📚 课程目录第2章 Conda 基础环境管理

2. Conda 基础环境管理：创建、激活、删除、克隆，环境列表查看

搞数据科学和 DevOps，Conda 环境管理是基本功。你想想看，一个项目用 Python 3.8 + TensorFlow 2.4，另一个项目要 Python 3.11 + PyTorch 2.0，如果没有隔离的工具，依赖冲突能让人崩溃。我最早用 pip 加 virtualenv，后来转到 Conda，发现它不仅能管 Python 包，连底层 C 库都能一并搞定——这一点在 Docker 镜像里特别关键。

这一章我们就把 Conda 最核心的五个操作讲透：创建、激活、删除、克隆、列表查看。别小看这些命令，我在多个项目里都吃过亏，比如不小心删错了环境，或者忘记激活环境直接 pip install 把 base 搞坏了。嗯，这里要注意一个个来。

2.1 环境创建：从零到有

创建环境的基本格式很简单：

conda create --name myenv python=3.9

这条命令会创建一个名叫 myenv 的环境，并安装 Python 3.9 以及它的核心依赖。如果你想一上来就装好常用的数据科学包，可以这样：

conda create --name ds_env python=3.10 numpy pandas scikit-learn matplotlib

为什么我建议你连 Python 版本一起指定？因为我遇到过不止一次，同事没指定 Python 版本，结果环境自动装了最新版（比如 Python 3.12），然后项目里的旧库报错。所以养成习惯——创建环境时指定 Python 版本，能省掉后边很多麻烦。

一个小技巧： 如果创建时不想弹确认提示，加 -y 参数。比如 conda create -n test_env python=3.9 -y。在 Dockerfile 里自动化构建时，这个标志特别有用。

另外，你还可以从 environment.yml 文件创建环境：

conda env create -f environment.yml

这在团队协作中很常见。文件内容大概长这样：

name: project_env
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.9
  - numpy>=1.21
  - pandas
  - scikit-learn

我个人习惯把 environment.yml 放在项目根目录，并纳入版本控制。这样任何人拉下代码，一个命令就能还原完全相同的环境。

2.2 环境激活与退出：你得进对屋子

创建完成后，要进入环境才能用。在 Linux/macOS 上：

conda activate myenv

在 Windows 上一样，前提是你已经 conda init 过。如果你用的是旧版 Conda，可能需要 source activate myenv。但我建议你升级到 Conda 4.6+，统一用 conda activate。

退出环境：

conda deactivate

嗯，这里有一个常见的坑：很多人以为 conda activate 之后，所有 pip install 都会自动装到当前环境里。其实没错，但你一定不要忘记先激活！我曾经有一次忘记激活，直接在 base 环境里 pip 安装了一个实验性库，结果把 base 里的包依赖搞坏了，最后不得不重装 Anaconda。所以我的习惯是：在终端里先看一眼 prompt 是不是显示 (myenv)，确认再执行。

警告： 绝对不要在 base 环境里安装过多包。base 相当于系统环境，一旦污染，恢复成本很高。建议 base 保持干净，只装 conda 自身和必要工具。

2.3 环境列表查看：心里有数

随时想知道当前有哪些环境？

conda env list

或者简写：

conda info --envs

输出类似：

# conda environments:
#
base                  *  /opt/anaconda3
ds_env                   /opt/anaconda3/envs/ds_env
myenv                    /opt/anaconda3/envs/myenv
project_env              /opt/anaconda3/envs/project_env

带星号 (*) 的是当前激活的环境。你在 Docker 里构建镜像时，经常需要查看环境是否已存在，可以用这个命令做判断。我在 CI/CD 脚本里就写过类似逻辑：先检查环境列表，不存在才创建，避免每次构建重复耗时。

2.4 环境删除与清理：别留垃圾

废弃的环境要删掉，不然磁盘空间会悄悄被吃掉。删除命令：

conda remove --name myenv --all

注意 --all 表示删除整个环境，包括所有包。如果不加 --all，它只会移除环境名但不会删包目录，容易留下残留。我踩过这个坑：删了环境名但旧包还在 envs/ 下占用空间，后来手动 rm 才释放。所以请用 --all。

另外，如果你想删除当前激活的环境，得先 conda deactivate 退出，否则 Conda 会报错。我曾经在脚本里没处理这一步，导致自动化清理任务失败。

一键清理技巧： 有时你安装了多个版本的环境，可以用 conda clean --all 清理缓存和未使用的包。不过注意，这个命令会清理所有下载的包缓存，下次创建环境时要重新下载。建议在 Docker 构建的最后阶段执行，能显著缩小镜像层体积。

2.5 环境克隆：快速复制

当你有一个调好的环境，想基于它做变体时，克隆比重装快得多：

conda create --name new_env --clone old_env

这个命令会完全复制 old_env 里的所有包和配置到 new_env，包括 pip 安装的包。我经常在需要做 A/B 测试时用：先克隆一个环境，然后在克隆上改几个包版本，对比运行结果。

需要注意，克隆不会复制环境之外的东西，比如 Jupyter kernel 配置或系统级的环境变量。如果遇到克隆后某些包不能正常运行，检查一下是不是有硬编码路径的依赖。

还有一个用例：在 Docker 构建时，你可以先创建第一个环境，然后基于它克隆出不同 Python 版本的环境用于并行测试。比如：

conda create -n base_env python=3.9 numpy pandas -y
conda create -n py310_env --clone base_env -y
conda install -n py310_env python=3.10 -y

虽然这样会多一次 conda install，但比从零创建快很多，尤其是当基础包很大时（比如 tensorflow、pytorch）。

知识结构一览

下面这张图把五个核心操作串了起来，方便你记忆整个流程：

实战中的注意事项

操作	常用命令	我的踩坑经验
创建	`conda create -n myenv python=3.9`	不指定 Python 版本，后面容易冲突
激活/退出	`conda activate` / `conda deactivate`	忘记激活就在 base 里装包，导致环境污染
列表查看	`conda env list`	CI/CD 脚本里用来预检查，避免重复创建
克隆	`conda create -n new --clone old`	不会复制系统级配置，需要手动处理路径问题
删除	`conda remove -n env --all`	不加 `--all` 会残留文件，也不要在激活状态删除

总结一下：创建 → 激活 → 工作 → 退出一套流程很自然。需要变体就克隆，不用了就清理。我在维护一个多项目共存的开发者工作站时，就是靠这套原则——每个项目一个环境，命名遵循 项目名_日期 格式。当项目结束，环境一删，干干净净。

好了，这些基础操作熟练之后，下一层就是把这些环境「锁起来」，配合 Docker 实现可复现的部署。不过在进入锁定之前，先把这些命令练熟，尤其是克隆和删除，我在项目里用得非常频繁。