大家好，我是几行代码。
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。
# 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。
# 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venv
# 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。
# 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
# 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。
# 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）
# 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
# 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
# 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？# 导出
conda env export > environment.yml
# 重建
conda env create -f environment.yml
总结
| 工具 | 用途 | 适用场景 |
|---|
| pip | 包管理 | 基础Python包安装 |
| venv | 环境隔离 | Web开发、一般项目 |
| conda | 环境+包管理 | 数据科学、复杂依赖 |
| pipx | 工具隔离 | 命令行工具 |
记住：没有最好的工具，只有最适合场景的工具。多踩几个坑，自然就熟练了。
如果觉得有帮助，欢迎点赞、在看、转发三连！有问题评论区见，我是几行代码，我们下期见。
