乱七八糟:Windows-Jupyter开发Python

前言 由于 Windows 中开发环境较 linux 复杂，这里总结 Windows 中使用 Jupyter 开发 Python 的环境配置。

安装

Python是一种跨平台的编程语言,社区生态丰富，有许多现成的包可以调用。传统的安装方法如下：

• 下载、安装Pythond解释器；
• 验证安装；
• 安装VScode以及Python的拓展；

但Python开发项目时往往需要不同版本，不同的第三方包，如果用传统方法难以管理；因此现在的主流方法是：

• 安装Anaconda或miniconda等Python集成包；
• 使用conda创建并启动一个Python环境；
• 安装jupyter编辑器编写python。

在Anaconda官网下载并安装，安装成功后，命令行中敲conda info，会显示conda的版本和python的版本等详细信息；再敲conda list，会列出当前环境下所有安装的包。

安装好了Anaconda，就相当于同时有了Python、环境管理器、包管理器以及一大堆开箱即用的科学计算工具包。

使用

安装好了，默认是在base虚拟环境下，此时我们从base环境复制一份出来，在新环境里工作。

• 复制base环境, 创建test环境

conda create --name test --clone base

• 激活test环境

conda activate test

• 取消Conda默认激活base虚拟环境

conda config --set auto_activate_base false

• 列出本机的所有环境，如下，可见当前有2个环境，当前激活的是test环境：

(test) ➜  ~ conda info -e
- conda environments:
#
base                     /Volumes/300g/opt/anaconda3
test                  *  /Volumes/300g/opt/anaconda3/envs/test

• Anaconda默认安装了jupyter，打开jupyter：

jupyter notebook

此时会自动弹出浏览器窗口打开Jupyter Notebook网页，默认为http://localhost:8888

Jupyter汉化/下载中文包：pip install jupyterlab-language-pack-zh-CN

虚拟环境管理

• 创建环境，后面的python=3.6是指定python的版本

conda create --name env_name python=3.6

• 创建包含某些包的环境（也可以加上版本信息）

conda create --name env_name python=3.7 numpy scrapy

• 激活某个环境

conda activate env_name

• 关闭某个环境

conda deactivate

• 复制某个环境

conda create --name new_env_name --clone old_env_name

• 删除某个环境

conda remove --name env_name --all

• 生成需要分享环境的yml文件（需要在虚拟环境中执行）

conda env export > environment.yml

• 别人在自己本地使用yml文件创建虚拟环境

conda env create -f environment.yml

包管理

• 列出当前环境下所有安装的包

conda list

• 列举一个指定环境下的所有包

conda list -n env_name

• 查询库

conda search scrapys

• 安装库安装时可以指定版本例如：（scrapy=1.5.0）

conda install scrapy

• 为指定环境安装某个包

conda install --name target_env_name package_name

• 更新安装的库

conda update scrapy

• 更新指定环境某个包

conda update -n target_env_name package_name

• 更新所有包

conda update --all

• 删除已经安装的库

conda remove scrapy

• 删除指定环境某个包

conda remove -n target_env_name package_name

• 更多命令请查看官方文档或者查询帮助命令：

conda --help

conda install --help

有了Conda包管理器，为什么Anaconda环境中，可能还需要用pip安装包呢？因为Anaconda本身只提供部分包，远没有pip提供的包多，有时conda无法安装我们需要的包，此时需要用pip将其装到conda环境里。

安装特定版本的包，conda用=，pip用==。例如：

conda install xxx=1.0.0
pip install xxx==1.0.0

Jupyter使用

安装Anaconda并启动一个环境之后，如何让Jupyter Notebook在我们要的环境中启动呢？

• 激活目标环境

conda activate myenv

• 安装 ipykernel（如尚未安装） 为了让 Jupyter Notebook 能识别该环境中的 Python 解释器，你需要在该环境中安装 ipykernel：

conda install ipykernel

# 或者使用 pip

pip install ipykernel

• 注册环境内核 将该环境注册为 Jupyter 的一个内核（kernel），这样启动 Jupyter Notebook 后就能选择这个内核：

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

# 这里 --name 指定内核的名称，--display-name 是在 Jupyter Notebook 界面中显示的名称，你可以根据需要自定义。

• 启动 Jupyter Notebook：依然在激活后的环境中，启动 Jupyter Notebook：

jupyter notebook

• 启动后，你在新建 notebook 时可以选择刚刚注册的内核 “Python (myenv)” 来确保使用该环境的 Python 解释器。

当然，你也可以使用其他编辑器/IDE如 Sublime Text 或者 JetBrains 系列的 PyCharm 。

linux中使用Miniconda

# Miniconda安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 执行以下命令启动安装程序：
bash Miniconda3-latest-Linux-x86_64.sh
# 验证安装
conda --version

使用UV替代Conda

UV（由 Astral 团队开发）是一个用 Rust 编写的高性能包管理器，提供了类似 Conda 的虚拟环境管理和依赖解析功能，并且在大多数场景下比 pip 和 Conda 快 10–100 倍。它通过命令行工具如 uv venv（创建/管理虚拟环境）和 uv pip（安装/锁定/同步依赖）来覆盖传统的 conda create、conda install、conda env export 等操作，但本身并不管理底层的 C/C++ 库，因此对于诸如 GDAL、SciPy 等需要系统级二进制依赖的包，仍建议在 Conda/系统包管理器中预装相关库，然后用 UV 来管理 Python 包。

安装与激活

wget -qO- https://astral.sh/uv/install.sh | sh

• 在当前目录下创建 .venv，使用系统默认 Python（若不存在则自动下载）

uv venv

• 指定环境名称或路径

uv venv myenv

• 指定 Python 版本（需系统已有或可下载）

uv venv --python 3.11

• 激活

source .venv/bin/activate

安装包

# 安装单个包
uv pip install requests

# 批量安装并自动锁定依赖
uv pip install fastapi uvicorn sqlalchemy

生成与同步锁文件

# 从 requirements.in 生成统一依赖文件
uv pip compile docs/requirements.in \
   --universal \
   --output-file docs/requirements.txt

# 根据锁文件同步环境
uv pip sync docs/requirements.txt

此流程替代 conda env export + conda env update，并保证跨平台一致性 ([GitHub][3])。

查看与卸载

uv pip list       # 列出已安装包（类似 conda list）
uv pip uninstall numpy

替代常见 Conda 工作流

Conda 操作	UV 对应
conda create -n env python=3.x	uv venv --python 3.x
conda activate env	source .venv/bin/activate 或 activate
conda install pkg1 pkg2	uv pip install pkg1 pkg2
conda env export > env.yml	uv pip compile requirements.in
conda env update -f env.yml	uv pip sync requirements.txt
conda list	uv pip list

最佳实践：

1. 系统依赖：用 Conda/Mamba 安装较难编译的 C 库（conda install gdal）。
2. Python 包：用 UV 管理所有纯 Python 依赖（uv pip install pandas scikit-learn）。
3. 统一锁定：把 uv pip compile 生成的 requirements.txt 放入版本控制，确保团队环境一致。

---

Done.