Python虚拟环境选venv或conda取决于项目类型：web开发用venv，数据科学用conda；venv轻量但仅管Python包，conda跨语言且支持系统级依赖。
Python虚拟环境是隔离项目依赖、避免版本冲突的核心工具。venv适合轻量级纯Python项目，conda则在数据科学场景中更强大，能管理非Python包和多语言环境。
venv：Python标准库自带的轻量方案
Python 3.3+ 自带 venv 模块，无需额外安装，适合快速创建干净的Python运行环境。
- 创建环境：python -m venv myenv（当前目录生成 myenv 文件夹）
- 激活环境：
- Windows：myenv\Scripts\activate.bat 或 myenv\Scripts\Activate.ps1（需开启PowerShell执行策略）
- macOS/Linux：source myenv/bin/activate
- 退出环境：deactivate
- 导出依赖：pip freeze > requirements.txt
- 还原依赖：pip install -r requirements.txt
注意：venv只管理Python解释器和pip包，不处理编译器、CUDA、FFmpeg等系统级依赖。
conda：跨语言、跨平台的科学计算环境管理器
conda 不仅管理Python包，还能安装R、Node.js、C编译工具链甚至Jupyter内核，特别适合机器学习、生物信息等复杂依赖场景。
立即学习“Python免费学习笔记（深入）”；
- 创建环境：conda create -n myenv python=3.9（指定Python版本）
- 激活环境：conda activate myenv
- 退出环境：conda deactivate
- 安装包（优先走conda仓库）：conda install numpy pandas
- 安装PyPI包（当conda源没有时）：pip install requests（建议先conda再pip）
- 导出完整环境：conda env export > environment.yml
- 重建环境：conda env create -f environment.yml
提示：conda默认使用anaconda.org的官方源，国内用户可配置清华镜像加速：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
venv vs conda：怎么选？
关键看项目类型和团队协作方式：
- Web开发、自动化脚本、教学项目 → 用 venv + requirements.txt：简洁、标准、CI/CD友好
- 数据分析、AI建模、需要GPU库（如cudatoolkit、openmpi）→ 用 conda：依赖解析强、预编译二进制多、环境可复现性高
- 混合项目（如Python调用R）→ 必须用 conda，venv无法安装R或Julia内核
- 部署到服务器或Docker → venv更轻量；但若用PyTorch/TensorFlow，conda环境导出的environment.yml也常被Dockerfile直接采用
实用技巧与避坑提醒
- 不要混用 pip 和 conda 频繁安装同一包：可能导致依赖冲突，优先用conda，缺失时再用pip
- 避免在base环境中装项目包：始终新建独立环境，防止污染全局环境
- venv环境不能跨Python大版本复制：比如3.9的venv不能直接在3.10下激活，需重新创建
- conda环境名不能含空格或特殊字符，venv路径也建议用英文、无空格
- 想查看所有环境：conda env list（conda）或手动列出目录（venv）
不复杂但容易忽略：每次新开终端后都要重新激活环境，IDE（如VS Code、PyCharm）需手动选择对应解释器，否则仍会使用系统默认Python。
