个是安装路径。默认会装到用户目录下比如 Windows 的C:\Users\你的用户名\anaconda3。这个路径有两个讲究一是绝对不要带中文和空格有些科学计算库在编译或加载动态链接库的时候对路径里的非 ASCII 字符处理不好报错信息还特别隐晦你会查半天查不到原因二是别装到系统盘空间紧张的分区因为后面你建的每个虚拟环境默认也会放在这个目录附近一个环境几百兆到几个 G 不等攒上七八个盘就红了。我一般会改到D:\devtools\anaconda3这种纯英文、无空格的路径。第二个是Add Anaconda3 to my PATH environment variable这个勾选框。官方安装器默认不勾理由是不想让 Anaconda 的 Python 覆盖系统里已有的 Python。但对新手来说不勾的后果就是装完之后你打开命令行敲conda会提示找不到命令于是以为自己装失败了。我的建议是如果你机器上没有别的 Python 需要保护可以勾上如果你拿不准就先不勾装完之后用 Anaconda 自带的Anaconda Prompt这个终端工具来操作它是专门配好环境变量的一打开就能用 conda。注意不要为了图省事直接把 Anaconda 的目录手动加到系统 PATH 的最前面这会让系统里其他依赖 Python 的软件比如某些安装器自带的脚本优先调用到 conda 的 Python可能引发一些莫名其妙的问题。要用命令行优先打开 Anaconda Prompt。2.3 装完之后先跑这几条命令验证安装向导走完先别急着建环境花两分钟确认一下基础状态。打开 Anaconda PromptWindows或者终端macOS、Linux依次执行下面几条。conda --version python --version conda info第一条会输出 conda 的版本号比如conda 24.x.x。第二条输出 Python 版本如果你用的是较新的 Anaconda 发行版大概率是 3.11 或 3.12。第三条信息量最大重点看几个字段base environment显示的是 base 环境的路径envs directories列出了 conda 会在哪些目录下找虚拟环境platform告诉你当前系统架构。这几个字段在你后面环境建到哪去了、为什么找不到的问题上会反复用到。如果conda --version报不是内部或外部命令说明环境变量没配好。这时候有两个选择一是重新运行安装程序修复二是在系统环境变量里手动添加。手动添加需要加三个路径以D:\devtools\anaconda3为例D:\devtools\anaconda3、D:\devtools\anaconda3\Scripts、D:\devtools\anaconda3\Library\bin三个缺一不可少加 Scripts 会导致 conda 命令找不到少加 Library\bin 会导致某些依赖 DLL 的包运行时报错。2.4 换成国内镜像源把下载速度拉回正常水平默认情况下 conda 从国外的服务器拉包国内访问速度经常慢到让人怀疑人生尤其是装 PyTorch 这种几百兆的大包时中途断掉是家常便饭。解决办法是换成国内的镜像站比较常用的是清华的 Anaconda 镜像。配置方式有两种。一种是命令行敲一行一行来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另一种是直接编辑配置文件.condarc它在 Windows 下位于C:\Users\你的用户名\.condarcLinux 和 macOS 下在~/.condarc。文件内容长这样channels: - defaults show_channel_urls: true default_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 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud配置完用conda config --show channels看一眼是否生效再用conda clean -i清一下索引缓存让新的源立刻起作用。提示镜像站是定期同步的偶尔会出现某个包的新版本还没同步过来的情况。如果你确认某个版本官方有但镜像站拉不到可以临时用conda install -c conda-forge 包名指定官方渠道装装完再切回来不用为了这一个包把全局配置改回去。3. conda 创建与管理环境的完整操作链环境管理的命令就那么几条但参数和路径细节很多人一直没理顺。这一节把创建、激活、查看、迁移、删除整条链路走一遍顺便把几个常见的坑点标出来。3.1 conda create 的参数怎么读环境名怎么起创建环境的基本命令是这个conda create -n myproject python3.11拆开看-n是--name的缩写后面跟环境名python3.11是你要装的包加版本约束conda 会顺带把 Python 解释器按这个版本装进去。注意这个3.11是宽松匹配它会装 3.11 系列里最新的那个补丁版本比如 3.11.9。如果你想精确锁定写python3.11.9但一般不推荐这么做因为小版本升级通常不引入破坏性变更锁太死反而容易在装其他包时卡住版本求解。环境名建议用英文、小写、连字符或下划线连接别用中文也别用太泛的名字。我见过有人建了一堆叫test、test1、new的环境过两周完全分不清哪个是干嘛的。我的习惯是项目名加用途比如spider-prod、nlp-exp一眼能认出来。创建的时候还可以一次性把常用的包都写上省得后面来回装conda create -n datalab python3.11 numpy pandas matplotlib jupyterconda 会先做一次依赖求解把这一堆包的版本关系算清楚然后列出计划安装的清单让你确认。这一步有时候会转很久慢是因为它要下载索引并计算依赖不是卡死了耐心等一下。3.2 激活、切换、查看、删除的标准动作建好之后激活环境conda activate myproject激活成功后命令行提示符前面会出现(myproject)这样的标记这是个很有用的视觉提示能防止你在错误的环境里敲命令。要退出当前环境回到 baseconda deactivate查看机器上所有环境conda env list或者简写conda info --envs。它会列出环境名和对应路径当前激活的那个前面有个星号。删除环境注意这个操作不可逆conda remove -n myproject --all这里有个常见的低级错误有人在环境里直接敲conda remove --all不带-n这会尝试删除当前激活的环境。虽然 conda 一般会拦一下让你确认但紧张的时候手一抖就确认了。所以删除之前先conda deactivate回到 base 再执行删除这样更稳妥。还有一个跨平台的差异要注意。Windows 上用 cmd 的时候conda activate在早期版本里需要先执行conda init cmd.exe才能用如果你敲了命令提示CommandNotFoundError就是初始化没做。PowerShell 下则是执行conda init powershell然后重开一个终端窗口。macOS 和 Linux 下翻车的情况相对少主要问题是有时候 shell profile 里已经有 conda 的初始化块但 PATH 顺序被别的东西打乱了表现就是conda activate之后which python还是指向系统 Python。这时候用conda info --envs确认环境确实存在然后检查 shell 配置文件里 conda 那段是不是被放在其他 PATH 修改语句的前面。3.3 把环境目录从系统盘挪到数据盘默认情况下conda 会把新环境建在 base 目录下的envs文件夹里。如果你的 Anaconda 装在 C 盘那所有环境都在 C 盘用不了多久系统盘就告急。解决方式是修改.condarc指定环境存放目录。envs_dirs: - D:\conda-envs - C:\Users\你的用户名\.conda\envsenvs_dirs是个列表conda 创建新环境的时候会用列表里第一个可写的目录。把它设成数据盘上的目录以后新建的环境就都落在那边了。已有的旧环境不会自动搬过去需要手动处理。手动迁移的步骤稍微有点绕我列一下。先在旧位置确认环境存在然后用conda create -n 新环境名 --clone 旧环境名克隆一份克隆出来的会在新的envs_dirs目录下。确认新环境能用之后再删除旧环境。之所以不建议直接剪切文件夹是因为环境里有些脚本和配置文件记录了绝对路径直接搬过去可能出现路径失效的问题克隆是更可靠的做法。同样的道理conda 的包缓存默认也在系统盘用conda clean --all可以清掉没用的缓存包有时候能释放出好几个 G 的空间。我一般每隔一两个月清一次效果立竿见影。3.4 环境导出、跨机复现和内网搬运把自己配好的环境复现到另一台机器上这是团队协作里的高频需求。conda 提供的方案是导出环境描述文件conda env export environment.yml生成的 yml 里记录了环境名、channels、依赖列表注意它会带上精确的构建号build string这在跨平台的时候会出问题比如在 Windows 上导出的文件拿到 Linux 上可能根本装不上。所以我更推荐这样导出conda env export --no-builds environment.yml--no-builds去掉构建号只留版本号跨平台兼容性好很多。对方拿到文件之后执行conda env create -f environment.yml对于内网或者完全离线的机器上面的方法就没用了因为 conda 无法下载任何东西。这时候有两条路。一条是用conda pack把整个环境打包成压缩包conda pack -n myproject -o myproject.tar.gz拿到目标机器上解压到某个目录然后手动激活。这种方式把整个环境连同 Python 解释器一起打进去体积可能上 G但胜在省事目标机器上只要有解压工具就能用。另一条路是提前把 pip 包下载到本地适合只依赖 pip 包的情况pip download -r requirements.txt -d ./packages --platform manylinux2014_x86_64 --python-version 3.11 --only-binary:all:在目标机器上pip install --no-index --find-links./packages -r requirements.txt--platform和--python-version这两个参数是为了在下载的时候指定目标环境如果你在 Windows 上打包给 Linux 用不指定平台会让 pip 下载对应当前系统的 wheel 文件拿到目标机器上装不了。这个坑我自己踩过一次白折腾了两个小时才发现是平台的锅。4. pip 和 conda 装包时的分工与冲突处理环境建好了接下来就是往里装包。这里有一场持续了很多年的争论到底该用 conda 装还是用 pip 装。我的答案很明确能用 conda 装的就用 condaconda 没有的再用 pip而且不要在同一次操作里混着来。4.1 什么时候交给 conda什么时候用 pipconda 的优势在于它能处理非 Python 的依赖。比如 numpy 底层依赖 BLAS 数学库用 conda 装的时候它会给你一个预编译好、链接了优化数学库的版本性能比 pip 装的通用版本要好。再比如 PyTorch 和 TensorFlow 这类涉及 CUDA 的框架conda 渠道的包会帮你把 CUDA 运行时、cuDNN 这些组件一并配好而 pip 渠道的版本虽然也能装但有时候需要你自己确认驱动和运行时的版本匹配关系。判断标准可以这样定如果这个包在 conda 的默认渠道或者 conda-forge 渠道里能搜到优先用 conda 装如果搜不到或者 conda 渠道的版本明显落后于 PyPI这种情况在一些更新很快的小众库上很常见那就用 pip。搜包的命令是conda search 包名它会列出各个渠道里所有可用的版本。如果返回 PackagesNotFoundError说明 conda 渠道没有这个包去 pip 装。有一点必须强调不要混用。不要先conda install一个包紧接着pip install另一个包然后再conda install这种来回来去的操作最容易让 conda 的依赖记录和实际安装状态对不上后面再想用 conda 装东西的时候会陷入版本求解的死循环报一堆 inconsistent 之类的错。正确的做法是先用 conda 把能装的都装完最后再用 pip 补剩下的顺序不要颠倒。4.2 pip 的镜像源配置与超时处理pip 默认从 PyPI 官方源下载国内访问速度同样堪忧。换国内源有两种方式一次性的是加-i参数pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple永久生效的写进配置文件pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn配置文件的位置各平台不同Windows 在%APPDATA%\pip\pip.iniLinux 和 macOS 在~/.config/pip/pip.conf也有老版本用~/.pip/pip.conf。用pip config list可以确认当前生效的配置项。装大包的时候偶尔会遇到下载到一半超时断开的情况可以调大超时时间并增加重试次数pip install 包名 --timeout 120 --retries 5--timeout单位是秒指单次连接的超时时间--retries是重试次数。这两个参数对付不太好的网络环境很管用比反复重敲命令强。注意有些公司在办公网里部署了统一的软件源会要求你走内部源。这种时候别自作主张改配置去问一下运维或者查内部文档拿到正确的源地址再说。乱配源可能导致包来源不可信这在正式项目里是个风险点。4.3 混装之后环境跑不起来怎么救如果你已经踩了混装的坑环境变得不正常了别急着删环境重建先试试能不能救。按下面这个顺序排查。第一步用conda list看看当前环境里装了哪些包重点是看来源那一列是pypi还是某个 conda 渠道。如果发现同一个包既出现在 conda 记录里又在 pip 记录里那就是冲突源。第二步尝试让 conda 自己修conda install --revision 0这个命令会把环境回滚到第一次创建之后的状态也就是你后来装的包全没了。这是个重手段只在环境刚建不久、损失不大的时候用。第三步如果回滚不适用那就针对出问题的那几个包单独处理先把 pip 装的那个卸载掉pip uninstall 包名再用 conda 装一遍conda install 包名让 conda 重新接管依赖记录。第四步如果折腾超过二十分钟还搞不定果断重建。把当前的包列表导出来conda list --export packages.txt然后新建环境按先 conda 后 pip的顺序重装一遍。重建一个环境的时间通常比修一个坏掉的快得多这是我踩了很多次之后总结出来的经验修环境的收益上限很低重建的成本上限很低两者比较重建更划算。5. 让编辑器和 Notebook 认出你的环境环境在命令行里跑通了接下来要把它接到日常写代码的地方。这一节讲 PyCharm 和 Jupyter 两个最常见的场景顺便说说命令行能跑但 IDE 报错这类问题的排查思路。5.1 在 PyCharm 里正确挂上 conda 环境PyCharm 新建项目的时候会让你选解释器这里有个坑默认选项是 New environment using Virtualenv很多人一路点下去结果 Python 用的是系统那个跟你辛苦建的 conda 环境一点关系都没有。正确做法是选 Previously configured interpreter然后点右边的齿轮或者 Add Interpreter。在弹出的窗口里选 Conda Environment然后有两个分支。如果你要让 PyCharm 用已有的环境选 Use existing environment然后在解释器下拉框里找到你建的那个环境。如果下拉框里没有就手动指定路径Windows 下大概是D:\conda-envs\myproject\python.exemacOS 和 Linux 下是.../envs/myproject/bin/python。这里的关键是要定位到环境目录下的那个 python 可执行文件本身而不是环境目录很多人填了目录路径导致校验不过。如果你在列表里实在找不到回到命令行跑一句conda env list把你要用的环境对应的完整路径复制出来再手动填进 PyCharm。这个动作我用过很多次比在下拉框里翻找快。配置好之后PyCharm 右下角的状态栏会显示当前解释器的名字装包的时候在 Settings 里的 Project Interpreter 页面点加号它会默认往这个环境里装不用再关心路径问题。5.2 把环境注册成 Jupyter 内核Jupyter 的情况稍微特殊一点它不是直接连到环境而是通过内核这个中间层。也就是说即使你在 conda 环境里装了 jupyter启动 notebook 之后看到的默认内核可能还是 base 的那个 Pythonimport 的时候照样找不到你环境里的包。解决办法是在目标环境里装ipykernel并注册conda activate myproject conda install ipykernel python -m ipykernel install --user --name myproject --display-name Python (myproject)--name是内核的内部标识--display-name是在 Jupyter 界面下拉菜单里显示的名字建议把环境名带进去方便区分。执行完之后重启 Jupyter在 Kernel 菜单的 Change kernel 里就能看到新加的这一项了。如果注册之后还是不出现用这条命令检查一下已注册的内核列表jupyter kernelspec list它会列出所有内核及其对应的配置文件路径。如果你发现那个myproject指向的 Python 路径不对可以先用jupyter kernelspec remove myproject删掉重新注册一遍。这个问题的根源通常是注册的时候环境没激活对导致它记录的是 base 环境的解释器路径。5.3 命令行正常但 IDE 里 import 报红的排查顺序这个现象非常普遍我把它归成三种原因按从常见到少见排列。第一种是解释器没选对。IDE 里显示的 Python 版本和你以为的不一样或者路径指向了别的地方。最快的验证方法是在 IDE 的 Python 控制台里跑import sys; print(sys.executable)看输出的路径是不是你要的那个环境。如果不对回到上一节的配置步骤重设解释器。第二种是包装到了别的环境里。你在终端里敲pip install 包名但当时激活的是另一个环境。用conda list在 IDE 选中的那个环境里查一下或者在 IDE 的终端里直接跑pip show 包名如果提示 Package(s) not found那就是装错地方了。这种情况在新手身上发生频率极高根源在于终端会话和 IDE 用的不是同一套环境变量。第三种是IDE 的索引缓存没更新。包确实装好了命令行也能 import但 IDE 还拿着旧的索引。这时候可以试试让 IDE 重新构建索引或者在 PyCharm 里 File 菜单找 Invalidate Caches 清理一下重启。这种问题多见于刚装完包之后立即去写代码给 IDE 几秒钟扫描时间通常就好了。排查顺序我建议固定成先确认解释器路径再确认包所在地最后才怀疑 IDE 缓存。顺序反过来的话你会花很多时间在一个根本不是问题的地方折腾。6. 新手最常卡住的几类报错与定位路径前面讲了正常流程这一节专门讲不正常的情况。这些报错我在帮别人看问题的时候反复见到把它们连同排查过程记下来能省下不少时间。6.1 conda 命令整个找不到这是新手第一个门槛。装完 Anaconda打开 cmd 敲conda红字提示不是内部或外部命令。原因就一个环境变量没配好。处理路径有三条。最简单的是改用 Anaconda Prompt它自带环境变量配置一打开就能用如果你暂时不想动系统设置用这个就行。第二条是重新运行 Anaconda 安装程序选择修复过程中那个 Add to PATH 的选项这次勾上。第三条是手动加环境变量需要加三个路径前面第 2.3 节已经列过。加完之后有个重要步骤容易漏必须重开一个命令行窗口。环境变量是在进程启动的时候读取的已经开着的窗口不会自动刷新。有人加完变量在当前窗口敲命令还是找不到就以为加错了其实只是没重启窗口。另外 macOS 和 Linux 上还有一个情况就是你可能装了 zsh 而初始化写进了 bashrc。用echo $SHELL看当前 shell如果是 zsh 但只跑了conda init bash那配置就写错文件了。重新跑conda init zsh然后重开终端即可。6.2 PowerShell 提示禁止运行脚本在 Windows 的 PowerShell 里执行conda activate的时候有时会跳出一段红字大意是无法加载文件 ...\conda.ps1因为在此系统上禁止运行脚本。这是 PowerShell 默认的执行策略在拦它默认不允许运行任何脚本文件而 conda 的初始化正好是个 ps1 脚本。查看当前策略Get-ExecutionPolicy如果返回Restricted就是它的问题。改成Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUserRemoteSigned的含义是本地脚本可以跑从网络下载的脚本需要有签名。-Scope CurrentUser限定只改当前用户不影响系统里其他用户也不用管理员权限。改完再试一次conda activate通常就正常了。注意改执行策略之前最好确认一下公司或者学校的设备管理规范有些环境对这类安全设置是有统一要求的别为了跑一个命令动了不该动的地方。如果拿不准改用 cmd 或者 Anaconda Prompt 也能完成任务。6.3 内网机器上如何把整套环境搬过去有些开发机在生产内网完全不能访问外部网络conda install和pip install都会直接超时。这种场景下两台机器之间通过移动介质搬环境就成了唯一选择。前面 3.4 节提过conda pack和pip download两条路这里补充几个实操细节。用conda pack打包的时候包的体积可能非常大如果目标机器的磁盘空间不宽裕先确认清楚。另外conda pack打出来的包是跨平台限制的你在 Linux 上打的包只能在 Linux 上解压使用不能跨到 Windows。解压之后要激活需要进入解压出来的目录然后执行source ./bin/activate这是 Linux 下的方式Windows 下解压出来的目录里有对应的 activate.bat 脚本。这种激活方式和conda activate不太一样它只临时改当前会话的 PATH退出终端就失效而且不会出现在conda env list里。想让它在 conda 的管理体系内需要额外把解压目录加到envs_dirs配置里。如果用pip download的方式要特别注意把目标机器上的 Python 版本和平台信息问清楚下载的时候必须用--platform、--python-version、--implementation这几个参数对齐否则下载下来的 wheel 在目标机器上装不了。参数写错的表现是 pip 会去尝试下载源码包并现场编译在没有编译工具链的内网机器上必然失败。6.4 证书校验失败和长时间卡住conda install或者pip install有时候会报 SSL 相关的错误比如 CERTIFICATE_VERIFY_FAILED 或者 SSLError。这类问题通常有几个来源系统证书库太旧、公司网络里有进行证书替换的设备、Python 自带的证书包没装全。先试最温和的处理方式更新证书包conda update certifi如果是在 pip 场景下报错可以看看是不是certifi这个包缺失或者版本太老pip install --upgrade certifi还有一类情况是命令执行后长时间没有任何输出光标一直闪。这多半是网络侧的问题不是命令本身出错。判断方法是看是否有任何进度条出现如果连 Collecting package metadata 这种提示都没有说明连接都没建立起来如果有提示但卡在某个百分比不动说明在传输中。前者建议先确认网络出口是否可达后者可以试试换一个镜像源或者错开使用高峰时段。我在公司网络里遇到过一种情况同样的命令在家里跑得好好的到公司就卡住最后发现是内部网络设备对某些域名做了拦截。这种时候不要硬试直接找网络管理员确认哪些镜像站是允许访问的换一个可用的就行。6.5 磁盘被虚拟环境悄悄吃满用了一段时间之后 C 盘突然变红八成是 conda 干的。它吃磁盘的地方主要有三块环境目录、包缓存、pip 缓存。先看看整体占用conda info在输出的envs directories下面能看到环境都在哪。也可以用系统的磁盘分析工具看目录大小。清理包缓存是最安全也最有效的一招conda clean --all它会删掉已下载但不再被任何环境引用的包文件以及索引缓存。我第一次清的时候释放了将近 8 个 G效果非常明显。这个命令执行前会让你确认也可以加-y跳过确认。pip 的缓存清理用pip cache purge如果想从根本上解决还是前面 3.3 节说的把envs_dirs和包缓存目录都挪到空间充足的分区。.condarc里同时配置这两个envs_dirs: - D:\conda-envs pkgs_dirs: - D:\conda-pkgs配完之后新建的环境和后续下载的包都会落到 D 盘C 盘不会再持续膨胀。6.6 环境删了但命令还能用最后说一个容易让人困惑的现象你用conda remove删掉了某个环境但新开终端敲python出来的还是那个环境里的版本。这通常是因为环境被激活的痕迹通过某些初始化脚本留在了 shell 配置里或者你在某个终端会话里删除的环境那个会话的 PATH 还是旧的。处理方式是先确认环境确实没了conda env list然后检查 shell 的初始化文件里有没有硬编码那个环境的路径。Windows 上看看 PATH 环境变量里有没有残留项macOS 和 Linux 上翻一下.bashrc、.zshrc、.bash_profile这几个文件把指向已删除环境的那几行删掉。还有一种更隐蔽的情况你删除了环境但 shell 里还留着CONDA_PREFIX、CONDA_DEFAULT_ENV这些环境变量指向一个已经不存在的目录。这些变量在某些脚本里会被读取导致行为异常。最省事的办法是关掉当前终端重新开一个让初始化脚本重新跑一遍这些变量就会根据实际情况重新设置。我个人在这几年用 conda 的过程中慢慢形成了两个固定习惯。一是每建一个环境就在项目根目录放一个 environment.yml装完包随手更新一次这样即使机器重装恢复环境也只是一条命令的事比翻聊天记录找当初装了啥靠谱得多。二是base 环境只用来管理不装业务包这条纪律帮我避免了好几次把 conda 本身搞坏的事故。真要说这套工具最值得花时间理解的地方不是那些命令参数而是它把每个项目自成一体这件事变成了默认行为你只需要顺着它的逻辑走剩下的事它自己会处理。
