macOS-python项目虚拟环境管理

众所周知，python版本比较多，为了避免的不同版本项目开发存在冲突，在虚拟环境中进行项目开发，可以避免因为python版本不同带来的冲突，本文主要对python项目开发几种虚拟环境进行整理汇总。

一、venv 创建虚拟环境

命令格式：

python3 -m venv /path/to/new/virtual/environment

其中，/path/to/new/virtual/environment是虚拟环境的完整路径，最后的environment是环境名称。

说明：

• venv是 Python 自带的虚拟环境创建工具，无需安装，直接可以用
• 使用上述命令创建的虚拟环境，其 Python 解释器版本与当前系统中生效的 Python 版本一致。例如，当前终端执行 python --version 显示的 Python 版本为 3.13.13，则虚拟环境中的python解释器版本也是 3.13.13。
• 创建虚拟环境后，在 IDE（如 PyCharm、VSCode）中创建新项目时，可以通过“自定义”或“选择已有解释器”的方式，指定使用该虚拟环境中的 Python 解释器。

二、conda 创建虚拟环境

Conda 是一个开源的包管理和环境管理系统，支持 Python、Java等多种语言。它不仅可以管理 Python 包，还可以管理非 Python 的依赖项，是数据科学和机器学习领域的常用工具。本文不对conda工具的安装进说明。

1. Conda 环境管理命令

1.1 创建虚拟环境

创建指定 Python 版本的环境：

conda create --name myenv python=3.9

创建环境并指定包：

conda create --name myenv python=3.9 numpy pandas matplotlib

1.2 激活与停用环境

激活环境：

conda activate myenv

停用环境：

conda deactivate

1.3 查看环境列表

#第一种方式 conda env list #第二种方式 conda info --envs

列表中带 * 标识的是当前生效的环境

1.4 管理环境中的包

安装包：

conda install numpy pandas #指定版本 conda install numpy=1.24.3 #更新包 conda update numpy

更新包：

conda update numpy

更新所有包：

conda update --all

卸载包：

conda remove numpy

1.5 导出与复制环境

导出环境配置：

conda env export > environment.yml

复制环境：

conda create --name newenv --clone oldenv

1.6 删除环境

conda env remove --name myenv

2. Conda 与 venv 的主要区别

2.1 包管理能力

• Conda：不仅管理 Python 包，还能管理非 Python 依赖（如 C/C++ 库、系统工具等）。通过 conda-forge 等渠道提供预编译的二进制包，解决依赖冲突能力更强。
• venv：仅管理 Python 包，依赖 pip 进行包安装，无法处理非 Python 依赖。

2.2 跨语言支持

• Conda：原生支持多语言环境管理，可以为 R、Java、C++ 等项目创建独立环境。
• venv：仅针对 Python 环境，不支持其他语言。

2.3 Python 版本管理

• Conda：可以在创建环境时指定任意可用的 Python 版本，不依赖系统已安装的 Python。
• venv：创建的虚拟环境 Python 版本与当前系统激活的 Python 版本一致，无法创建不同 Python 版本的环境。

2.4 环境隔离程度

• Conda：环境完全独立，包括 Python 解释器、标准库和所有依赖包。
• venv：共享系统 Python 解释器和标准库，只隔离第三方包。

2.5 使用场景

• Conda：适合数据科学、机器学习项目，需要复杂依赖（如 CUDA、MKL 等）或跨语言开发。
• venv：适合纯 Python Web 开发、脚本编写等简单项目，轻量级且无需额外安装。

2.6 性能与存储

• Conda：环境占用空间较大，因为包含完整的 Python 解释器和依赖。
• venv：环境更轻量，创建速度快，占用空间小。

三、Virtualenv 管理虚拟环境

Virtualenv 是一个独立的 Python 虚拟环境创建工具，比 venv 更早出现，支持 Python 2 和 Python 3。它提供了比 venv 更灵活的配置选项，是许多老项目和跨版本项目的常用选择。

1. 工具安装

Virtualenv 需要通过 pip 安装：

pip install virtualenv

如果系统中有多个 Python 版本，可以使用特定版本的 pip 安装：

pip3 install virtualenv # 或 python3 -m pip install virtualenv

2. 创建虚拟环境

创建虚拟环境的基本命令格式如下：

virtualenv env_name

其中env_name是环境名称，会在当前目录下创建一个名为env_name的文件夹。

常用选项：

• 指定 Python 解释器版本：virtualenv -p /usr/bin/python3.8 env_name
• 不安装 pip：virtualenv --no-pip env_name
• 不安装 setuptools：virtualenv --no-setuptools env_name
• 继承系统包：virtualenv --system-site-packages env_name

3. 激活环境

激活 Virtualenv 环境需要执行环境目录下的激活脚本：

# 进入创建环境所在目录 cd env_name #执行激活脚本（Linux/macOS） source bin/activate #Windows 系统 env_name\Scripts\activate

激活成功后，命令行提示符前会显示环境名称(env_name)。

4. 退出环境

退出当前虚拟环境非常简单：

deactivate

执行后即可返回到系统默认的 Python 环境。

5. Virtualenv 与 venv、conda 的对比

5.1 与 venv 的对比

• 兼容性：Virtualenv 支持 Python 2 和 Python 3，而 venv 仅支持 Python 3.3+
• 灵活性：Virtualenv 提供更多配置选项（如不安装 pip、继承系统包等）
• 安装方式：Virtualenv 需要额外安装，venv 是 Python 标准库的一部分
• 性能：两者在创建速度和资源占用上相差不大

5.2 与 conda 的对比

• 包管理：Virtualenv 依赖 pip 管理 Python 包，conda 可以管理 Python 和非 Python 依赖
• Python 版本管理：Virtualenv 需要系统已安装对应 Python 版本，conda 可以独立管理 Python 版本
• 跨语言支持：Virtualenv 仅支持 Python，conda 支持多语言环境
• 使用场景：Virtualenv 适合传统 Python 项目，conda 适合数据科学和机器学习项目

6. 使用建议

• 对于 Python 3.3+ 的新项目，优先使用 venv（无需安装）
• 如果需要支持 Python 2 或需要更灵活的配置，选择 Virtualenv
• 对于数据科学、机器学习或需要复杂依赖的项目，推荐使用 conda
• 团队协作时，建议统一虚拟环境工具，避免环境不一致问题

总结：Conda 功能更强大，适合复杂项目和跨语言开发；venv 更轻量简单，适合纯 Python 基础项目。选择哪种工具取决于项目需求和个人偏好。

ps：感谢阅读！✍️本文为原创实战总结，文中方案均经过本地测试验证。 码字不易，内容有帮助可以随手支持，金额随意，不打赏也完全不影响正常阅读，知识分享始终开放。