Miniconda 与 Conda

一、什么是 Miniconda 和 Conda？

Miniconda 是一个较小的安装发行包，包含 Conda、Python 和运行所需的少量基础包。Conda 是环境管理器和包管理器，可以创建独立环境、选择 Python 版本，并安装和管理软件依赖。

几个常见名称的区别

名称	是什么	常见用途
Python	编程语言及其解释器	执行 .py 程序
Conda	环境与包管理工具	管理 Python 版本和软件依赖
Miniconda	较精简的 Conda 安装发行包	按项目需要安装包
Anaconda Distribution	预装较多数据科学工具的发行包	获取一组预配置工具
pip	Python 包安装工具	安装 PyPI 等来源的 Python 包
venv	Python 自带的虚拟环境工具	基于已有 Python 创建环境

Conda 管理的不只是 Python 包，还可管理许多编译库和其他语言工具。它不替代操作系统、驱动程序，也不是 Docker 那样的容器系统。

为什么要使用？

假设两个项目依赖不同的 Python 或库版本：

项目 A → Python 3.11 + 一组项目依赖
项目 B → Python 3.12 + 另一组项目依赖

如果都装在同一个环境中，更新一个库可能影响另一个项目。使用独立环境可以减少这类冲突，也便于记录和交接项目配置。

建议： 一个项目或一组兼容的练习使用一个环境。不要把所有学习库都堆到 base 环境里。

二、安装 Miniconda

2.1 选择安装程序

访问 Miniconda 官方安装指引，选择 Miniconda 以及对应的系统和架构：

• Windows、macOS 或 Linux。
• x86-64 或 ARM64 等与设备匹配的架构。
• Apple Silicon 电脑通常应选择对应 ARM64 安装包。

安装步骤、支持的系统及可用安装包以官方页面为准。已经有可正常使用的 Conda 时，一般不需要为了跟做本教程再次安装。

2.2 Windows

1. 运行对应安装程序，按向导选择安装位置。
2. 个人电脑可按需要选择仅为当前用户安装。
3. 安装完成后打开安装程序提供的 Miniconda Prompt 或相应命令提示符。
4. 先确认 Conda 可以运行，再按需初始化 PowerShell 等终端。

不要为了让命令立即可用，随意把多个 Python、Conda 安装目录全部加入系统 PATH。终端中使用哪个解释器，应通过后文检查确认。

2.3 macOS / Linux

按官网选择图形安装或 Shell 安装方式。使用 Shell 安装包时，先进入下载目录，再运行实际文件：

bash 你下载的Miniconda安装包.sh

这里是格式说明，需要替换成真实文件名，不要原样执行。按向导确认安装目录、初始化选项，完成后重新打开终端。

2.4 检查安装

conda --version
conda info

如果能显示 Conda 版本、安装位置和平台等信息，说明当前终端能够调用 Conda。

三、终端初始化与 base 环境

3.1 conda init

某些终端中，conda 可以运行，但 conda activate 仍提示需要初始化。按实际 Shell 选择一种：

conda init bash

conda init zsh

conda init powershell

conda init 会调整相应 Shell 的启动配置，不需要每次开终端都运行。执行后按提示关闭并重新打开终端。

如果当前终端完全找不到 conda，先从安装程序提供的终端或安装位置确认安装，不要直接把“初始化”当成所有问题的解决办法。

3.2 base 是什么？

base 是 Conda 安装的基础环境，通常包含 Conda 本身。提示符中的 (base) 表示当前激活它，不代表项目环境已经创建。

可以选择关闭新终端自动激活 base：

conda config --set auto_activate_base false

这只是改变默认激活行为，不会卸载 Conda，也不删除 base。需要时仍可执行 conda activate base。

四、环境、项目目录与解释器

4.1 环境与目录不是一回事

内容	保存什么	示例
项目目录	代码、输入数据、README、配置文件	my-project/
Conda 环境	Python、库和环境所需文件	名为 arclab-py 的环境
当前工作目录	相对路径查找的起点	执行程序时所在的目录

激活环境不会自动进入项目目录，进入项目目录也不会必然激活对应环境。

4.2 命名环境与路径环境

命名环境常通过 -n 指定名称，路径环境常通过 -p 指定位置。本教程以命名环境为主。

同一个项目中不要再叠加激活 venv 环境，避免解释器与依赖来源混淆。

五、创建与查看环境

5.1 创建环境

下面创建 Python 3.11 环境，从 conda-forge 获取包：

conda create -n arclab-py --override-channels -c conda-forge python=3.11 pip

参数说明：

• -n arclab-py：环境名称。
• python=3.11：选择 Python 3.11 系列。
• pip：在该环境安装 pip，方便后续按需使用。
• -c conda-forge：指定软件源。
• --override-channels：本次不额外使用配置中的其他源。

先阅读将安装的软件包与位置，再确认执行。需要网络，求解结果也取决于当前平台和可用包。

5.2 查看环境列表

conda env list

也可以使用：

conda info --envs

当前激活环境通常有 * 标记，同时会显示实际安装路径。

5.3 一次声明主要依赖

还没有创建环境时，可以把需求一起交给求解器：

conda create -n data-practice --override-channels -c conda-forge python=3.11 numpy pandas matplotlib

上面是另一个环境示例，不需要为了学会创建命令而把所有示例环境都建一遍。

六、激活、切换与退出

6.1 激活环境

conda activate arclab-py
python --version

激活会调整当前 Shell 的环境变量和命令查找路径，让命令优先使用对应环境的工具。它不会改变已打开程序内部的解释器。

6.2 确认 Python 路径

python -c "import sys; print(sys.executable)"
python -m pip --version

检查输出路径是否位于预期环境中。提示符可能经过定制，因此不能只凭环境名称判断。

6.3 切换与退出

conda activate data-practice
conda deactivate

切换命令要求目标环境已存在。deactivate 退出当前激活层，可能回到 base 或之前的状态；不等于删除环境。

七、安装、查询和删除软件包

7.1 安装包

为指定环境安装：

conda install -n arclab-py --override-channels -c conda-forge numpy pandas matplotlib

如果已经激活目标环境，也可以省略 -n；初学时保留环境名有助于确认目标。

Conda 会求解依赖，安装某个包可能同时安装或调整其他包。阅读执行计划，不要只看自己输入的包名。

7.2 搜索与查看

conda search --override-channels -c conda-forge numpy
conda list -n arclab-py
conda list -n arclab-py numpy

search 查询软件源中的包，list 查看环境中已安装的包。conda list 最后的名称参数用于筛选显示，不会安装包。

7.3 指定版本

conda install -n arclab-py --override-channels -c conda-forge "numpy=1.26"

这是版本约束的写法示例，不要求把现有环境降级。指定版本能否满足，还取决于 Python、平台和其他依赖。

版本范围使用引号，避免 Shell 把比较符解释为重定向等语法：

conda install -n arclab-py --override-channels -c conda-forge "numpy>=1.26,<3"

7.4 删除包

conda remove -n arclab-py matplotlib

删除可能连带影响依赖它的包，执行前检查计划。不要直接删除环境内的库文件来代替卸载。

八、Channel：软件源与配置

8.1 什么是 Channel？

Channel 是 Conda 查找与下载包的位置，例如 conda-forge 和配置中的默认源。不同源可能采用不同构建和依赖组合。

本教程的主要安装示例明确指定 conda-forge，并通过 --override-channels 避免无意混用。

8.2 查看配置

conda config --show-sources
conda config --show channels
conda config --show channel_priority

.condarc 是常见的配置文件。配置可能来自多个位置，因此不要只修改一个文件就认为其他设置已全部消失。

8.3 配置当前环境的源

如果希望后续在同一环境中省略重复参数，激活目标环境后可配置：

conda activate arclab-py
conda config --env --add channels conda-forge
conda config --env --set channel_priority strict

这些设置针对当前激活环境。仍应查看最终生效的源列表；本教程保留显式安装参数，便于独立阅读。

严格优先级用于限制同名包跨源选择，不保证任意混源都兼容，也可能让某些依赖组合无法满足。项目尽量保持一致的软件源策略。

8.4 镜像与使用条件

网络较慢时，可按学校或团队提供的可信镜像配置说明操作，并记录变更。Conda 的 channel 与 pip 的 index 是两套配置，修改其中一个不代表另一个同步改变。

软件下载源、服务条款及组织使用条件应按所选提供方的当前说明执行，Miniconda、Conda 工具与某个源服务不能简单视为同一件事。

九、Conda 与 pip 配合使用

9.1 基本顺序

1. 创建独立 Conda 环境。
2. 先用 Conda 安装能满足需求的依赖。
3. 再用该环境的 pip 安装其余包。
4. 记录 Conda 和 pip 两部分依赖，安装后运行验证。

9.2 用当前解释器调用 pip

例如，选择 PyPI 的 OpenCV 包时：

conda activate arclab-py
python -m pip install opencv-python
python -m pip check

前提是环境中尚未通过其他方式安装 OpenCV。不同 OpenCV 发行包都提供 cv2，同一环境只选择一套，不要再叠加安装 Conda 的 opencv 或另一个提供 cv2 的 pip 包。

pip check 检查已声明的 Python 依赖关系，不验证全部底层二进制兼容性、设备与实际功能。

9.3 注意事项

• 不要在 Conda 环境中使用 pip install --user，避免包落到环境外。
• 避免在 Conda 与 pip 中来回替换同一个包。
• pip 安装可能替换 Conda 已安装的依赖，Conda 求解器不能完整掌握这些变更。
• pip 参与后若要大幅调整 Conda 依赖，优先修改依赖说明并新建环境验证。
• pip freeze 输出不是完整 Conda 环境说明，不能记录 Python 解释器和全部底层库。

十、验证库与运行程序

10.1 简单导入检查

conda activate arclab-py
python -c "import numpy; print(numpy.__version__)"

能安装不代表能运行，至少检查一次真实导入和最小功能。

10.2 保存测试脚本

将下面代码保存为 check_env.py：

import sys
import numpy as np

print("解释器：", sys.executable)
print("Python：", sys.version)
print("NumPy：", np.__version__)
print("平均值：", np.array([20, 22, 24]).mean())

在脚本所在目录执行：

python check_env.py

平均值应为 22.0，解释器应位于目标环境。

10.3 不激活也能运行

conda run -n arclab-py python check_env.py

conda run 在指定环境中启动命令，不要求当前 Shell 已激活该环境，但脚本路径仍需正确。适合自动化或不方便修改当前激活状态的场景。

十一、在 VS Code 与 Jupyter 中使用

11.1 VS Code 选择解释器

1. 打开项目目录，安装或启用 Python 扩展。
2. 在命令面板选择 Python: Select Interpreter。
3. 选择对应的 Conda 环境。
4. 重新打开所需终端，运行 sys.executable 检查。

编辑器选中的解释器、已有终端和 Notebook 内核可能各不相同，需要分别确认。

11.2 注册 Jupyter 内核

需要 Notebook 时，建议在项目初始依赖中加入 ipykernel：

conda install -n arclab-py --override-channels -c conda-forge ipykernel
conda activate arclab-py
python -m ipykernel install --user --name arclab-py --display-name "Python (arclab-py)"

这组 Conda 安装操作应安排在 pip 安装阶段之前。内核注册中的 --user 表示安装用户级内核说明，与不建议使用的 pip install --user 不是同一操作。

注册内核不等于安装完整 Jupyter 界面。可以在已配置的 VS Code 或 Jupyter 中选择该内核，并执行：

import sys
print(sys.executable)

删除 Conda 环境后，旧内核条目可能还在。可用 jupyter kernelspec list 查看，确认后用 jupyter kernelspec uninstall arclab-py 移除对应注册信息。

十二、environment.yml：描述项目环境

12.1 手写一份环境文件

新建 environment.yml：

name: arclab-data
channels:
  - conda-forge
  - nodefaults
dependencies:
  - python=3.11
  - numpy
  - pandas
  - matplotlib
  - pip

• name：默认环境名称。
• channels：软件源与顺序。
• nodefaults：环境文件中的特殊项，表示不额外使用默认源，不是实际下载源。
• dependencies：需要安装的包及约束。

YAML 用空格缩进，不要用 Tab。

12.2 从文件创建

conda env create -f environment.yml
conda activate arclab-data

指定不同名称创建副本：

conda env create -n arclab-data-copy -f environment.yml

目标环境应尚未存在。环境名称相同不代表依赖一定相同，实际结果仍受文件内容与求解结果影响。

12.3 包含 pip 依赖

例如项目确实选择 pip 安装 OpenCV 时，可写：

name: arclab-vision
channels:
  - conda-forge
  - nodefaults
dependencies:
  - python=3.11
  - numpy
  - pip
  - pip:
      - opencv-python

不同时添加 Conda 的 OpenCV 包。跨机器共享时仍需确认目标平台支持所选版本，必要时为项目补充经过验证的版本约束。

十三、导出与复现环境

13.1 导出主要安装需求

conda env export -n arclab-py --from-history --file environment-history.yml

--from-history 主要记录 Conda 显式安装需求，减少平台相关的间接依赖，通常更便于迁移。

它不是精确锁定文件，也不能当作完整 pip 依赖清单。共享前检查 channels、依赖与可能出现的本机 prefix 路径，手动补充必要 pip 需求，移除不应固定到别人电脑的路径。

13.2 导出较完整的环境清单

conda env export -n arclab-py --no-builds --file environment-full.yml

这会记录更多已安装依赖，--no-builds 移除构建字符串，通常仍包含版本约束。它可能包含检测到的 pip 包，但仍应人工检查完整性与可安装性。

更多细节不代表跨平台更稳：某些依赖只存在于当前操作系统或架构。

13.3 同平台显式清单

conda list -n arclab-py --explicit > explicit-spec.txt
conda create -n arclab-exact --file explicit-spec.txt

显式清单记录具体 Conda 包 URL，主要用于兼容的同平台、同架构环境。它不完整覆盖 pip 包，也不保存输入数据、驱动和项目代码；包文件还必须能够取得。

13.4 新版 conda export

较新的 Conda 提供统一导出命令，例如：

conda export -n arclab-py --from-history --format=environment-yaml --file environment-new.yml

如果当前版本没有该命令，使用前面的 conda env export。导出格式随版本和插件变化，先查看 conda export --help。

Conda 导出的 requirements 格式不一定是 pip 格式，不要仅根据 .txt 扩展名就交给 pip install -r。

13.5 导出后还要验证

在新名称的环境中重建，运行项目最小示例，核对解释器、导入和结果。环境文件可以帮助复现，但不能保证在任何机器上自动得到完全相同结果。

十四、更新、复制与删除环境

14.1 更新单个包

conda update -n arclab-py --override-channels -c conda-forge numpy

这是纯 Conda 管理阶段的示例。更新可能影响相关依赖；需要稳定复现时先复制或重建测试环境，不要在交付前直接更新全部包。

14.2 按文件更新

conda env update -n arclab-data -f environment.yml

需要移除不在目标说明中的包时，可以按需求使用 --prune，先阅读其行为和执行计划。涉及 pip 混合依赖时，删除旧环境、从维护后的说明新建并验证通常更清晰。

14.3 复制环境

conda create -n arclab-py-test --clone arclab-py

克隆便于在本机试验，创建后仍需验证；外部路径、可编辑安装和额外文件等可能影响实际可用性。

14.4 删除环境

先退出目标环境，再执行：

conda deactivate
conda env remove -n arclab-py-test
conda env list

确认名称与路径，删除会移除环境及其中安装的软件。普通命名环境与项目代码目录分开，不代表可以不检查环境位置就删除；不要用该操作删除 base。

十五、查看历史、清理缓存与获取帮助

15.1 查看修订记录

conda list -n arclab-py --revisions

Conda 记录环境的部分包事务历史。按某个修订恢复可使用：

conda install -n arclab-py --revision 修订编号

先核对实际编号。修订回退不是整个项目或 pip 操作的完整备份，仍应保留环境说明和代码版本。

15.2 清理缓存

先查看预期清理内容：

conda clean --tarballs --dry-run

确认后再执行：

conda clean --tarballs

这主要清理下载的软件包归档，不是删除环境。删除后再次安装可能需要重新下载，不必使用强制清除所有缓存来解决每一个问题。

15.3 获取帮助

conda --help
conda create --help
conda env export --help

命令不认识某个参数时，先检查 Conda 版本与该命令的本机帮助。

十六、一个综合示例

下面创建一个数据练习环境，运行 NumPy 程序，再用环境文件重建并验证。

16.1 准备项目目录

mkdir conda-practice
cd conda-practice

创建 environment.yml：

name: arclab-demo
channels:
  - conda-forge
  - nodefaults
dependencies:
  - python=3.11
  - numpy

16.2 创建并激活

conda env create -f environment.yml
conda activate arclab-demo
python -c "import sys; print(sys.executable)"

16.3 编写运行程序

保存为 demo.py：

import sys
import numpy as np

values = np.array([20.0, 22.0, 24.0])

print("Python 路径：", sys.executable)
print("NumPy 版本：", np.__version__)
print("平均值：", values.mean())
print("最大值：", values.max())

运行：

python demo.py

平均值应为 22.0，最大值应为 24.0。

16.4 导出与重建

conda env export -n arclab-demo --from-history --file environment-history.yml
conda env create -n arclab-demo-copy -f environment.yml
conda run -n arclab-demo-copy python demo.py

这里用手写的项目说明重建，另外保存导出文件用于比较。也可以先整理 environment-history.yml，再从该文件创建一个新名称环境。

比较两边的解释器路径和结果。它们应使用不同环境路径，关键计算结果一致；没有锁定的版本仍可能不同。

16.5 整理交接文件

conda-practice/
├── environment.yml
├── environment-history.yml
├── demo.py
└── README.md

README 记录系统与架构、Conda 版本、创建方式、运行命令和预期结果。不要把整个环境目录上传到 Git 仓库；保留可重建说明与项目代码。

十七、常见问题排查

问题	可能原因	解决方法
找不到 conda	当前终端没有加载 Conda，或未安装成功	先从安装程序提供的终端检查安装位置
提示先运行 conda init	当前 Shell 尚未初始化	选择对应 Shell 初始化并重开终端
环境激活后 Python 路径不对	多安装冲突、别名或编辑器配置不同	查看 sys.executable、当前环境和终端配置
EnvironmentNameNotFound	名称错误，或使用了另一套 Conda 安装	查看 conda env list 与 conda info
PackagesNotFoundError	当前源、平台或版本没有该包	检查拼写、源和架构，用 conda search 查询
UnsatisfiableError 或依赖冲突	版本约束或源组合不兼容	检查约束，新建最小环境逐步定位
下载慢或失败	网络、源、代理或证书配置问题	核对可信源与网络配置，避免关闭证书验证作为通用修复
已安装但 import 失败	安装环境与运行解释器不一致，或二进制不兼容	核对路径、版本和安装来源，必要时重建
Notebook 使用旧版本	内核不是目标环境或未重启	选择正确内核，检查路径并重启
YAML 创建失败	缩进、平台特定依赖或本地路径问题	检查文件、约束与 prefix，不要直接复制整机路径
环境名字相同但结果不同	依赖版本、系统或输入不一致	对照清单、平台和最小运行结果
删除环境后内核仍显示	Jupyter 注册条目残留	确认后移除对应 kernelspec

十八、练习

请在自己的练习环境操作，不使用老师或队友正在运行的公共环境。

18.1 环境基础

• 说明 Miniconda、Conda、Python 和 pip 的区别。
• 查看 Conda 版本、安装路径和环境列表。
• 创建一个指定 Python 版本的独立环境。
• 激活后检查 sys.executable 和 python -m pip --version。
• 在不同项目目录切换，观察环境是否自动改变。
• 用 conda run 在不切换当前环境的情况下运行一条命令。

18.2 包与环境复现

• 安装 NumPy，查看版本并运行最小计算。
• 查看当前源配置，解释 -c 与 --override-channels。
• 手写一个只含 Python 和 NumPy 的 environment.yml。
• 比较 --from-history 与较完整导出文件的内容。
• 以新名称从 YAML 创建环境，运行同一脚本并核对结果。
• 解释为什么显式清单不能直接保证跨操作系统复现。

18.3 工具与交接

• 在 VS Code 中选择环境，确认运行路径。
• 使用 Notebook 时选择正确内核并检查解释器。
• 克隆一个练习环境，确认后删除克隆。
• 写一份 README，让同伴根据文件创建环境并运行示例。

完成后，应能回答：激活环境和进入目录有什么区别、库装到哪里、代码由哪个 Python 执行、如何让别人重建，以及复现还有哪些限制。

十九、常用命令速查表

功能	命令示例
查看版本	conda --version
查看基本信息	conda info
查看环境	conda env list
创建环境	conda create -n demo --override-channels -c conda-forge python=3.11
激活 / 退出	conda activate demo / conda deactivate
查看解释器	python -c "import sys; print(sys.executable)"
指定环境运行	conda run -n demo python script.py
查询包	conda search --override-channels -c conda-forge numpy
安装包	conda install -n demo --override-channels -c conda-forge numpy
查看已安装包	conda list -n demo
更新包	conda update -n demo --override-channels -c conda-forge numpy
删除包	conda remove -n demo numpy
查看配置来源	conda config --show-sources
查看源	conda config --show channels
当前环境 pip 安装	python -m pip install 包名
YAML 创建	conda env create -f environment.yml
YAML 指定新名称创建	conda env create -n demo-copy -f environment.yml
YAML 更新	conda env update -n demo -f environment.yml
导出主要需求	conda env export -n demo --from-history --file environment-history.yml
导出不含构建号的清单	conda env export -n demo --no-builds --file environment-full.yml
查看 Conda 修订记录	conda list -n demo --revisions
克隆环境	conda create -n demo-copy --clone demo
删除环境	conda env remove -n demo，先退出目标环境
预览清理下载归档	conda clean --tarballs --dry-run
查看命令帮助	conda create --help

表中的环境名和文件名需要按实际情况替换；删除、更新与清理前确认目标。

二十、相关学习资料

• Miniconda 官方安装入口：按操作系统选择安装步骤。
• Anaconda Distribution 与 Miniconda：比较两种发行包。
• Conda 官方：环境管理：创建、激活、导出和 pip 配合使用。
• Conda 官方：包管理：安装、查询和更新。
• Conda 官方：软件源管理：Channel、优先级和兼容问题。
• conda env export、新版 conda export：导出参数与格式。
• VS Code 官方 Python 环境说明：编辑器解释器选择与环境使用。

文档以本机命令帮助和匹配的 Conda 版本为准，不要求初学时学习全部高级参数。