上周帮一个实习生配环境，看他装了Python然后直接pip install把包全装到系统环境里，我当场血压飙升。

这场景是不是很熟悉？很多新手甚至老手都搞不清楚Python包管理的这些工具到底怎么用、什么时候用哪个。今天咱们一次说清楚。

先搞懂两个概念：包管理和环境管理

很多人混为一谈，其实是两回事：

• 包管理：安装、升级、卸载Python包（库）
• 环境管理：隔离不同项目的依赖，避免版本冲突
• 就像租房：包管理是买家具，环境管理是选房子。你可以在不同的房子里放不同的家具，互不干扰。

pip：全能选手，但有个致命弱点

pip是Python官方标配，装Python的时候就自带了。

python

# 安装包
pip install requests

# 安装指定版本
pip install flask==2.0.0

# 升级包
pip install --upgrade requests

# 卸载
pip uninstall requests

# 导出依赖
pip freeze > requirements.txt

# 从文件安装
pip install -r requirements.txt

pip最大的问题是：全局安装，所有项目共享。

想象一下：项目A需要pandas 1.0，项目B需要pandas 2.0，你怎么办？没办法，只能来回卸装装卸。

venv：轻量级环境隔离，小白首选

Python 3.3之后内置了venv模块，专门解决全局安装的问题。

bash

# 创建虚拟环境（会在当前目录创建venv文件夹）
python -m venv myenv

# Windows激活
myenv\Scripts\activate

# Linux/Mac激活
source myenv/bin/activate

# 激活后安装的包只在这个环境里
pip install requests

# 退出环境
deactivate

推荐用法：每个项目单独创建venvbash

# 项目目录
cd my_project
python -m venv venv  # 习惯性把虚拟环境文件夹叫venv
source venv/bin/activate
pip install -r requirements.txt

venv的优点是轻量、官方内置、无额外依赖。缺点是创建新环境要从头装所有包，速度慢。

conda：科学计算的标配，但也容易踩坑

Anaconda/Miniconda自带的conda最初是为科学计算设计的，现在成了数据科学领域的标配。

bash

# 创建环境
conda create --name myenv python=3.11

# 激活环境
conda activate myenv

# 安装包（自动解决依赖）
conda install numpy pandas matplotlib

# 搜索包
conda search requests

# 列出所有环境
conda env list

# 删除环境
conda env remove --name myenv

conda的杀手锏是处理复杂依赖，尤其是涉及C/C++库的科学计算包（numpy、scipy等）。pip装这些经常报错，conda一步到位。

但是，conda有个坑：它不只管理Python包，还能装其他东西。经常发生conda和pip混用导致环境损坏的问题。

conda最佳实践：只用conda装基础包

bash

# 创建环境时指定Python版本
conda create --name myenv python=3.11

# 基础科学计算包用conda
conda install numpy pandas

# 其他包用pip（激活环境后）
pip install requests flask

记住一条：conda装conda的，pip装pip的，井水不犯河水。

pipx：工具类程序的专属管家

pipx是专门给命令行工具准备的，2018年才出来，很多人不知道。

bash

# 安装pipx（需要先装）
python -m pip install pipx
pipx ensurepath  # 配置环境变量

# 安装命令行工具（隔离环境，自动管理）
pipx install black        # 代码格式化
pipx install httpie       # HTTP客户端
pipx install poetry       # 项目管理工具

# 运行工具
pipx run black .

# 升级
pipx upgrade black

# 卸载
pipx uninstall black

为什么要隔离？因为命令行工具通常只需要一个版本，但不同项目可能需要不同版本的同一个工具。pipx给每个工具单独创建环境，完美解决。

pipx vs pip：pip装的是库（给代码import用的），pipx装的是工具（命令行直接运行的）。

实战指南：不同场景怎么选？

场景1：Web开发（小项目）

bash

# 首选 venv + pip
cd my_web_project
python -m venv venv
source venv/bin/activate
pip install flask gunicorn requests
pip freeze > requirements.txt

场景2：数据分析/机器学习

bash

# 首选 conda
conda create --name ml python=3.11
conda activate ml
conda install numpy pandas scikit-learn pytorch

# 如果conda没有的包，再用pip
pip install lightgbm xgboost

场景3：工具爱好者

bash

# 各种命令行工具用 pipx
pipx install black
pipx install isort
pipx install httpie
pipx install pre-commit

场景4：保持环境干净（通用原则）

永远不要

：

pip install xxx

（全局安装）

始终使用

：虚拟环境（venv/conda）

我的推荐组合

日常开发我用的组合：

venv + pip（Web/API项目）
conda + pip（数据科学项目）
pipx（命令行工具）

简单明了，够用就行。

常见问题

Q：virtualenv和venv有什么区别？

A：virtualenv是更老的工具，venv是Python 3.3内置的轻量替代品。功能差不多，新手直接用venv就行。

Q：Poetry/Pipenv这些新一代工具怎么样？

A：很好，但属于进阶内容。它们把依赖管理和环境管理合二为一，适合中大型项目。新手先用明白venv/pip再说。

Q：已经全局安装了怎么办？

A：删掉重装。如果系统已经乱了，python -m ensurepip重置pip，然后养成用venv的习惯。

Q：conda环境怎么导出分享？bash

# 导出
conda env export > environment.yml

# 重建
conda env create -f environment.yml

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。