如何使用Anaconda来管理 Python 所用的包和环境

Anaconda 能让你轻松安装在数据科学工作中经常使用的包。你还将使用它创建虚拟环境，以便更轻松地处理多个项目。Anaconda 简化了我的工作流程，并且解决了我在处理包和多个 Python 版本时遇到的大量问题。

Anaconda 实际上是一个软件发行版，它附带了conda、Python 和 150 多个科学包及其依赖项。应用程序conda是包和环境管理器。

使用conda来管理包和环境能减少将来在处理你要使用的各种库时遇到的问题。

管理

包管理器用于在计算机上安装库和其他软件。你可能已经熟悉 pip，它是 Python 库的默认包管理器。conda 与 pip 相似，不同之处是可用的包以数据科学包为主，而 pip 适合一般用途。但是，conda并非像 pip 那样专门适用于 Python，它也可以安装非 Python 的包。它是适用于任何软件堆栈的包管理器。也就是说，并非所有的 Python 库都能通过 Anaconda 发行版和 conda 获得。在使用 conda 的同时，你仍可以并且仍将使用 pip 来安装包。

Conda 安装了预编译的包。例如，Anaconda 发行版附带了使用MKL 库编译的 Numpy、Scipy 和 Scikit-learn，从而加快了各种数学运算的速度。这些包由发行版的贡献者维护，这意味着它们通常滞后于新版本。但是，由于有人需要为许多系统构建这些包，因此，它们往往更为稳定，而且更便于你使用。

环境

除了管理包之外，conda 还是虚拟环境管理器。它类似于另外两个很流行的环境管理器，即virtualenv和pyenv。

环境能让你分隔你要用于不同项目的包。你常常要使用依赖于某个库的不同版本的代码。例如，你的代码可能使用了 Numpy 中的新功能，或者使用了已删除的旧功能。实际上，不可能同时安装两个 Numpy 版本。你要做的应该是，为每个 Numpy 版本创建一个环境，然后在适用于项目的环境中工作。

在应对 Python 2 和 Python 3 时，此问题也会常常发生。你可能会使用在 Python 3 中不能运行的旧代码，以及在 Python 2 中不能运行的新代码。同时安装两个版本可能会造成许多混乱和错误。而创建独立的环境会好很多。

也可以将环境中的包的列表导出为文件，然后将该文件与代码包括在一起。这能让其他人轻松加载代码的所有依赖项。pip 提供了类似的功能，即pip freeze > requirements.txt。

在 Windows 上，会随 Anaconda 一起安装一批应用程序：

Anaconda Navigator，它是用于管理环境和包的 GUI

Anaconda Prompt 终端，它可让你使用命令行界面来管理环境和包

Spyder，它是面向科学开发的 IDE

管理包

安装了 Anaconda 之后，管理包是相当简单的。要安装包，请在终端中键入conda install package_name。例如，要安装 numpy，请键入conda install numpy。

你还可以同时安装多个包。类似conda install numpy scipy pandas的命令会同时安装所有这些包。还可以通过添加版本号（例如conda install numpy=1.10）来指定所需的包版本。

Conda 还会自动为你安装依赖项。例如，scipy依赖于numpy，因为它使用并需要numpy。如果你只安装scipy(conda install scipy)，则 conda 还会安装numpy（如果尚未安装的话）。

大多数命令都是很直观的。要卸载包，请使用conda remove package_name。要更新包，请使用conda update package_name。如果想更新环境中的所有包（这样做常常很有用），请使用conda update --all。最后，要列出已安装的包，请使用前面提过的conda list。

如果不知道要找的包的确切名称，可以尝试使用conda search search_term进行搜索。例如，我知道我想安装Beautiful Soup，但我不清楚确切的包名称。因此，我尝试执行conda search beautifulsoup。

管理环境

如前所述，可以使用 conda 创建环境以隔离项目。要创建环境，请在终端中使用conda create -n env_name list of packages。在这里，-n env_name设置环境的名称（-n是指名称），而list of packages是要安装在环境中的包的列表。例如，要创建名为my_env的环境并在其中安装 numpy，请键入conda create -n my_env numpy。

创建环境时，可以指定要安装在环境中的 Python 版本。这在你同时使用 Python 2.x 和 Python 3.x 中的代码时很有用。要创建具有特定 Python 版本的环境，请键入类似于conda create -n py3 python=3或conda create -n py2 python=2的命令。实际上，我在我的个人计算机上创建了这两个环境。我将它们用作与任何特定项目均无关的通用环境，以处理普通的工作（可轻松使用每个 Python 版本）。这些命令将分别安装 Python 3 和 2 的最新版本。要安装特定版本（例如 Python 3.3），请使用conda create -n py python=3.3。

进入环境

创建了环境后，在 OSX/Linux 上使用source activate my_env进入环境。在 Windows 上，请使用activate my_env。

进入环境后，你会在终端提示符中看到环境名称，它类似于(my_env) ~ $。环境中只安装了几个默认的包，以及你在创建它时安装的包。可以使用conda list检查这一点。在环境中安装包的命令与前面一样：conda install package_name。不过，这次你安装的特定包仅在你进入环境后才可用。要离开环境，请键入source deactivate（在 OSX/Linux 上）。在 Windows 上，请使用deactivate。

保存和加载环境

共享环境这项功能确实很有用，它能让其他人安装你的代码中使用的所有包，并确保这些包的版本正确。可以使用conda env export > environment.yaml将包保存为YAML。第一部分conda env export写出环境中的所有包（包括 Python 版本）。

上图可以看到列出了环境的名称和所有依赖项及其版本。导出命令的第二部分> environment.yaml将导出的文本写入到 YAML 文件environment.yaml中。现在可以共享此文件，而且其他人能够创建和你用于项目相同的环境。

要通过环境文件创建环境，请使用conda env create -f environment.yaml。这会创建一个新环境，而且它具有在environment.yaml中列出的同一库。

列出环境

如果忘记了环境的名称（我有时会这样），可以使用conda env list列出你创建的所有环境。你会看到环境的列表，而且你当前所在环境的旁边会有一个星号。默认的环境（即当你不在环境中时使用的环境）名为root。

删除环境

如果你不再使用某些环境，可以使用conda env remove -n env_name删除指定的环境（在这里名为env_name）。

最佳做法

使用环境

对我帮助很大的一点是，我的 Python 2 和 Python 3 具有独立的环境。我使用了conda create -n py2 python=2和conda create -n py3 python=3创建两个独立的环境，即py2和py3。现在，我的每个 Python 版本都有一个通用环境。在所有这些环境中，我都安装了大多数标准的数据科学包（numpy、scipy、pandas 等）。

我还发现，为我从事的每个项目创建环境很有用。这对于与数据不相关的项目（例如使用 Flask 开发的 Web 应用）也很有用。例如，我为我的个人博客（使用Pelican）创建了一个环境。

共享环境

在 GitHub 上共享代码时，最好同样创建环境文件并将其包括在代码库中。这能让其他人更轻松地安装你的代码的所有依赖项。对于不使用 conda 的人，我通常还会使用pip freeze（在此处了解详情）将一个 piprequirements.txt文件包括在内。

了解更多信息

要详细了解 conda 和它如何融入到 Python 生态系统中，请查看这篇由 Jake Vanderplas 撰写的文章：Conda myths and misconceptions（有关 conda 的迷思和误解）。此外，有空也可以参考这篇conda 文档。