来源：网络
很多时候，我们使用pip安装第三方库的时候，总是会出现各种各样的问题。比如安装PyTorch GPU 版，经常会遇到显卡驱动不兼容、CUDA 版本不对等各种报错，极其磨人。比如安装GDAL包时总是报错缺少 PROJ 和 GEOS等库。但是这些问题用conda install xxx 往往能完美解决。为什么呢？
用两个例子来解释一下二者装包时的差异，立马就能让你明白，conda的优势。
gdal 安装
当 pip install gdal 时，pip 做的事情是：
下载 GDAL 的 Python 源代码包（或者一个很基础的预编译包），尝试在电脑上现场编译（Build）。
但GDAL 是个地图库，它底层依赖大量的 C++ 库、PROJ 库、GEOS 库。
pip 找不到依赖，直接报错，甩给你一堆红字让你看不懂。你得自己去下载各种乱七八糟的安装包，配置环境变量，折腾一天都未必能好。
当 conda install gdal 时，conda 做的事情是：
PyTorch GPU 版
pip 安装：
它只管装 Python 包。
显卡驱动：你得自己装。
CUDA Toolkit（显卡计算工具包，好几 GB）：你得自己去 NVIDIA 官网下载对应版本安装。
cuDNN（深度学习加速库）：你得手动解压复制到系统文件夹。
结果就是，只要版本号对不上（比如 PyTorch 要 CUDA 11.8，你装了 12.1），代码立马跑不起来。
Conda 安装：
只需要一条命令：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch（这里只是举例，具体安装指令需要到官网，根据你要安装的那个版本复制安装命令。）
conda 会自动帮你安装好 CUDA Toolkit 和 cuDNN！
它把这些工具包都塞在 Conda 的环境文件夹里，完全不需要你碰系统显卡驱动。
| | |
| | requests, flask, django, scrapy(这些库没有底层 C++ 依赖，pip 秒装，版本也最新） |
| | gdal, rasterio, netcdf4, tensorflow(这种涉及科学计算、二进制文件的，conda 装更快） |
| | pytorch, cudatoolkit(conda 自动解决显卡环境配置，pip 需要手动折腾) |
我的建议是装 Miniconda，它体积小，只带Python和Conda，想装什么自己装，不占多余空间。而Anaconda非常大，自带了很多预装的包，可能有些你还用不到，非常占硬盘，而且每次启动都巨慢巨卡。
安装方式：直接到官网下载安装。
安装时有几个勾选项这里介绍一下：
Create shortcuts (创建快捷方式)
建议：勾选。
方便在开始菜单找到 “Anaconda Prompt (miniconda3)”，这是操作 conda 命令的地方。
Add Miniconda3 to my PATH environment variable
建议：勾选！(如果有这个勾选框)
虽然它会弹出一个红色警告说“Not recommended”（不推荐），但勾选它才能在 cmd 和 PowerShell 里直接用 conda 命令，否则每次都要去开始菜单找专用终端，太麻烦了。
注意：如果你电脑里原本装了一个Python解释器（假设是3.12版的），这个勾选之后，PATH 里可能会有两个 Python，谁在上面谁就是老大。如果 Python 在上面，cmd 输入 python 就是 3.12；如果 Miniconda（假设自带的Python是3.13版的） 在上面，cmd 输入 python 就是 3.13。你可以装完后去系统变量里根据你的需求手动调整一下顺序。
Clear package cache
建议：勾选。
这会清理安装过程中的临时缓存文件，省空间。
Register Anaconda as my default Python
这会让 Miniconda 成为你电脑的默认 Python，就跟你设置默认浏览器一个意思。
建议：看情况，如果以后偏向于用conda就勾，用自己下载的Python解释器多就不够。
安装好后记得修改国内镜像源（Anaconda 默认服务器在国外，下载包很慢。）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --set show_channel_urls yes
安装成功后打开开始菜单，会发现它没有各种软件图标，和那些点点点就能操作的界面，只有两个黑框框（conda的专用终端），因为Miniconda 为了省空间默认不装。当然，需要的话自己装就是一条命令的事。例如，我们要装Jupyter Notebook。
conda install jupyter notebook
输入 y 确认，很快就能装好。装好后打开开始菜单可以看到jupyter notebook的软件图标，点击它启动，或者在Anaconda Prompt里输入 jupyter notebook 启动。
1. 创建环境
# 基本格式conda create -n 环境名 python=版本号# 常用示例conda create -n myproject python=3.12conda create -n pytorch_gpu python=3.10conda create -n gdal_test python=3.9
细节说明：
-n 是 name 的缩写，后面跟你起的环境名字（建议用英文，别用中文）。
python=3.12 指定 Python 版本，这个版本是独立于系统的，也就是说可以同时存在 Python 3.12、3.10、3.9 的多个环境互不干扰。
创建过程中会问你 Proceed ([y]/n)?，输入 y 回车确认。
可以在创建时就直接装包：conda create -n myenv python=3.12 numpy pandas
2. 查看所有环境
conda env list# 或者conda info --envs
注意：带 * 号的是当前激活的。每个环境其实就是一个文件夹，存在 ...\Miniconda3\envs\ 下面。删环境直接删文件夹也行（但不推荐，用命令删更干净）。
3. 激活环境
激活后的变化:
(base) C:\Users\86155> <-- 激活前，显示 base（默认环境）conda activate pytorch_gpu(pytorch_gpu) C:\Users\86155> <-- 激活后，前面变成了环境名！
退出 / 关闭环境
# 退出当前环境，回到 baseconda deactivate
5. 删除环境
# 先退出要删除的环境！conda deactivate# 然后删除conda remove -n 环境名 --all# 示例conda remove -n gdal_test --all
在环境里装包
激活环境后，装包就只在那个环境里生效:
# 先激活conda activate pytorch_gpu# 用 conda 装（推荐重型库用这个）conda install numpy pandas# 用 pip 装（纯 Python 库用这个）pip install requests flask# 离开环境后，这些包就"消失"了（其实还在那个环境文件夹里）conda deactivate
注意：为什么能用pip装包呢？假如我系统上原本装了一个Python解释器，不会将包装进那个Python吗？
当你激活了一个 Conda 环境后，那个环境里的 pip 和 python 都是该环境自己的，跟你系统上原来装的 Python 没有任何关系。每个环境都是完全独立的，里面有各自的 Python 和 pip！
...\Miniconda3\envs\pytorch_gpu\ <-- 环境 ├── python.exe <-- 它自己的 Python ├── Scripts/ │ ├── pip.exe <-- 它自己的 pip │ └── ... └── Lib/ └── site-packages/ <-- 包装在这里！
输入 conda activate xxx 激活环境时，Conda
它临时修改了你的 PATH 环境变量，把这个环境的路径提到了最前面，如下图所示：（where 命令会列出所有同名程序，排在第一位的就是系统实际调用的那个！）
所以当你输入 pip 时，系统使用的是第一个路径里的 pip.exe，不会走到你原来的 Python 那里去。
总结：激活了哪个环境，python 和 pip 就是那个环境的，包装在那个环境的 site-packages 里，跟你原来的 Python彻底无关。
7. 导出和复现环境
# 把当前环境的所有包信息导出为一个文件conda activate pytorch_gpuconda env export > environment.yml# 别人拿到这个文件，一键复现完全相同的环境conda env create -f environment.yml
