conda虚拟环境的详细步骤和注意事项：
当然，以下是使用conda而非venv管理Python虚拟环境的详细步骤和注意事项：

安装Conda
首先，你需要安装Anaconda或Miniconda，它们都包含了conda包管理器以及基础的科学计算库。选择其中一个：

Anaconda：包含了大量的科学计算、数据分析相关的库，适合数据科学和机器学习项目，下载大小较大。
Miniconda：仅包含conda及其基本依赖，初始安装较小，适用于对存储空间有要求或只需要conda环境管理功能的用户。
访问以下网址下载对应操作系统的安装包：

Anaconda: https://www.anaconda.com/products/distribution
Miniconda: https://docs.conda.io/en/latest/miniconda.html
下载后，按照安装向导进行安装，确保在安装过程中勾选将conda添加到系统PATH（默认通常会勾选）。

创建Conda虚拟环境
在命令行中，使用以下命令创建一个名为myenv的新虚拟环境，指定Python版本（例如Python 3.8）：

conda create --name myenv python=3.8

激活Conda虚拟环境
激活创建好的虚拟环境：

conda activate myenv
激活后，命令行提示符会显示当前活动环境的名称（如(myenv)），表示你现在处于该虚拟环境中。

安装Python包
在激活的环境中，使用conda或pip安装所需的Python包。例如，安装numpy和pandas：

conda install numpy pandas
或者使用pip（在conda环境中，pip会与conda兼容）：

pip install numpy pandas

管理Conda环境
除了创建和激活环境，conda还提供了丰富的环境管理功能：

列出所有环境：

conda env list
删除环境：

conda remove --name myenv --all
克隆环境：

conda create --name myenv_copy --clone myenv
导出环境配置：

conda env export > environment.yml
从配置文件创建环境：

conda env create -f environment.yml

其他优势与特性

相较于venv，使用conda管理虚拟环境有以下优势：
跨平台兼容：conda环境可以在不同的操作系统（Windows、macOS、Linux）之间无缝迁移。
更广泛的包支持：除了Python包，conda还可以管理非Python软件包（如R语言包、C/C++库等），特别适合多语言项目和涉及科学计算、数据分析的场景。
环境隔离性更好：conda环境不仅隔离Python包，还隔离了二进制依赖和编译工具链，避免了不同环境间因系统库版本冲突导致的问题。
包版本管理：conda允许指定包的精确版本或版本范围，更容易管理复杂的依赖关系和实现环境的复现。
环境切换方便：conda activate和conda deactivate命令使得环境切换更为直观和快捷。
综上所述，使用conda管理Python虚拟环境提供了更全面的管理功能、更广泛的包支持以及更好的环境隔离性，尤其适合需要处理复杂依赖关系、跨平台工作或涉及多种编程语言的项目。

conda与venv在性能、资源占用等方面的对比

conda 与 venv 在性能、资源占用等方面存在一些差异，这些差异主要源于它们的设计理念、功能集以及对软件包管理方式的不同。以下是对二者在这方面的对比：

性能
venv：

创建和激活虚拟环境通常非常快速，特别是在处理纯Python项目时。
依赖解析和安装主要通过 pip 进行，对于大部分常见的Python包，安装速度和效率通常可以接受。
conda：

创建虚拟环境的速度通常与 venv 相近，但在处理包含大量依赖或复杂依赖关系的项目时，由于其依赖解析算法更为复杂，可能会比 venv 慢一些。
安装包时，conda不仅处理Python包，还可能包括非Python组件（如C库、编译器等），因此安装大型科学计算或数据分析包时，可能会比仅使用 pip 的 venv 稍慢，尤其是当需要从源代码编译时。

资源占用
venv：

创建的虚拟环境相对较小，因为它只包含Python解释器、必要的标准库以及项目所需的第三方Python包。
占用磁盘空间和内存较少，适合轻量级项目或资源有限的环境。
conda：

由于conda设计为能够管理多语言环境和复杂的软件栈，其环境通常比 venv 更大。
安装Anaconda发行版时，会预装大量的科学计算和数据分析库，这会显著增加初始安装的磁盘占用。
即使使用Miniconda，由于其管理的环境包含完整的依赖链（包括可能的编译工具链），总体资源占用通常仍高于 venv。

其他性能与资源相关因素
环境隔离性：conda 提供了更强的环境隔离，包括二进制依赖和编译工具链，这有助于避免因系统库版本冲突导致的问题，但这也意味着每个环境可能需要复制更多的系统资源。
包缓存：两者都支持包缓存，减少重复下载带来的网络开销。不过，conda 的包缓存可能更大，因为它不仅缓存Python包，还缓存非Python组件。
依赖解析算法：conda 的依赖解析算法在处理复杂依赖关系和解决版本冲突方面更为强大，虽然可能在安装时带来一些性能开销，但长期来看有助于维护稳定的项目环境。

结论
在性能和资源占用方面，venv 通常更适合轻量级项目、纯Python应用以及对资源敏感的场景，其简单快速的特点使得环境创建和管理更为高效。而 conda 虽然资源占用稍大，安装速度可能稍慢，但它提供的强大环境管理能力、广泛的包支持（包括非Python软件包）以及优秀的依赖解析机制，使其成为处理复杂项目、多语言环境以及涉及科学计算、数据分析工作的首选工具。

选择哪一种工具应根据实际项目需求、团队习惯以及对环境管理复杂度的接受程度来决定。在资源充足且需要高级环境管理功能的场景下，牺牲一定的资源和时间换取 conda 的便利性和稳定性通常是值得的。而在资源有限或项目需求简单的场合，venv 的轻量化特性可能更具吸引力。

到此这篇关于Python虚拟环境conda的安装使用的文章就介绍到这了,更多相关Python虚拟环境conda内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持！

原文链接：https://blog.csdn.net/qqrrjj2011/article/details/136972607