Python 虚拟环境入门：venv 与 conda 对比与使用指南

刚开始学 Python 时，很多人都遇到过这样的尴尬：昨天还能跑的项目，今天换一个项目就报错——不是某个库版本冲突，就是依赖装错了地方。根源往往不在代码本身，而在于所有项目共用同一个全局 Python 环境。虚拟环境正是为此而存在的：它为每个项目创建一套独立的解释器和依赖，让项目之间互不干扰。

一、为什么需要虚拟环境

全局环境里装的包越多，依赖冲突越容易出现。比如项目 A 需要 requests 2.28，项目 B 需要 requests 2.31，都装在全局环境里，后装的会覆盖先装的，总有一个项目会出问题。虚拟环境把依赖隔离开，A 用自己的 2.28，B 用自己的 2.31，互不影响；再导出一份依赖清单，换台机器照着装就能还原环境。

二、venv：Python 官方自带方案

venv 是 Python 3.3 起内置的标准库，无需额外安装，轻量、简单，是大多数纯 Python 项目的首选。创建环境：python -m venv .venv。激活：Windows 执行 .venv\Scripts\activate，macOS/Linux 执行 source .venv/bin/activate，成功后命令行前会出现 (.venv) 标识。激活状态下安装依赖并导出清单：pip install requests，pip freeze > requirements.txt；退出只需 deactivate。需要注意，venv 只包含解释器和 pip，依赖 NumPy、SciPy 这类需要编译的库时，安装可能会比较耗时。

三、conda：面向数据科学的方案

conda 是 Anaconda/Miniconda 提供的包与环境管理器，不仅能管理 Python 包，还能管理 C 库、R 包等非 Python 依赖，对数据科学和机器学习项目尤其友好。conda create -n myenv python=3.11，conda activate myenv，conda install numpy pandas，conda env export > environment.yml。不过 conda 环境体积较大，首次安装也比较占空间；只写脚本或做 Web 开发时，用 conda 未免大材小用。

四、venv 与 conda 怎么选

venv 是官方标准库，零安装成本，环境轻量，只管理 Python 包，适合 Web 开发、脚本工具和一般应用开发；conda 需要单独安装，环境较重，但能管理 Python 之外的依赖，预编译的科学计算包安装成功率更高，适合数据分析、机器学习和科研场景。两者也可结合：用 conda 创建环境，再用 pip 装 conda 仓库里没有的包，但要优先使用 conda 安装，避免依赖冲突。

五、使用虚拟环境的好习惯

第一，每个项目一个环境，目录一般命名为 .venv，并写进 .gitignore，避免把几百兆的环境文件提交到 Git 仓库。第二，随手导出依赖清单，venv 用 pip freeze > requirements.txt，conda 用 conda env export > environment.yml。第三，定期清理不用的环境，conda 用 conda env remove -n 旧环境名，venv 直接删除目录即可。

虚拟环境不是什么高深的技术，却是 Python 开发中最值得养成的习惯之一。花十分钟掌握 venv 或 conda，就能把“在我机器上明明能跑”这类问题消灭在萌芽阶段。从下一个项目开始，就为它创建一个专属的虚拟环境吧。