Python venv 快速参考指南

[Venv 是一个虚拟环境管理命令行工具](https://www.glukhov.org/zh-cn/post/2025/05/python-venv-cheatsheet/ “Venv 快速参考和最实用的命令。)。 与 Anaconda 相比，这是一个更简单的工具。 以下是一些实用的 venv 命令。

仅仅让你知道，我认为在 Python 的包和环境管理方面，有一个比 venv 更好的工具——uv。请查看：uv - 新的 Python 包、项目和环境管理器

Python venv 快速参考

创建虚拟环境

• 标准命令（Python 3.3+）：

  python -m venv venv
  

  这会在当前目录中创建一个名为 venv 的虚拟环境。

• 使用特定 Python 版本（如果已安装）：

  python3.10 -m venv venv
  

  或使用 virtualenv：

  virtualenv -p /usr/local/bin/python3.10 venv
  

  （需要 virtualenv 包）。

激活虚拟环境

• 在 Windows 上：

  .\venv\Scripts\activate
  

• 在 macOS/Linux 上：

  source venv/bin/activate
  

  此时命令行提示符应显示环境名称。

停用虚拟环境

• 所有平台：

  deactivate
  

  这将返回到你的系统 Python。

安装包

• 使用 pip：

  pip install
  

  示例：

  pip install numpy pandas
  

• 升级 pip（推荐）：

  python -m pip install --upgrade pip
  

冻结和导出依赖

• 保存当前环境中的包：

  pip freeze > requirements.txt
  

• 从 requirements 文件安装：

  pip install -r requirements.txt
  

  在运行这些命令之前，请确保虚拟环境已激活。

删除虚拟环境

deactivate
rm -rf <env path>

管理 Python 虚拟环境时的常见陷阱

忘记激活虚拟环境

• 一个常见的错误是不激活目标虚拟环境就运行命令，这会导致包安装到全局环境或错误的 venv 中。这可能会导致依赖冲突和不可预测的行为。

不固定包版本

• 在 requirements.txt 中使用宽松的版本说明符（如 >= 而不是 ==）会削弱可重复性。精确的版本固定可以确保所有参与项目的人使用相同的包版本，从而防止部署或协作时出现意外问题。

混合使用全局和虚拟环境

• 意外地全局安装包或混合使用全局和虚拟环境可能会导致冲突，尤其是当不同项目需要不兼容的包版本时。始终确保你正在使用正确的环境。

将虚拟环境提交到版本控制

• 将虚拟环境目录（如 venv/）提交到版本控制会增加仓库的大小，这是不必要的。始终将 venv 目录添加到 .gitignore 中，以保持仓库的整洁。

忽视开发和生产依赖的分离

• 没有区分开发和生产依赖可能导致部署时出现臃肿或不安全的情况。使用单独的依赖文件或配置部分来分别管理。

缺乏文档和自动化

• 没有记录环境设置步骤或未能自动化该过程（通过脚本或 Makefile）会使新贡献者上手更加困难，并且难以重现环境。

不经常清理旧的环境

• 随着时间的推移，未使用的虚拟环境可能会积累，浪费磁盘空间并造成混淆。定期删除过时的 venv 可以保持工作区的整洁。

忽略系统 Python 和包管理器的边界

• 修改系统 Python 或将系统包管理器与 pip 混合使用可能会破坏系统工具并引入难以诊断的问题。始终使用 venv 来管理项目依赖，并避免干扰系统管理的包。

总结表

陷阱	影响
忘记激活 venv	安装包到错误的环境中
不固定包版本	不可预测的构建，难以复现的错误
混合使用全局和虚拟环境	依赖/版本冲突
将 venv 目录提交到版本控制	仓库臃肿，混乱
不区分开发和生产依赖	部署臃肿或不安全
缺乏文档和自动化	新人上手困难，设置不一致
不定期清理旧环境	磁盘空间浪费，混淆
修改系统 Python 或包	系统不稳定，工具损坏

遵循最佳实践，例如始终激活 venv、固定依赖项、分离环境并维护清晰的文档，可以帮助你避免这些常见陷阱。

Conda 环境与虚拟环境在可重复性方面的关键差异

特性	Conda 环境	Python 虚拟环境（venv/virtualenv）
管理范围	管理 Python 包 和 非 Python 依赖项（如系统库、编译器）	仅通过 pip 管理 Python 包
Python 版本控制	可指定并安装每个环境的任意 Python 版本	使用系统安装的 Python 版本
跨平台一致性	由于管理所有依赖项，因此在不同操作系统（Windows、macOS、Linux）上更一致	依赖系统库，这可能因操作系统而异
包来源	使用 Conda 仓库（预编译二进制文件、科学堆栈）	使用 PyPI（pip）为 Python 包
可重复性	对于复杂、科学或混合语言项目可重复性更高；可以导出完整环境（conda env export）	对纯 Python 项目可重复性良好；如果涉及系统依赖项，可能缺乏可重复性
非 Python 依赖项	可安装和管理（如 OpenBLAS、libpng）	无法管理；必须单独安装
环境导出/导入	conda env export / conda env create 用于完整可重复性	pip freeze > requirements.txt / pip install -r requirements.txt（仅限 Python 包）
性能	对大型科学包（如 numpy、pandas）更快、更可靠	在 Windows 上可能需要从源代码编译
复杂性	设置和管理开销略高	轻量级，适合基本 Python 项目

关键要点总结

• Conda 环境 适用于需要 Python 和非 Python 依赖项的项目，或在跨平台精确复制至关重要的项目。Conda 管理整个堆栈，包括 Python 本身、库甚至编译器，使共享和重现复杂环境更容易，尤其是在数据科学和研究环境中。

• Python 虚拟环境（venv/virtualenv）轻量且适合隔离纯 Python 项目的依赖项。然而，它们无法管理系统级或非 Python 依赖项，因此如果项目依赖外部库或特定系统配置，可重复性可能会受到影响。

• 导出和共享环境：Conda 允许你导出完整的环境规范（conda env export），包括所有依赖项及其版本，可以在其他地方精确重现。使用虚拟环境时，pip freeze 仅捕获 Python 包，不包括系统依赖项或 Python 解释器版本。

• 结论
  在科学、跨平台或 复杂项目 中使用 Conda 以实现最大可重复性。 在系统依赖项不重要的轻量级、纯 Python 项目中使用 Python 虚拟环境。

有用的链接

• uv - 新的 Python 包、项目和环境管理器
• Python 快速参考
• Python 空间
• Conda 快速参考
• 重新安装 Linux
• Bash 快速参考