有关pip与conda的介绍

Conda vs. Pip vs. Virtualenv 命令对比

备注:

• conda activate 只适用于 Conda 4.6 及更高版本。在 Conda 4.6 之前的版本中，可以使用以下命令：
  • Windows: activate
  • Linux 和 macOS: source activate
• conda update python 会更新到该系列的最新版本，因此 Python 2.x 会更新到最新的 2.x 版本，Python 3.x 会更新到最新的 3.x 版本。

conda

conda 是一个开源的包管理器和环境管理器，最初由 Anaconda 提供，支持Python 以及其他语言（如 R、Ruby、Lua）的包管理。conda 不仅能安装和管理 Python 包，还能创建独立的虚拟环境，并安装其他语言的包。

Conda 命令

• conda activate：激活指定的 Conda 环境，使当前终端会话使用该环境的 Python 和库。
• conda clean：清理 Conda 缓存，删除不再需要的包和索引，释放磁盘空间。
• conda compare：比较不同环境中的包或包版本。
• conda config：配置 Conda 的行为，例如设置源、代理等。
• conda create：创建一个新的 Conda 环境，并指定环境中的 Python 版本及其他包。
• conda deactivate：停用当前激活的 Conda 环境。
• conda doctor：检查 Conda 环境并解决常见问题。
• conda env：管理 Conda 环境，例如创建、导出环境等。
• conda info：显示 Conda 环境和配置信息，包括已安装的环境列表。
• conda init：初始化 Conda，使得 Conda 能够在终端中自动激活和管理环境。
• conda install：安装指定的包及其依赖，支持从 Conda 仓库或指定的源安装。
• conda list：列出当前环境中已安装的所有包及其版本。
• conda notices：显示 Conda 系统的通知信息。
• conda package：管理 Conda 包，例如安装、更新和删除。
• conda repoquery：查询 Conda 仓库中的包信息。
• conda remove：卸载指定的包。
• conda rename：重命名 Conda 环境。
• conda run：在指定的环境中运行命令。
• conda search：搜索 Conda 仓库中的包。
• conda update：更新指定环境中的包或 Conda 本身。

pip

pip 是 Python 的官方包管理工具，用于安装和管理 Python 包。它从 Python 包索引（PyPI）上下载并安装包

pip venv

venv 是 Python 内建的一个用于创建独立虚拟环境的工具。每个虚拟环境有自己的 Python 解释器和库集合，确保包之间的依赖不冲突。

区别

1. 总体

• Pip：

  • 用途：Pip 是 Python Packaging Authority 推荐的工具，用于从 Python 包索引（PyPI）安装 Python 软件包。
  • 包类型：仅限于 Python 包，安装的包通常是 .whl（wheel）格式，或者是源代码格式（需要编译）。
  • 依赖管理：Pip 安装包时，不会检查环境中的所有包的依赖关系。它会按顺序递归安装依赖，可能会导致依赖冲突或破坏环境的稳定性。

• Conda：

  • 用途：Conda 是一个跨平台的包和环境管理工具，可以从 Anaconda 仓库或 Anaconda Cloud 安装包，支持安装和管理包含 C/C++ 库、R 包等在内的多种软件。
  • 包类型：支持任何类型的软件包，不仅仅是 Python 包，还包括 C、C++、R 等。
  • 依赖管理：Conda 使用 SAT 解算器来确保环境中所有包的依赖关系得到满足，因此可以避免安装包时出现的版本冲突问题。

2. 环境管理

• Pip：没有内建的环境管理功能，通常依赖 virtualenv 或 venv 来创建虚拟环境来隔离不同的项目和包依赖。
• Conda：提供内建的环境管理功能，可以轻松创建和管理不同版本的 Python 及其包，适用于数据科学等领域，不同工具可能需要不同版本的 Python 或库。

3. 安装包时的依赖检查

• Pip：安装包时没有自动检查依赖，可能会导致环境破损，尤其是在包间依赖关系复杂时。
• Conda：使用 SAT 解算器自动检查依赖，确保安装的所有包的依赖关系都得到满足，减少环境破损的风险。

有时某些包只在 PyPI 上提供，而不在 Conda 仓库中。此时，使用 conda 安装可用的包，然后使用 pip 安装 PyPI 上的包。尽量优先使用 conda 安装包，尤其是那些包含底层依赖的包。只有在 conda 中找不到所需包时，再使用 pip 来安装 PyPI 上的包。Anaconda 仓库中提供了超过 1500 个包，包括最流行的数据科学、机器学习和 AI 框架。通过 conda 可以安装这些包，以及来自 conda-forge 和 bioconda 等频道的数千个额外包，所有这些都可以通过 conda 安装。尽管这些包的数量庞大，但与 PyPI 上超过 150,000 个包相比，它的数量仍然较少。偶尔会需要某些在 conda 中没有的包，但可以在 PyPI 上找到，并且可以通过 pip 安装。