3、Python环境管理：pyenv安装与使用、虚拟环境venv/conda、Python版本切换实战

说到Python环境管理，我估计每个Python开发者都经历过那种「环境地狱」——项目A需要Python 3.8，项目B非要3.10，还有的项目依赖包版本互相打架。嗯，今天我们就来彻底解决这个问题。

我个人习惯把环境管理分成两层：Python版本管理和项目依赖隔离。前者用pyenv，后者用venv或conda。说白了，一个管「解释器版本」，一个管「包依赖关系」。

3.1 pyenv：Python版本管理利器

先说说pyenv。这东西解决的核心问题是什么？你想想看，系统自带的Python版本往往很老，或者你同时维护着几个项目，每个项目要求的Python版本不一样。手动下载安装再改PATH？太累了。

pyenv的原理其实不复杂——它通过修改PATH环境变量，把指定版本的Python「伪装」成系统默认的Python。你切换版本时，它只是改了几个软链接而已。

安装pyenv

在macOS或Linux上，一行命令搞定：

curl https://pyenv.run | bash

安装完后，记得把下面几行加到你的~/.bashrc或~/.zshrc里：

export PYENV_ROOT="$HOME/.pyenv"
export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init -)"

常用命令实战

安装好之后，我们来试试几个核心操作：

# 查看可安装的Python版本
pyenv install --list

# 安装指定版本（比如3.10.12）
pyenv install 3.10.12

# 查看已安装的版本
pyenv versions

# 全局切换版本
pyenv global 3.10.12

# 当前目录局部切换
pyenv local 3.8.18

# 验证版本
python --version

这里有个坑——pyenv install在某些Linux系统上可能会报错，提示缺少依赖。我记得第一次在CentOS上装3.10时，折腾了半小时。后来发现是缺了libffi-devel和zlib-devel。所以建议先装好编译依赖：

# Ubuntu/Debian
sudo apt-get install -y make build-essential libssl-dev zlib1g-dev \
libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm \
libncursesw5-dev xz-utils tk-dev libxml2-dev libxmlsec1-dev libffi-dev liblzma-dev

3.2 venv：Python自带的虚拟环境

Python 3.3以后自带了venv模块，说白了就是轻量级的虚拟环境方案。它不需要额外安装，开箱即用。

为什么需要虚拟环境？你想想看，项目A用Django 3.2，项目B用Django 4.2，如果都装在全局，那肯定打架。venv就是给每个项目一个独立的「小房间」，各玩各的。

创建和使用venv

# 创建虚拟环境（在当前目录生成 venv 文件夹）
python -m venv myenv

# 激活虚拟环境（Linux/macOS）
source myenv/bin/activate

# 激活虚拟环境（Windows）
myenv\Scripts\activate

# 看到命令行前面出现 (myenv) 就说明激活成功了
# 然后正常安装依赖
pip install numpy pandas

# 退出虚拟环境
deactivate

嗯，这里要注意一点：venv创建的虚拟环境默认不包含系统级的包。如果你需要用到系统里已经装好的包，可以用--system-site-packages参数：

python -m venv myenv --system-site-packages

3.3 conda：数据科学家的首选

如果你做机器学习或数据科学，conda几乎是绕不开的。它比venv强大在哪？说白了，venv只管Python包，而conda连非Python的依赖（比如CUDA、OpenCV的底层库）都能管。

我个人在训练深度学习模型时，几乎都用conda。因为它能帮你处理那些「编译起来想死」的包，比如tensorflow、pytorch的GPU版本。

安装Miniconda

我推荐用Miniconda而不是Anaconda——Anaconda预装太多包了，很多你用不上。Miniconda就一个基础环境，需要什么装什么：

# 下载安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 运行安装
bash Miniconda3-latest-Linux-x86_64.sh

# 安装完后初始化
conda init

conda环境管理实战

# 创建新环境并指定Python版本
conda create -n ml_env python=3.10

# 激活环境
conda activate ml_env

# 安装包（conda方式）
conda install numpy pandas scikit-learn

# 或者用pip（conda环境里也能用pip）
pip install torch torchvision

# 查看所有环境
conda env list

# 导出环境配置
conda env export > environment.yml

# 从配置文件创建环境
conda env create -f environment.yml

# 删除环境
conda remove -n ml_env --all

3.4 版本切换实战：一个完整的工作流

好了，理论说完了，我们来走一遍实际场景。假设你接到一个项目，需要Python 3.8 + TensorFlow 2.4，同时你还在维护另一个Python 3.10 + PyTorch的项目。

方案一：pyenv + venv（推荐）

# 1. 安装Python 3.8.18
pyenv install 3.8.18

# 2. 进入项目目录，锁定Python版本
cd /path/to/project_a
pyenv local 3.8.18

# 3. 创建虚拟环境
python -m venv venv

# 4. 激活并安装依赖
source venv/bin/activate
pip install tensorflow==2.4

# 5. 切换到另一个项目
cd /path/to/project_b
pyenv local 3.10.12
python -m venv venv
source venv/bin/activate
pip install torch

方案二：纯conda（适合数据科学项目）

# 创建两个独立环境
conda create -n tf24_env python=3.8
conda create -n torch_env python=3.10

# 切换环境
conda activate tf24_env
conda install tensorflow=2.4

conda activate torch_env
conda install pytorch torchvision cudatoolkit=11.3

3.5 避坑指南

做环境管理这么多年，我踩过的坑能写本书。挑几个最常见的说说：

• PATH混乱：我曾经同时装了pyenv、conda、系统Python，结果python命令指向谁完全看PATH顺序。解决办法是只保留一个版本管理工具在PATH里，其他的用完整路径调用。
• pip和conda混用：在conda环境里用pip装包，有时候会导致依赖冲突。我的经验是：能用conda装的尽量用conda，conda没有的再用pip。而且装完pip包后，最好conda list检查一下。
• 虚拟环境位置：别把venv放在项目目录外。我见过有人把所有虚拟环境都放在~/envs/下，结果项目迁移时忘了带环境文件，还得重新装。
• Python版本兼容：有些老项目只支持Python 3.6以下，但pyenv默认安装的可能是3.10。记得先用pyenv install --list确认目标版本是否存在。

好了，Python环境管理这块就聊到这。记住一个原则：每个项目一个独立环境，版本管理交给工具，别手动折腾。这样你的开发体验会舒服很多。

---