1.1  Anaconda概述

        在基于Python的数据处理中，必须要用到：

        （1）Python解释器，如Python3.X；

        （2）安装所需的包，如numpy，pandas，matplotlib等；

        （3）包管理工具pip，conda；

        （4）集成开发环境IDLE，Pycharm，Spyder等。

        所有这些工具，Anaconda可提供一站式解决方案，即：

        （1）Anaconda会自动为用户安装Python解释器；

        （2）Anaconda已经集成绝大多数常用的包；

        （3）Anaconda自带包管理工具conda；

        （4）Anaconda自带集成开发工具Spyder（尽管不怎么好用！）；

        （5）Anaconda提供强大的环境管理功能。

        Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。

        Anaconda则是一个打包的集合，里面预装了conda、某个版本的python、众多packages、科学计算工具等。

        Conda既是一个工具，也是一个可执行命令。

        （1）设计理念独特，它将几乎所有的工具、第三方包都当做package对待，包括python和conda自身；

        （2）核心功能是包管理与环境管理。包管理与pip的使用类似，环境管理则允许用户方便地安装不同版本的python并可以快速切换。

Miniconda，只包含最基本的内容：python和conda，以及相关的必须依赖项，适用于对于空间要求严格的用户。

1.2 Anaconda的安装

        Anaconda的下载页参见官网下载，Linux、Mac、Windows均支持。

        Anaconda官网地址：https://www.anaconda.com/，打开官网并点击下载链接，进入下图所示的下载界面。

        官网有两个不同版本的Anaconda，分别包含Python 3.X和Python 2.X的解释器。事实上，借助Anaconda强大的环境管理功能，用户很容易切换到具有不同版本Python解释器的编译环境。建议选择Python 3.X的版本下载并按照提示安装即可。

        官网下载速度较慢时可考虑从国内的镜像源下载，如清华大学的镜像网址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/。

        安装完成后打开Anaconda Prompt，在命令行提示符下输入“conda --version”检查安装过程是否成功，若出现类似下图所示界面，则表示安装成功。        

1.3 环境管理

        若用户希望在Python3.7.x的工作环境中进行Web开发，在Python3.6.x的环境中运行TensorFlow，则可用Conda的环境管理功能创建工作环境py36（自主命名工作环境）和py37，分别对应不同的Python版本，并能在不同的工作环境中自由切换。上图中的“<base>”表示默认的工作环境为“base”。

1.3.1创建工作环境

        若需要安装Python 3.6，则可在Anaconda Prompt的命令行提示符下输入命令：

condacreate--name py36 python=3.6

        #创建一个名为py36的工作环境，指定Python版本是3.6，conda会自动寻找3.6.x中的最新版本。

1.3.2激活工作环境

        安装好后，使用activate激活工作环境py36，命令如下：

        condaactivatepy36

        如下图所示，激活工作环境py36之前可以看到默认的python版本是3.7.0，切换到工作环境py36之后的python版本为3.6.7。默认的工作环境<base>变成了<py36>。每当新创建一个工作环境，Anaconda就会在envs目录下创建一个以该工作环境命名的子目录。

1.3.3退出和删除工作环境

        在工作环境py36中输入命令：

        condadeactivate

        可退出当前工作环境至默认环境，如上图所示。若希望彻底删除工作环境py36，可输入命令：

        conda remove --name py36 --all

1.3.4查看工作环境

        查看所有已安装的工作环境，可输入命令：

        conda info -e或 conda envlist

        其结果如下图所示，前面带*的工作环境为当前工作环境。

1.3.5复制工作环境

        复制工作环境可输入命令：

        conda create  --name <new_env_name>  --clone <copied_env_name>

        其中：

        <copied_env_name>是被复制的环境名。环境名两边不加尖括号“<>”。

        <new_env_name>是复制之后新环境的名称。环境名两边不加尖括号“<>”。

1.4 包管理

        conda的包管理类似于pip，但二者有如下区别：

        （1） 依赖性检查：

        pip：不一定会展示所需其他依赖包；安装包时或许会直接忽略依赖项而安装，仅在结果中提示错误。

        conda：列出所需其他依赖包；安装包时自动安装其依赖项。

        （2） 环境管理

        pip：基本没有环境管理功能。

        conda：环境管理容易使用，功能强大。

        （3） 适用语言

        pip：仅适用于Python。

        conda：适用于Python, R, Ruby, Lua, Scala, Java, JavaScript, C/C++等。

        基于上述原因，使用Anaconda首选用conda进行包管理。

1.4.1 安装包

        安装scipy的命令如下：

        conda install scipy

        conda会从从远程搜索scipy的相关信息和依赖项，conda会同时安装numpy和mkl（运算加速的库）。

1.4.2 更新包

        更新numpy的命令如下：

        conda update numpy

        conda将anaconda，conda，python等都视为包，都可以上述方式进行管理，如：

        conda update conda

        conda update anaconda

        更新所有已安装包：

        conda update --all

1.4.3 删除包

        删除pandas的命令如下：

        conda remove pandas

1.4.4 查看已安装的包

        conda list

        查看工作环境py36的已安装包

        conda list -n py36

1.4.5 查看包的信息

        查看numpy的信息，命令如下：

        conda search numpy

1.5 设置国内镜像

        如果需要安装很多包，conda下载的速度经常很慢，因为Anaconda.org的服务器在国外。所幸清华大学镜像源有Anaconda仓库的镜像，可将其加入conda的配置，方法如下：

        （1） Windows用户可先执行 conda config --set show_channel_urls yes 在用户目录下生成.condarc文件。

        （2） 用记事本打开.condarc文件，添加如下内容，保存后重启Notebook服务器即可。

        channels:

            - defaults

        show_channel_urls: true

        default_channels:

             https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

            - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r

        custom_channels:

            conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

            msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

            bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

            menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

            pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

            simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud