第4章 Conda包管理：安装、卸载、更新与版本控制
包管理是Conda的核心功能，说白了就是帮你装东西、卸东西、换版本。刚开始接触时我觉得挺简单，直到有次在项目里搞混了channel版本，花了我一下午排查…嗯，这里有不少门道。我带你一个个过。
4.1 安装包
最基本的安装命令长这样：
conda install numpy一次装多个也行，空格分开：
conda install numpy scipy matplotlib这里有个小坑：如果你不指定channel，Conda会从默认的defaults（也就是Anaconda官方仓库）找。但我个人更推荐用conda-forge，它更新快、包更全。怎么用？加个-c参数：
conda install -c conda-forge pandas.condarc里把conda-forge设为默认channel，这样以后就不用手动加-c了。我团队里所有项目都这么配的。4.2 指定版本安装
很多时候我们不需要最新版，而是某特定版本。比如我遇到过TensorFlow 2.10和某个旧代码的兼容问题，当时必须锁死2.8.0。
conda install tensorflow=2.8.0版本号可以用等号或者双等号。也支持通配符：
conda install "tensorflow>=2.8,<2.10"conda search <package> --info查清楚依赖树。4.3 更新包
更新单个包：
conda update numpy更新环境里所有包：
conda update --all我个人很少用--all，为啥？因为可能把核心依赖（比如Python）也给升了，导致整个环境崩掉。有一次在生产环境手滑执行了conda update --all，Python从3.8跳到了3.10，项目直接启动不了了…还好有conda env export备份。
所以我的建议是：只更新你确定需要更新的包，其他保持不动。
4.4 卸载包
conda remove numpy这个命令只删除numpy本身，不会自动删除它的依赖。要想连带卸载那些不再被任何包需要的“孤儿”依赖，可以加--remove-all（其实是conda clean --force-pkgs-dirs加手动清理）。但更干净的方案是重建环境。
顺带提一嘴conda clean：
conda clean --all这个命令清理下载缓存、未使用的包包、锁文件等。我每两周跑一次，硬盘能腾出好几个G。
4.5 从conda-forge安装
刚才提过用-c conda-forge临时指定。如果你想永久把conda-forge设为默认，编辑~/.condarc：
channels:
- conda-forge
- defaults优先级从上往下：conda-forge排第一，Conda会优先从这个channel获取包。我踩过的另一个坑是：如果conda-forge和defaults混用，Conda可能会从两个channel拉不同版本的依赖，造成“环境不可解”。解决方法是尽量统一，要么全走conda-forge，要么全走defaults，别混。
conda-forge里没有，Conda会自动降级去defaults找。但这可能导致版本不匹配。我习惯先用conda search -c conda-forge <package>确认。4.6 综合实例：管理科学计算环境
我自己经常在数据科学项目中这样操作：
conda create -n mydata python=3.10 -c conda-forge
conda activate mydata
conda install -c conda-forge jupyter numpy pandas matplotlib scikit-learn
# 安装特定版本
conda install "pytorch=1.13" -c pytorch
# 确认安装
conda list | grep numpy
# 更新一个包
conda update numpy
# 卸载不用的包
conda remove matplotlib
# 清理缓存
conda clean --all基本上覆盖了日常所有操作。你只要记住：先建环境，再装包，用conda-forge，锁版本，几乎不会出大问题。