Dich's Blog

前言：Windows 下搭建 Python 开发环境比 Linux 繁琐不少——没有内置包管理器、PATH 配置容易出错、各种工具散落各处。本文从零开始，依次介绍环境管理工具的选择、推荐方案 UV、传统方案 Conda，最后是 Jupyter 的通用配置和常用技巧。

方案对比

	UV	Conda
速度	快（Rust 实现，10-100x）	慢
包来源	PyPI	conda-forge + PyPI
非 Python 依赖	需手动安装系统库	内置预编译二进制包
适用场景	Web 开发、通用项目	科学计算、数据科学
推荐	日常开发首选	需要复杂 C/C++ 底层库时

经验之谈：大多数项目直接用 UV。只有当你发现 pip install 报 build 错误（常见于 NumPy、SciPy、OpenCV 等依赖 C/C++ 编译链的包），才需要切回 Conda。

推荐方案：UV

UV 是 Astral 团队（ruff 的作者）用 Rust 写的高性能 Python 包管理器，100% 兼容 pip 生态。

安装 UV

Windows（PowerShell）：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Linux/macOS：

curl -LsSf https://astral.sh/uv/install.sh | sh

装完重启终端，验证：

uv --version

更新 UV 自身：

uv self update

创建与激活环境

UV 支持两种用法：项目化管理（推荐），或传统 venv。

项目化管理（推荐，适合有工程感的项目）：

# 初始化项目，自动生成 pyproject.toml 和 .venv
uv init myproject
cd myproject

# 如果想指定 Python 版本（UV 会自动下载）
uv init myproject --python 3.12

传统 venv（轻量，适合临时环境）：

uv venv --python 3.12

激活环境：

# Windows (PowerShell)
.venv\Scripts\Activate.ps1

# Windows (CMD)
.venv\Scripts\activate

# Linux/macOS
source .venv/bin/activate

退出和删除：

deactivate                   # 退出当前环境
rm -rf .venv                 # 删除环境（Windows: rmdir /s /q .venv）

管理依赖

UV 有两个并行的工作流，按需选择：

项目工作流（推荐，依赖写入 pyproject.toml）：

uv add fastapi uvicorn sqlalchemy   # 安装并写入 pyproject.toml
uv sync                             # 按 pyproject.toml + uv.lock 同步环境
uv remove fastapi                   # 卸载并从 pyproject.toml 移除
uv add --dev pytest ruff            # 安装开发依赖

pip 兼容工作流：

uv pip install requests numpy       # 传统 pip 风格
uv pip list                         # 列出已安装包
uv pip uninstall numpy              # 卸载

直接运行（无需手动激活）

UV 的最大亮点之一——可以跳过 activate 步骤，直接用 uv run 执行命令：

uv run python script.py
uv run jupyter lab
uv run pytest
uv run python -m ipykernel install --user --name myenv --display-name "Python (myenv)"

pyproject.toml 示例

[project]
name = "myproject"
version = "0.1.0"
requires-python = ">=3.12"
dependencies = [
    "fastapi>=0.115",
    "uvicorn[standard]>=0.30",
    "sqlalchemy>=2.0",
]

[dependency-groups]
dev = [
    "pytest>=8",
    "ruff>=0.5",
]

团队协作：已有项目快速上手

项目已经配好 pyproject.toml 和 uv.lock 时，团队成员克隆下来只需一条命令：

# 1. 克隆项目
git clone <repo-url> && cd <project>

# 2. 同步环境——UV 自动创建 .venv、下载 Python、安装依赖，全自动
uv sync

然后直接跑起来：

uv run jupyter lab
# 或
uv run python main.py

如果需要 Jupyter 内核：

uv run python -m ipykernel install --user --name myproject --display-name "Python (myproject)"

关键点：uv sync 依据 uv.lock 精确还原依赖版本，所有成员的环境完全一致。不会出现"我这能跑你那不行"的问题。记得把 .venv 写入 .gitignore 而 uv.lock 应该提交到仓库。

Conda → UV 速查

Conda 操作	UV 等效命令
`conda create -n foo python=3.12`	`uv init foo --python 3.12` 或 `uv venv --python 3.12`
`conda activate foo`	`.venv\Scripts\activate`（Windows）或 `source .venv/bin/activate`
`conda install numpy`	`uv add numpy`
`conda env export > env.yml`	自动生成 `uv.lock`，无需手动导出
`conda env create -f env.yml`	`uv sync`
`conda list`	`uv pip list`
`conda remove numpy`	`uv remove numpy`

传统方案：Conda

如果项目用到了 NumPy、SciPy、OpenCV 等需要 C/C++ 编译链的包，Conda 凭借预编译二进制生态依然是更省心的选择。

安装 Miniconda

推荐 Miniconda（体积小，无预装冗余包）而非 Anaconda。

在 Miniconda 官网下载 Windows 安装包，一路下一步。装完后打开终端验证：

conda --version
conda info

安装 Miniconda 的同时，你就拥有了 Python 解释器、conda 环境管理器、conda 包管理器以及 conda-forge 上大量预编译的科学计算工具包。

环境管理

# 创建环境（指定 Python 版本和初始包）
conda create --name myenv python=3.12 numpy pandas

# 激活环境
conda activate myenv

# 退出环境（不带参数）
conda deactivate

# 复制环境
conda create --name new_env --clone old_env

# 删除环境
conda remove --name myenv --all

# 列出所有环境
conda env list

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

# 从配置文件重建环境
conda env create -f environment.yml

包管理

conda list                    # 当前环境已安装的包
conda list -n myenv           # 指定环境
conda search scipy            # 搜索可用包
conda install scipy=1.11      # 安装（可指定版本）
conda install -n myenv numpy  # 安装到指定环境
conda update scipy            # 更新指定包
conda update --all            # 更新所有包
conda remove scipy            # 卸载
conda remove -n myenv scipy   # 从指定环境卸载

卸载 Conda

Windows 下通过"设置 → 应用 → 添加或删除程序"卸载 Miniconda/Anaconda 即可。Linux/macOS 手动删除：

rm -rf ~/miniconda3 ~/.conda ~/.condarc ~/.continuum

Jupyter 配置

无论用 UV 还是 Conda，Jupyter 的配置流程是通用的。

安装

推荐 JupyterLab（界面更现代，集成终端、文件浏览器和扩展管理），而非旧版 Notebook。

# UV
uv add jupyterlab ipykernel

# Conda
conda install jupyterlab ipykernel

注册内核

让 Jupyter 能识别你环境中的 Python 解释器：

# UV
uv run python -m ipykernel install --user --name myenv --display-name "Python (myenv)"

# Conda
python -m ipykernel install --user --name myenv --display-name "Python (myenv)"

--name 是内核的内部标识，--display-name 是 Jupyter 界面中显示的名称，按需自定义。

启动

# UV
uv run jupyter lab

# Conda
jupyter lab

允许远程访问

在服务器或 WSL 中运行 Jupyter 时，需要绑定到 0.0.0.0 以便宿主机访问：

jupyter lab --generate-config

编辑 ~/.jupyter/jupyter_lab_config.py，添加：

c.ServerApp.ip = '0.0.0.0'
c.ServerApp.port = 8888
c.ServerApp.open_browser = False

注意：旧版 Jupyter 的配置项名为 c.NotebookApp.*，新版（Jupyter Server 2.x+）改用 c.ServerApp.*。不确定版本的话，看看生成的配置文件里实际有哪些字段。

汉化（可选）

pip install jupyterlab-language-pack-zh-CN

附录：ipynb 转 Markdown

最简方式——一行命令用 nbconvert CLI：

jupyter nbconvert --to markdown notebook.ipynb

批量转换脚本 ipynb2md.py：

import nbformat
from nbconvert import MarkdownExporter
from pathlib import Path

def ipynb_to_md(ipynb_path: Path, output_dir: Path):
    with open(ipynb_path, "r", encoding="utf-8") as f:
        nb = nbformat.read(f, as_version=4)
    exporter = MarkdownExporter()
    body, _ = exporter.from_notebook_node(nb)
    output_file = output_dir / (ipynb_path.stem + ".md")
    with open(output_file, "w", encoding="utf-8") as f:
        f.write(body)
    print(f"✔ 转换完成: {ipynb_path} -> {output_file}")

def batch_convert(input_dir: str = ".", output_dir: str = "markdown_output"):
    input_dir = Path(input_dir)
    output_dir = Path(output_dir)
    output_dir.mkdir(parents=True, exist_ok=True)
    for ipynb_file in input_dir.glob("*.ipynb"):
        ipynb_to_md(ipynb_file, output_dir)

if __name__ == "__main__":
    batch_convert()

先装依赖再运行：

pip install nbformat nbconvert         # 或 conda install nbformat nbconvert -y
python ipynb2md.py

脚本扫描当前目录下所有 .ipynb 文件，把生成的 .md 输出到 markdown_output/ 文件夹。

Done.

Windows系列(5):Python开发配置