Conda是否取代了对virtualenv的需求?

1. Conda取代virtualenv。在我看来，这样更好。它不局限于Python，也可以用于其他语言。根据我的经验，它提供了更流畅的体验，特别是对于科学软件包。我第一次在Mac上正确安装MayaVi是用conda。

2. 你仍然可以使用pip。事实上，conda会在每个新环境中安装pip。它知道pip安装包。

例如:

conda list

列出当前环境中所有已安装的包。 conda安装的包显示如下:

sphinx_rtd_theme          0.1.7                    py35_0    defaults

而通过pip安装的则有<pip>标记:

wxpython-common           3.0.0.0                   <pip>

简单地说，你只需要康达。

1. Conda在一个包中有效地结合了pip和virtualenv的功能，因此如果使用Conda，则不需要virtualenv。

2. conda支持的软件包数量之多，你会感到惊讶。如果还不够，可以在conda下使用pip。

这里是conda, pip和virtualenv对比页面的链接:

https://docs.conda.io/projects/conda/en/latest/commands.html#conda-vs-pip-vs-virtualenv-commands。

虚拟环境和pip

我将添加创建和删除 conda环境在Anaconda中是简单的。

> conda create --name <envname> python=<version> <optional dependencies>


> conda remove --name <envname> --all

在激活环境中，通过conda或pip安装包:

(envname)> conda install <package>


(envname)> pip install <package>

这些环境与Conda的类似pip的包管理紧密相关，因此创建环境并安装Python和非Python包很简单。

Jupyter

此外，环境中的安装ipykernel在Jupyter笔记本的Kernels下拉菜单中添加了一个新列表，将可复制环境扩展到笔记本。从Anaconda 4.1， 添加了Nbextensions开始，可以更容易地向笔记本添加扩展。

可靠性

根据我的经验，在安装诸如numpy和pandas这样的大型库时，conda更快、更可靠。此外，如果你想转移你保存的环境状态，你可以通过分享或克隆 an env。

比较

一个非详尽的，快速查看每个工具的功能:

描述

• virtualenv通常在每个项目的.venv/文件夹中创建特定于项目的本地环境。相比之下，conda的环境是全局的，并且保存在一个地方。
• PyPI通过pip与这两个工具一起工作，但conda可以添加额外的通道，这有时可以更快地安装。
• 遗憾的是，这两种工具都没有正式的锁文件，所以使用这两种工具都不能很好地再现环境。但是，两者都有一种机制来创建固定包的文件。
• 安装和运行virtualenv需要Python，但conda已经随Python一起发布。virtualenv使用与安装时相同的Python版本创建环境。conda允许你创建几乎任何Python版本的环境。

另请参阅

• virtualenvwrapper:全局virtualenv
• pyenv:管理python版本
• mamba:“faster"conda

根据我的经验，conda很适合数据科学应用，并作为一个良好的通用环境工具。然而，在软件开发中，使用virtualenv放置在本地的、短暂的、轻量级的环境中可能会很方便。

是的，conda比virtualenv更容易安装，并且基本上取代了后者。

安装Conda将使您能够按照您的意愿创建和删除python环境，因此为您提供与virtualenv相同的功能。

在这两种发行版的情况下，您可以创建一个隔离的文件系统树，在那里您可以按照自己的意愿安装和删除python包(可能是使用pip)。如果您想为不同的用例使用相同库的不同版本，或者您只是想尝试一些发行版，然后在节省磁盘空间后删除它，那么这可能会派上用场。

差异:

许可协议。虽然virtualenv属于最自由的麻省理工学院的许可，但Conda使用3子句BSD许可。

Conda为您提供了自己的包控制系统。这个包控制系统通常提供流行的非python软件的预编译版本(对于大多数流行的系统)，这可以很容易地让一些机器学习包工作。也就是说，你不需要为你的系统编译优化的C/ c++代码。虽然这对我们大多数人来说是一种解脱，但它可能会影响此类库的性能。

与virtualenv不同，Conda至少在Linux系统上复制了一些系统库。这些库可能会不同步，导致程序的行为不一致。

结论:

Conda很棒，应该是您开始学习机器学习时的默认选择。这将为您节省一些处理gcc和大量包的时间。然而，Conda并不能取代virtualenv。它引入了一些可能并不总是需要的额外复杂性。它有不同的许可。您可能希望避免在分布式环境或HPC硬件上使用conda。

另一个新的选项和我目前首选的启动和运行环境的方法是Pipenv

它目前是Python.org官方推荐的Python打包工具

我两者都使用(截至2020年1月)，它们有一些表面上的差异，对我来说有不同的用法。通过默认的, Conda倾向于在一个中心位置为你管理一个环境列表，而virtualenv在当前目录中创建一个文件夹。如果你正在做机器学习，并且有几个用于多个项目的广泛环境，并且想从任何地方跳入其中，那么前者(集中式)是有意义的。后者(每个项目文件夹)是有意义的，如果你正在做一个小的一次性项目，有完全不同的库需求集，真正属于项目本身。

Conda创建的空环境大约是122MB，而virtualenv的大约是12MB，所以这是另一个你可能不喜欢到处散布Conda环境的原因。

最后，Conda更喜欢集中式env的另一个表面迹象是(同样是默认情况)，如果您在自己的项目文件夹中创建了Conda env并激活它，那么出现在shell中的名称前缀就是该文件夹的绝对路径(太长了)。你可以通过给它一个名字来解决这个问题，但是默认情况下virtualenv做的是正确的事情。

我预计随着两个包管理器争夺主导地位，这些信息将很快变得陈旧，但这些是今天的权衡:)

编辑:我在2021年4月再次审查了情况，情况没有变化。使用conda安装本地目录仍然很尴尬。

我在公司工作，在几道防火墙后面的机器上，我没有管理权限

这些安装与conda很好，因此，从那些天我开始使用conda env工作。 然而，阻止conda在c.programfiles中安装依赖并不容易，因为我没有写权限

注意:如果皮普命令在conda虚拟环境中不可用，你必须先安装它，通过点击:

Conda安装PIP

毫无疑问，Conda拥有更好的API。但是，我想谈谈使用conda的缺点，因为conda在其他答案中也有它的荣耀:

1. 解决环境问题- conda环境的一个大刺。作为补救措施，建议不要使用conda-forge通道。但是，由于它是最流行的通道，而且一些包(不仅仅是微不足道的包，甚至是非常重要的包，如pyspark)在conda-forge上独家可用，你很快就会陷入绝境。

2. < p > 包装环境是一个问题

还有其他已知的问题。Virtualenv是一个上坡路，但路上很少有墙。另一方面，conda，在我的印象中，偶尔有这些硬墙，你只需要深吸一口气，使用virtualenv