虚拟环境：别把依赖装乱了

前两章都是「打开编辑器就写」。这一章从工程实践开始——第一个要解决的是环境。

---

为什么会出问题

直接 pip install 会把包装进系统全局的 Python。刚开始没事，做到第三个项目时必然撞车：

项目 A 用 numpy 1.24，项目 B 依赖的某个库要求 numpy < 1.20。
同一台电脑上，两个项目没法同时正常跑。

这叫依赖冲突。而且全局环境越装越乱，最后你不知道哪个包是哪个项目要的，也不敢删。

解法：每个项目一个独立环境。

---

venv：Python 自带，够用

# 在项目目录里创建（.venv 是约定俗成的名字）
python3 -m venv .venv

# 激活
source .venv/bin/activate      # macOS / Linux
.venv\Scripts\activate         # Windows

# 激活后命令行前面会出现 (.venv)
pip install numpy pandas

# 退出
deactivate

激活之后，pip install 只装到这个目录里，和系统 Python 完全隔离。

判断有没有激活成功：

which python     # 应该指向 .venv/bin/python

---

记录依赖：让别人能复现

pip freeze > requirements.txt      # 导出当前环境的所有包和版本
pip install -r requirements.txt    # 在别的机器上还原

requirements.txt 应该提交到 git，.venv/ 目录绝对不要提交——它有几百 MB，而且换台机器就不能用了。

.gitignore 里加一行：

.venv/
__pycache__/
*.pyc

---

一个更好的习惯：区分「直接依赖」和「全部依赖」

pip freeze 会把所有间接依赖也列出来，几十上百行，看不出你真正需要什么。

更清晰的做法：手写一份只含直接依赖的文件

# requirements.txt
numpy>=1.24
pandas>=2.0
matplotlib

版本怎么写：

写法	含义	建议
numpy	任意版本	太松，别人装到新版可能跑不了
numpy==1.24.3	锁死	太紧，容易和别的包冲突
numpy>=1.24	最低版本	日常开发推荐
numpy>=1.24,<2.0	区间	已知大版本不兼容时用

---

其他工具（了解即可）

工具	特点
conda	能装非 Python 依赖（CUDA、编译库），做深度学习时常用
uv	新一代，速度极快，兼容 pip
poetry / pdm	依赖解析更严谨，适合正式项目

给初学者的建议：先用 venv 把习惯建立起来。 工具会换，「一个项目一个环境」这个原则不会变。

---

一个常见的坑：Jupyter 用的不是你以为的环境

在虚拟环境里装了包，Jupyter 里 import 却报错——因为 Jupyter 内核指向的是另一个 Python。

解决：

pip install ipykernel
python -m ipykernel install --user --name=myproject

然后在 Jupyter 里选择这个内核。

练习：给你之前写过的任意一个 Python 脚本建一个虚拟环境，装上它需要的包，导出 requirements.txt，然后 deactivate 再重新激活验证一遍。