Conda与Pip使用指南：核心原则与避坑技巧

---

一、核心原则：conda vs pip 什么时候用？

判断维度	conda（推荐）	pip（推荐）
包是否涉及 C/C++ 编译（如 numpy, pandas, pytorch）	✅ 是	❌ 否
是否是 科学计算核心库（scipy, matplotlib, seaborn）	✅ 是	❌ 否
是否是 纯 Python 包（无系统依赖）	❌ 否	✅ 是
是否项目特定（如 flask, requests, selenium）	❌ 否	✅ 是
是否为 多语言/系统级软件（R, JDK, CUDA）	✅ 是	❌ 否
是否需要 环境隔离、复现	✅ 是	❌ 否
是否要安装 最新版本（非稳定）	❌ 不推荐	✅ 是

✅ 总结一句话：

优先使用 conda 安装核心依赖、系统库；使用 pip 安装项目包、纯 Python 工具。

---

二、base 环境的用途与最佳实践

1. base 是什么？

• Anaconda / Miniconda 默认创建的第一个环境。
• 包含 python, conda, pip, jupyter, ipython 等开发工具。
• 不是用来装项目代码的，而是环境管理平台。

2. ✅ 建议安装到 base 的包

包名	说明
conda	管理器本身
pip	用于安装其他 Python 包
jupyterlab	核心开发工具，启动 jupyter lab
nb_conda_kernels	使 Jupyter 可识别 conda 环境内核
ipython, ipykernel	增强 Jupyter 交互功能
mamba（推荐）	更快的 conda 替代工具
git, make, clang	系统级开发工具

3. ❌ 不推荐安装到 base 的包

包名	原因
numpy, pandas, scipy, matplotlib	核心库，不同项目需不同版本，极易冲突
pytorch, tensorflow	依赖复杂（CUDA, MKL, BLAS），版本不兼容
flask, requests, selenium	项目特定依赖，应独立部署
opencv, torchvision, pyside	有 C++ 编译，版本对齐困难
个人私有库、中间件	项目专用，不应全局安装

✅ 原则：base 只装工具，不装项目依赖。

---

三、如何判断一个包该用 conda 还是 pip？

✅ 判断步骤（建议流程）：

1. 该包是否是核心科学计算包？
   - 是 → 用 conda 安装（推荐）
   - 否 → 继续

2. 该包是否涉及 C/C++ 编译？
   - 是 → 用 conda 安装（推荐）
   - 否 → 继续

3. 该包是否是纯 Python，且在 PyPI 上？
   - 是 → 用 pip 安装
   - 否 → 检查 conda 是否支持

4. 搜索 conda 仓库：
   - `conda search 包名` 或 `mamba search 包名`
   - 若存在 → 用 `conda install` 安装
   - 若不存在 → 用 `pip install`

5. 是否必须最新版本？
   - 是 → `pip install --pre 包名`
   - 否 → 优先用可用的 conda 版本

✅ 实用命令示例：

# 检查包是否在 conda 中
conda search numpy
mamba search numpy

# 检查包是否在 PyPI
pip show numpy

# 安装（先 conda，后 pip）
conda install numpy
pip install flask jupyterlab

---

四、混用 pip 和 conda 的风险

风险	原因
🟡 依赖冲突	如 numpy 用 conda 安装 1.23，pip 升级到 1.24，可能破坏 scipy
🔴 版本混乱	conda list 和 pip list 显示不一致，无法复现环境
🟡 环境不可复现	依赖链不完整，易错
🔴 程序崩溃	如 numpy.float64 属性缺失等常见错误
🟡 难以维护	不知道谁安装了什么包，排查困难

❗ 避免在同一个环境中混用，尤其是核心包！

---

五、最佳实践流程（推荐方案）

# 1. 创建独立项目环境（避免污染 base）
conda create -n myproject python=3.9

# 2. 激活环境
conda activate myproject

# 3. 安装核心依赖（用 conda）
conda install numpy scipy pandas matplotlib

# 4. 安装项目包（用 pip）
pip install flask requests jupyterlab

# 5. 安装特定依赖（可选）
pip install -r requirements.txt

# 6. 保存环境（可复现）
conda env export > environment.yml

✅ 进阶建议：

• 使用 mamba 提升速度：

  conda install mamba -c conda-forge
  mamba install numpy
  

• 使用 conda-forge 通道（更活跃）：

  conda install -c conda-forge 包名
  

---

六、常用包推荐安装方式

包名	推荐方式	原因
numpy, pandas, scipy, matplotlib	conda	编译复杂，conda 管理更好
seaborn, statsmodels, plotly	conda 或 pip	可用任一，但 conda 更稳定
pytorch, tensorflow	conda（推荐）	自动匹配 CPU/CUDA/版本
flask, fastapi, requests, selenium	pip	项目专用，PyPI 上更新快
jupyterlab, nbclassic, jupyter_contrib_nbextensions	pip 或 conda	以 pip 为主，conda 为辅
git, make, cmake	conda	系统工具包，conda 更可靠
pip, setuptools, wheel, ipython	conda	开发工具，应加入 base

---

七、混用警告提示（记住）

做法	风险等级	建议
conda install numpy 后 pip install numpy	🔴 极高	✅ 禁止！不要覆盖核心包
在 base 中安装 torch, pandas	🔴 高	✅ 仅用于工具，不装项目依赖
在 conda 环境中 pip install 任意包	🟡 中	✅ 可行，但要控制
在 base 环境中 pip install 项目包	🟡 中	✅ 不推荐，易污染全局
使用 pip install 替代 conda 安装 pytorch	🟡 中	✅ 仅限紧急情况（如变体安装）

✅ 重要原则：conda 为“系统管理员”，pip 为“临时工具”，不要让“临时工”乱动系统。

---

八、我的复盘清单（项目前快速检查）

✔️ 是否创建了独立环境？
✔️ 是否只用 conda 安装了 numpy, pandas, scipy？
✔️ 是否只在环境中用 pip 安装 flask、jupyterlab？
✔️ 是否避免了在 base 中安装项目依赖包？
✔️ 是否保存了 environment.yml？
✔️ 是否使用 conda list 和 pip list 检查版本是否一致？

---

九、附录：常用命令

# 环境管理
conda create -n envname python=3.9
conda activate envname
conda deactivate
conda env list
conda remove -n envname --all

# 包管理
conda install 包名
conda install -c conda-forge 包名
pip install 包名
pip list
conda list

# 导出/导入
conda env export > environment.yml
conda env create -f environment.yml

# 检查
conda search 包名
mamba search 包名

---

✅ 最终总结：三句话记住！

1. conda 是管核心、管系统、管环境的，pip 是管项目、管 Python、管 PyPI 的。
2. base 是工具区，不是项目区，只装必要开发工具，不装数据包！
3. 先查 conda search，再用 pip，混用要小心，版本要对齐！