Python 虚拟环境完全指南：venv、conda、uv 怎么选

为什么需要虚拟环境

假设你同时在开发两个项目：

• 项目 A 是去年写的，依赖 Django 3.2
• 项目 B 是新项目，要用 Django 5.0

Python 默认把第三方包装在同一个全局目录里。装了 Django 5.0，项目 A 直接跑不起来；退回 3.2，项目 B 又报错。这就是「依赖地狱」。

虚拟环境的解决思路很直接：给每个项目造一个独立的 Python 运行空间，各装各的包，互不干扰。

电脑
├── 全局 Python 3.12
├── 项目A/venv/   ← Django 3.2
├── 项目B/venv/   ← Django 5.0
└── 项目C/venv/   ← 一堆 AI 库

方案一：venv（官方内置，默认首选）

Python 3.3+ 自带，零安装，适合 90% 的纯 Python 项目。

创建与激活：

# 在项目目录下创建虚拟环境（目录名约定俗成叫 .venv 或 venv）
python -m venv .venv

# Windows 激活
.venv\Scripts\activate

# macOS/Linux 激活
source .venv/bin/activate

激活成功的标志：命令行提示符前面出现 (.venv)。

日常使用：

# 装包（装在虚拟环境里，不污染全局）
pip install requests pandas

# 导出依赖清单（项目交接、部署时用）
pip freeze > requirements.txt

# 别人拿到项目后还原环境
pip install -r requirements.txt

# 退出虚拟环境
deactivate

优点：官方标准、零依赖、任何 Python 环境都有。

缺点：只能管理 Python 包，管不了 CUDA、MySQL 客户端这类系统级依赖；不能切换 Python 版本（venv 创建时用什么版本就是什么版本）。

方案二：conda（数据科学标配）

Anaconda/Miniconda 提供的环境管理器，不仅能管 Python 包，还能管 Python 解释器本身和非 Python 依赖。

常用命令：

# 创建环境，同时指定 Python 版本
conda create -n myproject python=3.11

# 激活 / 退出
conda activate myproject
conda deactivate

# 装包
conda install numpy pandas
# conda 仓库没有的包，可以混用 pip
pip install some-package

# 导出与还原
conda env export > environment.yml
conda env create -f environment.yml

# 查看所有环境 / 删除环境
conda env list
conda remove -n myproject --all

建议装 Miniconda 而不是 Anaconda：Anaconda 预装了几百个包，体积 3G+；Miniconda 只有核心，按需安装。

什么时候必须选 conda：需要特定版本的 CUDA/cuDNN（深度学习训练）、需要 GDAL 这类难装的地理信息库、需要在同一台机器维护多个 Python 版本。

方案三：uv（2024 年后的新王）

Astral 公司（ruff 的作者）用 Rust 写的包管理器，速度比 pip 快 10-100 倍，正在迅速成为新标准。

# 安装 uv（Windows PowerShell）
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

# 创建项目（自动生成 .venv、pyproject.toml）
uv init myproject
cd myproject

# 装包（秒装，第一次用会惊到）
uv add requests pandas

# 运行脚本（自动用项目环境，不用手动激活）
uv run main.py

# 锁定依赖（生成 uv.lock，保证全团队环境一致）
uv lock

uv 最大的改进是把 venv、pip、pyproject.toml、锁定文件整合成一套连贯的工作流，以前要四五个工具配合的事，现在一个命令搞定。

怎么选：一张决策表

你的情况	推荐
纯 Python 项目，图省心	venv
深度学习/数据科学，要 CUDA	conda
新项目，追求速度和现代工作流	uv
团队协作、要锁定依赖版本	uv
老旧项目维护	跟着项目原来的方案走

新手建议：从 venv 学起理解原理，新项目直接上 uv，碰到 CUDA 相关的再上 conda。三者概念相通，切换成本很低。

常见坑排查清单

1. 装了包却提示 ModuleNotFoundError

90% 的原因是：包装在了 A 环境，程序却在 B 环境运行。排查：

# 看当前 python 在哪
python -c "import sys; print(sys.executable)"

# 看包装在了哪
pip show 包名 | findstr Location

两个路径对不上就是环境问题。

2. Windows 激活脚本报错「禁止运行脚本」

PowerShell 执行策略限制，管理员身份运行一次：

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

3. 虚拟环境目录要不要提交 Git

不要。.venv/ 动辄几百 MB，应该加进 .gitignore，用 requirements.txt 或 uv.lock 传递依赖信息。

4. IDE 里代码飘红但命令行能跑

IDE 用的解释器和命令行不是同一个。VS Code 按 Ctrl+Shift+P → Python: Select Interpreter，选项目 .venv 里的那个。

5. requirements.txt 写成一团乱

手动维护比 pip freeze 更好——freeze 会把所有间接依赖都写进去。推荐只写直接依赖：

requests>=2.31
pandas>=2.0

写在最后

虚拟环境是 Python 工程化的第一课。养成习惯：每个新项目第一件事就是建虚拟环境。项目越多的老司机越清楚——今天你省下的 30 秒，就是明天某次神秘报错时要还的债。