只用来管理 Python 版本和虚拟环境，Miniconda 也是一个很好的选择

Anaconda 是一个面向数据科学的 Python 发行版，它打包了 Conda、Python 和一堆机器学习和人工智能相关和常用的包，而且还可以用来安装一些非 Python 编写的库。对于科学计算相关的用途非常方便，开箱即用。看起来很适合实验室或是学校机房使用……

对于常规的 Python 开发来说，Anaconda 太重了，而且主要面向科学计算领域，但是精简版的 Miniconda 却是一个很好的 Python 版本和虚拟环境管理工具。

更重要的是 Miniconda 兼容三个主流操作系统，而且不同平台使用同样的命令和接口（Conda 4.6 以上）。这大概算是个人偏好，因为我总在写东西给别人看，所以总是喜欢兼容主流操作系统并且接口统一的解决方案。而且另一方面 pyenv、virtualenvwrapper、direnv 等等相关替代工具都没有原生 Windows 支持。 

Miniconda 是什么

先来理清几个概念：

• Conda：包、依赖和环境管理器。
• Anaconda（某种蟒蛇的名字）：面向数据科学的 Python 发行版，包含 conda、conda-build、Python 和 100+ 常用的数据科学常用的库及其依赖。
• Miniconda：精简版的 Anaconda，也是一个 Python 发行版，只包含 conda、Python 和一些基本的包。

相关资源：

Miniconda 基本用法

首先你需要访问下载页面下载对应操作系统的安装包进行安装，Python 版本选择你想作为默认选项（base version）的版本。然后打开 Windows 下的 Anaconda Prompt 或是 Anaconda Powershell Prompt，Linux 或 macOS 直接使用终端程序。

下面是一些关键用法介绍，详细内容可以阅读 Conda 文档。

创建虚拟环境

使用 conda create 命令创建虚拟环境，使用 –name 选项（-n）指定虚拟环境名称：

使用 conda info 命令查看当前环境名称、Python 版本、虚拟环境文件夹位置、Conda 版本等等各种信息：

使用 –envs 选项（-e）查看所有已创建的虚拟环境。在列出的虚拟环境中，使用星号（*）标识的是当前激活的虚拟环境：

激活虚拟环境

使用 conda activate 命令激活虚拟环境，添加虚拟环境名作为参数：

激活以后会在命令行提示器前显示虚拟环境名称，比如：

不添加虚拟环境名称，就会重新激活基础环境（base）：

设置虚拟环境的 Python 版本

在创建虚拟环境的时候，可以使用 python 参数指定 Python 版本。假设你使用的 Miniconda 默认版本是 Python 3.7，如果你想创建一个 Python 2.7 的虚拟环境，使用下面的命令：

你可以在虚拟环境名加上标识方便识别 Python 版本，比如：

搭配 pip / Poetry 来管理依赖

因为 Conda 安装库的时候默认使用 Conda 自己的仓库，这里包含的 720 多个库除了流行的 Python 包外大多是数据科学相关的包。所以，更好的选择是使用官方 PyPI 仓库，这样可以确保你使用到最近更新的包，而且不会出现有些包找不到的情况。

我们要做的就是只用 Conda 的 Python 版本和虚拟环境管理功能，不用它来管理依赖。依赖管理（安装、卸载、更新等）仍然使用 pip 进行，或是进一步搭配 pip-tools 来管理依赖。

你需要在 conda 环境内使用下面的命令安装 pip：

或是统一使用下面的命令格式创建虚拟环境：

这样在执行 pip 命令时会使用虚拟环境内的 pip，而不是系统全局的 pip。这样做的副作用是会产生几个多余的依赖。

除此之外，你也可以搭配使用 Poetry。Poetry 默认会自动创建虚拟环境，所以需要关闭 Poetry 自动创建虚拟环境的设定，执行下面的命令即可：

按照我目前掌握到的信息，Miniconda 的优缺点总结如下：

• 用法简单，​易于上手
• 替代 pyenv+virtualenv/venv+virtualenvwrapper 的多个工具组合
• 类似 virtualenvwrapper，可以在任意位置激活虚拟环境，而不是必须在项目根目录
• 支持管理不同的 Python 版本
• 兼容性很好，支持 Windows

• 在 Windows 下，需要使用专用的命令行程序
• 依赖管理比较弱，需要搭配 pip/Poetry 来使用
• conda 和 pip/Poetry 组合存在潜在的冲突，但情况在改善

既然一个 Miniconda 就能很好的胜任 Python 版本管理和虚拟环境管理的任务，为什么要用 pyenv+virtualenv/venv+virtualenvwrapper 呢？遗憾的就是依赖管理功能不够完善，和 pip/Poetry 搭配使用则可能会有潜在的冲突。所以，推荐觉得 virtualenv/venv+pip 搭配太麻烦的初学者使用；推荐能接受 Conda+pip/Poetry 这种搭配的人使用；推荐使用 Python 做数据科学相关工作的人使用。

对比之下，最稳定的解决方案大概还是 virtualenv/venv+pip+其他工具……
（如果你发现了错误描述、有不同看法和想要补充的信息，欢迎评论。）