当前位置：首页 > news >正文

Anaconda的简单使用

news 来源：原创 2025/5/11 7:44:10

在这里插入图片描述

🌿使用情景

🍂多版本管理需求

需求原因：

不同项目支持的同一种语言的版本不同，即这个项目需要python 3.0 + numpy 2.0 ，那个需要python 2.0. + numpy 2.0…

解决方法：

手动化管理的方法，想要运行这些项目，就要为它提供共不同的python + 依赖的库，运行对应的项目时就手动切换对应的依赖
手动化管理方法的缺陷，针对一个项目就要管理一个与之对应的python版本 + 相关依赖的文件夹
但手动管理很麻烦，意味着要记住每个项目与依赖的对应关系
同时也不方便项目的转发，毕竟接收到一个项目就要安装对应版本的依赖，但人工生成配置清单、一个个手动下载依赖太麻烦了

🍂由手动转自动化管理需求的原因

这些东西太多，人工分类，管理总是会出错。而且来回切换也耗费效率，所以，就产生了一种是否可以集中化且自动化管理的需求，anaconda由此产生。

🍂总结

“可以手动，但没必要”——Anaconda 的虚拟环境本质上是帮你把手动操作标准化、自动化，减少人为错误。除非有特殊限制，否则推荐使用工具管理，尤其是涉及复杂依赖或多环境时。

🌿Anaconda的介绍

已知anaconda的产生是为了有条不紊的自动化管理python、python库以及其他大量的依赖,现在来看看它如何实现这种有条不紊的管理

🍂Anaconda的组成

● Anaconda的功能模块

○ 1.Conda

是啥：

它是 Anaconda 的核心包管理和环境管理工具，能够快速安装、运行和更新各类包，同时可以创建独立的虚拟环境，避免不同项目之间的包版本冲突问题。

总结：

最重要模块：Anaconda 的核心包管理和环境管理工具,即组成Anaconda的最重要模块，负责下载并隔离不同的环境（如，下载了多个版本的numpy，把它们分开管理以服务于不同的项目）
下载功能：快速安装、运行和更新各类包
环境独立管理功能：可以创建独立的虚拟环境（管理不同组合的环境，需要时用命令调用）

○ 2.图形化界面（Navigator）

Anaconda Navigator 是 Anaconda 提供的图形化管理工具（GUI），让用户可以通过可视化界面管理 Conda 环境、安装包、启动应用（如 Jupyter、Spyder），而无需记忆命令行指令。

○ 3.Anaconda Prompt（Windows）

Anaconda Prompt 是 Windows 系统上 Anaconda 提供的一个优化命令行终端，它自动配置了 Conda 环境变量，使得用户可以直接使用 conda 命令，而无需手动设置系统环境变量。

就是不用像常见软件配置好Conda的环境变量才能在CMD中使用Conda命令（不配置会显示“不是内部或外部命令”）

● 附带功能

○ 1.集成开发环境（IDE）

不是Anaconda自己研发的IDE，而是集成别人的模块在自己的软件里。它支持集成多个IDE

Jupyter Notebook/Lab：交互式编程工具（预装）要连接python解释器才能运行代码
VS Code、PyCharm：需单独安装，但可配置 Conda 环境
Spyder：科学计算专用 IDE（预装）…

○ 2.默认Python以及预装库

Anaconda 自带一个基础 Python解释器和大量预装的科学计算库（如 NumPy、Pandas、Matplotlib 等，为数据分析和科学计算提供了便利）

● 总结

Anaconda的关键在于有条不紊的自动化管理不同的环境，所以有Conda就够，通过命令行就可以操纵管理不同项目的环境。其他是附带功能，可选可不选。

图形化界面：命令行完全可以代替，只是对新手友好罢了
集成IDE和预装库：本地有的IDE完全可以代替，写完代码命令行调用对应环境运行就好。预装库也是，需要啥版本直接自己下，完全不用Anaconda猜测。所以，这些预装功能完全是为了新手友好。
Anaconda Prompt（Windows）:直接配置好Conda的环境变量，就可以在CMD里用了，完全不用多此一举。所以也纯粹是为了新手友好。

本质上只需要Cnoda就好

而Anaconda开发者也想到了这一点，所以提供了各种组合的版本供不同需求的开发者下载。新手直接下默认的就好，若有相关经验，再考虑精简版本的。

🍂默认环境与自定义环境的设计

● Anaconda实现不同项目所需环境管理和隔离的原理

环境思想：

在Anaconda中采用了这样一种思想，把一个python + 相关依赖称作一个环境，依赖环境的名字管理这些环境
环境间相互隔离，所以名字不同的环境却可以有相同的配置（但从开发角度来说完全没用，这个例子是解释Anaconda的环境隔离原理罢了）
同时，一个环境也意味着有一个python解释器和一堆依赖。要使用，就要下载存储，所以创建一个环境，就要下载对应的内容，由此，多占据PC的一些存储。
即一个环境 = 一个python解释器 + 一堆相关依赖（库）集合，多个环境就意味着多个python解释器+多个依赖集合

总结：
本质上就是存储换效率的思想,Conda 的“冗余安装”牺牲了部分磁盘空间，但换来了绝对可靠的环境隔离，这是其成为数据科学领域标准工具的核心原因。如果你的项目对依赖极其敏感，Conda 是最优解；如果只是简单开发，可以用 venv 或 pyenv。

思考：
为啥python们不共用呢？使用对应版本的python手动切换然后加上对应环境的依赖不就行了

回答:python不分离出来的原因是因为强绑定，所以分离出来反而人工不好管理了。即python版本支持的依赖版本也是有要求的，所以如果分离python解释器出来，那这个解释器兼容什么依赖要人工判断了，这当然不切实际。所以不分离它们。

更加详细的解释：
**Python 的许多科学计算库（如 NumPy、TensorFlow）是 C/C++ 编写的扩展模块，编译时会严格绑定到：**特定 Python 版本（如 Python 3.8 的 C API 和 3.11 不兼容）。操作系统的 ABI（如 Linux 的 glibc 版本）。
**如果强行共用 Python 解释器：**在 Python 3.8 下安装的 NumPy 无法被 Python 3.11 加载（会报 ImportError: incompatible binary）。即使 Python 代码语法兼容，底层二进制文件也无法通用。
就要分离python的办法————替代方案（极度不完美）

venv/pyenv：轻量但无法隔离 Python 解释器本身。
手动切换：高风险，易出错，不适合科学计算。

● Anaconda的默认环境与自定义环境

○ 对比

默认环境：提供一个通用的环境，即一个python解释器 + 配套的依赖(⚠️注意：base包含Conda自身，删除后Anaconda将无法运行)
自定义环境：用户自定义的python解释器版本 + 对应依赖

○ 详细解释

默认环境（base）

自动创建：安装Anaconda时自动生成，名为base（或root）
必需存在：所以下载Anaconda时，选择只下载Conda时，可以不选择下载预装库（即base里不存在预装的python和依赖），但依旧会生成一个默认环境但里面只有Conda。
base 是 Conda 的“根环境”，包含运行 Conda 自身所需的最低配置（Python 解释器、conda 命令等）。删除会导致 Conda 崩溃。
即base必需存在，因为它是Conda存在的基础。（而base可以禁用，但不能被删除必需存在）

用户可对base的操作：
完全不用 base(通过配置禁止自动激活)：conda config --set auto_activate_base false
清空 base 的库（但保留 Python 和 Conda）：conda list | grep -v “conda|python” | xargs conda remove --force

用途
管理Conda自身：更新、配置等操作需在base中执行。
临时测试：快速运行简单脚本（但正式项目建议用独立环境）。

注意事项
❌ 不建议直接在其内开发项目(修改base的依赖可能引发工具链冲突（如Jupyter崩溃）)

自定义环境

自主创建：用户主动创建：通过conda create命令生成
自主下载依赖：按需安装依赖，与base和其他环境隔离
可以手动下载各项依赖，但Anaconda提供了环境配置文件environment.yml，可以自动化下载，快速复现环境

○ 这些环境的存储位置

安装依赖前提

所有通过 Conda 安装的依赖必须归属于某个环境，这是 Conda 的绝对设计原则。
所以必需创建环境才能下载依赖,即激活/创建环境后才能下载依赖
# 显式指定环境
conda install -n my_env numpy# 隐式（当前激活的环境）
conda activate my_env
conda install pandas
Conda下载分为两种模式，一个是全局安装，即对base环境操作，一个是自定义安装，即对自定义环境操作

base环境的默认生成位置 + 自定义环境的位置

默认路径规则

base 环境的位置,永远与Anaconda安装目录重合
自定义环境默认规则：所有自定义环境存储在 <安装目录>/envs/ 下（如 D:\Anaconda\envs\my_env
自定义路径：可通过以下命令修改默认环境目录（但不影响 base）

路径类型	默认位置	是否可自定义？	关键关系
Anaconda 安装目录	C:\Users<用户名>\anaconda3\ (Win) ~/anaconda3/ (Linux/macOS)	✅ 安装时可修改（如 D:\Anaconda）	包含 Conda 核心程序和 base 环境
环境存储目录	<安装目录>/envs/<环境名>/	✅ 通过 conda config 修改默认环境位置	仅存放自定义环境

与环境有关的命令

查看所有环境路径的命令：conda env list / conda info --envs
自定义创建环境：
- 创建环境并指定Python版本：conda create -n my_env python=3.9
- 创建时安装指定包：conda create -n ml_project python=3.8 numpy=1.20 pandas scikit-learn
- 创建即删的临时环境：conda create -y -n temp_env numpy && conda remove -y -n temp_env --all
下载依赖时环境的切换：
- 显式指定环境：conda install -n my_env numpy
- 隐式（当前激活的环境）：conda activate my_env、conda install pandas
- 若尝试在未激活环境时运行 conda install，默认会修改 base 环境（可能破坏 Conda 自身）。

○ 总结

工作时一定要激活/新建环境，防止在base环境中工作，影响Conda。
配置好了虚拟环境就激活，然后打开项目，在这个环境下运行，运行完关闭环境

🌿使用Conda

🍂Conda相关命令

命令	解释	格式
环境	Anaconda 自带 Python，安装时会默认安装一个特定版本的 Python（如 Python 3.9）	`python --version`
	Anaconda 允许你创建多个独立的 Python 环境，每个环境可以有不同的 Python 版本和包。	`conda create --name myenv python=3.8`
	激活某个环境	`conda activate myenv`
	退出当前环境	`conda deactivate`
	列出所有已创建的环境	`conda env list`
	删除某个环境	`conda remove --name myenv --all`
	查看当前 Anaconda 环境会列出所有已创建的 Anaconda 环境。当前激活的环境会在环境名称前用*标识，并且命令提示符也会显示当前环境的名称	`conda env list`
包管理	Anaconda 使用 conda 或 pip 来安装和管理 Python 包。	`conda install numpy` `pip install requests`
	更新包	`conda update numpy`
	卸载包	`conda remove numpy`
	查看已安装的包	`conda list`
切换 Python 版本	Anaconda 允许你更改现有环境的 Python 版本(conda create --name py37_env python=3.7)	`conda install python=3.9`
Anaconda Navigator	Anaconda Navigator 是一个图形化界面工具，可以更方便地管理环境和包。在 Navigator 中：创建、克隆或删除环境。安装、更新或卸载包。启动 Jupyter Notebook、Spyder 等工具。	anaconda-navigator
共享环境	导出环境,Anaconda 允许你导出和共享环境配置，方便其他人复现相同的环境。	`conda env export > environment.yml`
	创建环境,根据 environment.yml 文件创建环境	`conda env create -f environment.yml`

● Conda命令相关问题

python显示不对

如果你已经安装了独立的 Python 解释器，并且在命令行中运行 python --version 时显示的版本不是 Anaconda 中的 Python 版本，这是因为系统的环境变量（PATH）优先指向了独立安装的 Python
(解决)
临时使用：通过 conda activate base 激活 Anaconda 环境。
永久使用：修改系统环境变量，将 Anaconda 的路径放在独立 Python 之前（位置会影响优先级）。
直接运行：使用 Anaconda 的 Python 绝对路径。
Windows 专属：使用 Anaconda Prompt。

激活环境的报错
CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate’.
If using ‘conda activate’ from a batch sc

原因：安装 Anaconda 时未正确初始化 shell，导致conda activate命令无法识别。
步骤 1：初始化 conda
(Windows (命令提示符或 PowerShell))
conda init cmd.exe  # 或 conda init powershell步骤 2：重启终端
关闭当前终端窗口，重新打开新的终端。

🍂Conda从哪里下载依赖

在Anaconda中，不同环境安装相同的库是否会重复下载，取决于以下机制：

● 1.包下载与缓存

缓存机制：
conda会将下载的包存储在全局缓存目录（如~/.conda/pkgs或C:\Users\用户名\.conda\pkgs）。
若不同环境安装相同版本的库，conda会优先从缓存中读取，不会重复下载。
安装路径：
每个环境的库会独立安装到各自的envs/环境名/lib/pythonX.Y/site-packages目录下。
因此，存储空间会被重复占用，即使库版本相同。

● 2.平台/版本差异

依赖冲突：
若不同环境的Python版本或系统架构不同，相同库可能需要不同版本（如numpy-1.24.0-py310 vs numpy-1.24.0-py39），此时conda会强制下载新包。

● 3.节省空间的方法

使用硬链接（仅限Linux/macOS）：
conda默认在Linux/macOS中使用硬链接共享包文件，减少实际占用空间。
Windows需通过conda config --set hardlink_conda_packages true手动开启（需管理员权限）。
清理缓存：
运行conda clean -i -t 10删除未使用的缓存包（保留最近10天的缓存）。
共享环境目录：
修改.condarc文件中的envs_dirs参数，将多个环境指向同一目录（需谨慎操作，可能导致环境冲突）。

● 总结

下载行为：相同库不会重复下载（依赖缓存）。
存储占用：不同环境会独立存储库文件，导致空间重复。
优化建议：
- 优先使用Linux/macOS的硬链接功能。
- 定期清理缓存。
- 避免在不同环境中安装相同版本的库。

🌿使用Anaconda的项目工作流程

配置好了虚拟环境就激活，然后打开项目，在这个环境下运行，运行完关闭环境

🍂环境和项目的独立性

Anaconda只是提供了管理相关环境的功能，而项目运行需要环境的支持，两者不是绑定的，即两者存储位置完全无关联。所以建好了环境后，CMD打开项目点运行。

🍂完整步骤

新建/激活环境：
- 新建：conda create -n my_env python=3.9
- 激活：conda activate 环境名称
验证环境已激活：
- 查看终端提示符：应显示 (环境名称) 前缀
- 检查 Python 路径（which python # Linux/macOS、where python # Windows）
运行项目
- 进入项目目录：cd /path/to/your_project
- 运行项目（示例）：python main.py
关闭环境（conda deactivate）