引言：为什么需要虚拟环境？
Python 项目的依赖管理一直是开发者面临的经典难题。你是否有过这样的经历：项目 A 需要 Django 3.2，项目 B 需要 Django 4.2，而系统全局只装了一个版本？或者你升级了一个包，却发现另一个项目因此崩溃？
虚拟环境正是为了解决这些问题而生的。它为每个项目创建独立的 Python 运行环境，隔离不同项目的依赖，从而避免版本冲突。
虚拟环境的核心概念
我们先理解虚拟环境的核心机制：
- 隔离的 Python 解释器每个虚拟环境有自己独立的
python 可执行文件 - 独立的
site-packages 目录 - 可激活的环境通过激活脚本修改
PATH 环境变量，让当前 shell 优先使用虚拟环境的 Python
全局 Python├── /usr/bin/python3└── /usr/local/lib/python3.14/site-packages/项目 A 虚拟环境├── /projects/a/.venv/bin/python└── /projects/a/.venv/lib/python3.14/site-packages/项目 B 虚拟环境├── /projects/b/.venv/bin/python└── /projects/b/.venv/lib/python3.14/site-packages/
venv——Python 内置的虚拟环境工具
从 Python 3.3 开始，venv 模块成为标准库的一部分，是官方推荐的虚拟环境创建方式（Python 3.5 之前使用 pyvenv，现已废弃）。它轻量、简单，无需额外安装。
1. 创建虚拟环境
python -m venv .venv
venv 会在当前目录下创建一个名为 .venv 的文件夹，包含一份独立的 Python 环境。
💡 命名约定：通常使用 .venv、venv 或 env。.venv 更常见，因为点开头在 Unix 系统中默认隐藏，不易被误删除。
2. 激活虚拟环境
| |
|---|
| Windows (CMD) | .venv\Scripts\activate.bat |
| Windows (PowerShell) | .venv\Scripts\Activate.ps1 |
| macOS / Linux | source .venv/bin/activate |
激活后，终端提示符会显示 (.venv) 前缀，表示当前处于虚拟环境中。
(.venv) user@host:~$
3. 管理依赖
# 安装包pip install requests# 导出依赖列表pip freeze > requirements.txt# 从 requirements.txt 安装pip install -r requirements.txt
4. 退出虚拟环境
deactivate
5. 删除虚拟环境
直接删除 .venv 文件夹即可。
rm -rf .venv
venv 的优缺点
| |
|---|
| ❌ 默认只管理 Python 包，不管理 Python 版本 |
| |
| ❌ 跨平台兼容性略有差异（Windows 激活脚本需要调整执行策略） |
| |
virtualenv——venv 的前辈与补充
virtualenv 是 venv 的前身，诞生于 Python 3.3 之前。它功能更丰富，但目前已不再是推荐首选（venv 已覆盖其主要用途）。
# 安装pip install virtualenv# 创建虚拟环境virtualenv .venv# 激活方式与 venv 相同source .venv/bin/activate
virtualenv 依然在某些场景中有用：
- 需要更细粒度的控制（如自定义 Python 解释器路径）
- 某些 CI/CD 环境可能预装了
virtualenv 而非 venv
⚠️ 新项目建议使用 venv，除非有明确理由需要 virtualenv 的额外功能。
conda——科学计算的“瑞士军刀”
conda 是 Anaconda 发行版自带的包和环境管理器，尤其流行于数据科学和机器学习领域。它不仅能管理 Python 包，还能管理不同版本的 Python 解释器本身，以及非 Python 的二进制依赖（如 CUDA、OpenBLAS）。
1. 安装 conda
推荐安装 Miniconda（轻量版，只包含 conda 和 Python），而非完整的 Anaconda（预装大量包）。
# 下载 Miniconda 安装脚本（Linux）wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.shbash Miniconda3-latest-Linux-x86_64.sh
2. 创建环境
# 创建名为 myenv 的环境，指定 Python 3.11conda create -n myenv python=3.11# 创建时同时安装包conda create -n myenv python=3.11 numpy pandas
3. 激活环境
conda activate myenv
4. 管理包
# 安装包（优先从 conda 官方渠道）conda install requests# 从 conda-forge 渠道安装（更丰富的包）conda install -c conda-forge scikit-learn# 当 conda 中找不到时，使用 pip 安装（混合模式）pip install some-package# 导出环境（两种格式）conda envexport > environment.yml # 完整导出（含平台信息）conda envexport --from-history > environment.yml # 只导出手动安装的包（推荐）# 从 environment.yml 创建环境conda env create -f environment.yml
5. 查看所有环境
conda env list
6. 删除环境
conda env remove -n myenv
conda 的优缺点
| |
|---|
| |
| |
| |
| ❌ 许可证费用（Anaconda 商业版有费用，Miniconda 免费） |
Poetry——依赖管理与打包的现代方案
Poetry 是一个集依赖管理、虚拟环境、打包发布于一体的现代工具。它使用 pyproject.toml 作为配置文件，替代传统的 requirements.txt 和 setup.py。
1. 安装 Poetry
# 官方安装方式（推荐）curl -sSL https://install.python-poetry.org | python3 -# 或通过 pip（不推荐，可能产生依赖冲突）pip install poetry
2. 初始化项目
poetry new myproject # 创建新项目（含目录结构）poetry init # 在现有项目中初始化 pyproject.toml
3. 管理虚拟环境
# 创建并激活环境（自动）poetry shell# 或在新 shell 中激活poetry run python script.py# 查看当前环境信息poetry env info
4. 管理依赖
# 添加依赖poetry add requests# 添加开发依赖poetry add --dev pytest# 安装所有依赖（从 pyproject.toml）poetry install# 更新依赖poetry update
5. 导出 requirements.txt（兼容旧项目）
poetry export -f requirements.txt --output requirements.txt
Poetry 的优缺点
| |
|---|
| |
✅ 统一的项目配置（pyproject.toml） | |
| |
| ❌ 与企业内部 Artifactory 集成稍复杂 |
uv——用 Rust 写的极速替代品
uv 是 Astral 公司（Flake8 团队）推出的新一代 Python 包管理器，用 Rust 编写，旨在替代 pip 和 poetry 的核心功能。它被誉为“Python 的 Cargo”。
1. 安装 uv
# 独立安装（推荐）curl -LsSf https://astral.sh/uv/install.sh | sh# 或通过 pip（需要 Python 3.8+）pip install uv# 验证uv --version
2. 创建虚拟环境（与 venv 兼容）
# 创建虚拟环境（兼容 venv 目录结构）uv venv .venv# 激活方式与 venv 相同source .venv/bin/activate
3. 管理依赖（极速）
# 安装包（比 pip 快 10-100 倍）uv pip install requests# 从 requirements.txt 安装uv pip install -r requirements.txt# 导出依赖uv pip freeze > requirements.txt
4. 项目管理（类似 poetry）
# 初始化项目uv init myproject# 添加依赖uv add requests# 添加开发依赖uv add --dev pytest# 安装所有依赖uv sync# 运行脚本uv run python script.py
5. 与其他工具集成
uv 兼容 pip 和 poetry 的工作流，可以无缝替代它们：
# 用 uv 替代 pip installalias pip="uv pip"# 使用 uv 作为 Poetry 的后端poetry config experimental.new-installer falsepoetry config experimental.use-uv true
uv 的优缺点
工具对比与选型指南
| | |
|---|
| venv | | |
| conda | | 管理 Python 版本和二进制依赖、适合多版本项目 |
| Poetry | | |
| uv | | 极快、兼容 pip/poetry 工作流、Rust 实现 |
| pipenv | | |
场景化推荐
- 新手学习
- Web 开发（Django/Flask）推荐
Poetry 或 uv，便于管理依赖版本和锁定。 - 数据科学（NumPy/Pandas）推荐
conda，因为它处理非 Python 依赖更可靠。 - 跨平台 CLI 工具
- 追求极致开发体验
总结
无论选择哪种工具，以下几点通用建议可以帮助你避免常见陷阱：
- 始终使用虚拟环境即使是个人实验项目，也建议创建虚拟环境，避免污染全局。
- 将虚拟环境目录加入
.gitignore - 锁定依赖版本使用
pip freeze > requirements.txt、poetry lock 或 uv lock 记录精确版本，确保可重现构建。 - 分离开发与生产依赖使用
--dev 标记开发依赖（如测试、lint 工具）。 - 定期更新依赖
- 避免混合使用多个包管理器尽量不要在 conda 环境中使用 pip 安装大量包，也不要在 Poetry 项目中直接调用 pip。
本期小结
今天我们全面梳理了 Python 虚拟环境的主流工具：
| | |
|---|
| venv | python -m venv .venv | |
| virtualenv | virtualenv .venv | |
| conda | conda create -n env python=3.x | |
| Poetry | poetry init | |
| uv | uv venv | |
个人建议：初学者简单的个人项目直接使用 venv ，Web 开发用 Poetry 或 uv，数据科学用 conda。
注意：使用开发工具时要跟据项目检查虚拟环境是否正确。使用命令行编译注意看是否进入了虚拟环境。不然就是全局环境了。要注意！
