Miniconda安装与Conda环境包管理命令实战教程

脚本专家

Conda 是一个跨 Windows、macOS 和 Linux 的包与环境管理工具，既能安装、运行、更新包及其依赖，也能创建、保存、加载和转换隔离环境。Anaconda 是面向科学计算的 Python 发行版，内置 conda、conda-build、Python 以及大量科学计算包；Miniconda 则是其轻量替代，默认只包含 conda、Python 和必要依赖。二者核心都是 Conda 系统，区别在于 Anaconda 预装套件多、硬盘占用更大，Miniconda 更节省空间，适合按需创建多个不同 Python 版本环境。

Python 项目常共享包，也容易冲突。例如项目 P1 依赖 NumPy 1.2，P2 依赖 NumPy 1.3，同一环境安装两个版本就会产生问题。解决办法是为项目创建独立虚拟环境。常见工具有 Virtualenv、Conda、pipenv、venv。本文围绕 Miniconda 安装、Conda 环境管理、包管理、镜像配置、环境导入导出，以及 Mamba 和 JupyterLab 的使用展开。

1. Miniconda 下载与安装
从 Anaconda 官网下载 Miniconda 后按向导安装。安装过程中主要选项：
Just Me (recommended)：只为我安装。
All Users (requires admin privileges)：为所有用户安装，需要管理员权限。
选择安装路径。
Create shortcuts：创建快捷方式，建议保持勾选。
Register Miniconda3 as the system Python 3.14：注册为系统默认 Python，不勾选。
Clear the package cache upon completion：安装完成后清理缓存，想省空间可勾选。

安装完成后，打开 Anaconda Powershell Prompt，若命令行提示符前出现 (base)，说明安装成功。可验证版本：

2. python -V
3. conda -V

复制代码

也可以把下面三个路径加入 PATH 环境变量，然后在 cmd 中使用：

2. E:\\miniconda3
3. E:\\miniconda3\\Scripts
4. E:\\miniconda3\\Library\\bin

复制代码

查看 conda 版本确认 Miniconda 是否可用：

2. conda --version

复制代码

2. Conda 基本命令
常用信息与清理命令如下：

2. conda --help                 # 查看帮助
3. conda info                   # 查看 conda 信息
4. conda --version              # 查看 conda 版本
5. conda update conda           # 更新 Conda，慎用
6. conda clean --all            # 清理不再需要的包和缓存
7. conda <指令> --help          # 查看某个指令的详细帮助
8. conda config --show          # 查看 conda 环境配置
9. conda clean -p               # 清理没有安装的包
10. conda clean -t               # 清理 tarball

复制代码

3. 环境管理
创建环境时，可以指定环境名和 Python 版本，也可以同时指定初始包：

2. conda create --name <env_name> python=<version> [package_name1] [package_name2] ...
3. conda create --name myenv python=3.10
4. conda create -n myenv python=3.10

复制代码

--name 可简写为 -n。激活与退出环境：

2. conda activate env_name
3. conda activate learn
4. conda deactivate

复制代码

查看所有环境：

2. conda env list

复制代码

删除环境：

2. conda remove --name <env_name> --all
3. conda remove --name learn --all

复制代码

克隆环境：

2. conda create --name <new_env_name> --clone <old_env_name>
3. conda create --name myclone --clone myenv

复制代码

4. 包管理
激活环境后，可用 conda 或 pip 安装包。不过在 Conda 环境中不建议优先使用 pip。安装包：

2. conda install numpy
3. conda install numpy=1.18

复制代码

更新包：

2. conda update numpy
3. conda update --all

复制代码

conda update --all 会更新所有包，需慎用。执行后 Conda 会对比版本并列出可升级项，同时提示相关包也会升级；出现 Proceed([y]/n)? 时输入 y 继续。

卸载包：

2. conda remove numpy

复制代码

列出当前环境所有包，或查看指定包：

2. conda list
3. conda list pip

复制代码

搜索可用包：

2. conda search package-name

复制代码

5. 通道配置
Conda 通道是查找和下载软件包的源。默认通道由 Anaconda 维护，包通常经过测试；Conda-Forge 是社区驱动通道，包数量大、更新快，适合需要较新版本的场景；Bioconda 面向生物信息学与生物数据分析。

查看已配置通道：

2. conda config --show channels

复制代码

添加通道：

2. conda config --add channels conda-forge

复制代码

通道按顺序搜索，前面的优先。可以设置严格优先级：

2. conda config --set channel_priority strict

复制代码

也可启用或禁用优先级：

2. conda config --set channel_priority true
3. conda config --set channel_priority false

复制代码

删除通道：

2. conda config --remove channels channel-name

复制代码

临时从指定通道安装，不修改全局配置：

2. conda install package-name -c conda-forge

复制代码

若团队需要共享包或托管私有包，可以自建 Conda 通道，使用 HTTP 服务器如 NGINX、Apache，或 Anaconda 企业方案。

6. 设置国内镜像
默认 Conda 服务器下载慢时，可以配置清华 TUNA 等镜像。方法一是命令行添加：

2. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
3. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
4. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
5. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
6. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
7. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2
8. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda
9. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo
10. conda config --set show_channel_urls yes

复制代码

添加后确认顺序：

2. conda config --show channels

复制代码

方法二是修改配置文件。Linux/macOS 为 ~/.condarc，Windows 为 C:\\Users\\<用户名>\\.condarc。Windows 不能直接创建 .condarc 时，可先执行：

2. conda config --set show_channel_urls yes

复制代码

生成文件后再修改。配置示例：

2. channels:
3.   - defaults
4. show_channel_urls: true
5. default_channels:
6.   - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
7.   - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
8.   - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
9. custom_channels:
10.   conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
11.   msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
12.   bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
13.   menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
14.   pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
15.   pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
16.   simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
17.   deepmodeling: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/

复制代码

然后清理索引缓存，确保使用镜像索引：

2. conda clean -i

复制代码

可安装包测试：

2. conda install numpy

复制代码

观察输出，确认包从镜像 URL 下载。

7. 环境导入与导出
导出当前环境为 YAML：

2. conda env export > environment.yml

复制代码

从 YAML 创建环境：

2. conda env create -f environment.yml

复制代码

8. PyCharm 中使用 Conda 环境
先创建项目所需虚拟环境：

2. conda create -n llamaindex-rag python=3.10

复制代码

创建项目时选择“自定义环境”，类型选 Conda，环境选 llamaindex-rag，然后创建。若项目还需要其他依赖，可到 Conda Powershell Prompt 中激活 llamaindex-rag，再用 pip 安装依赖。

9. Mamba 使用
Mamba 是管理 Conda 环境和包的开源工具，目标是解决 Conda 处理大型环境时的速度和性能问题。它与 Conda 兼容，使用高效 C++ 库进行依赖解析，支持并行下载安装，提供更直观的输出和进度条，几乎可以直接用 mamba 替换 conda 命令。

在已有 Conda 环境中安装 Mamba：

2. conda activate myenv
3. conda install mamba -n base -c conda-forge

复制代码

-n base 表示安装到 base 环境，这样可以在任何环境中使用 Mamba。常见替换：

2. mamba create --name myenv python=3.8
3. conda activate myenv
4. mamba install numpy
5. mamba update numpy
6. mamba remove numpy
7. mamba update --all

复制代码

Mamba 的优势是速度快、并行下载效率高、兼容 Conda 生态；局限是相对较新，某些边缘情况下可能不如 Conda 稳定，社区成熟度也不如 Conda。

10. JupyterLab 使用
JupyterLab 是基于 Web 的交互式开发环境，面向 notebooks、代码和数据，界面可配置，模块化设计支持扩展，常用于数据科学、科学计算、计算新闻和机器学习流程。使用 pip 安装：

2. pip install jupyterlab

复制代码

如果使用 conda 或 mamba 安装 JupyterLab，建议安装后启动：

2. jupyter lab

复制代码

整体来看，Conda 的核心价值是用环境隔离解决依赖冲突，用包管理统一安装、更新和卸载。实际使用中，建议为每个项目单独创建环境，用 environment.yml 记录依赖，用国内镜像加速下载；面对复杂依赖或大型环境时，可尝试用 Mamba 替代 Conda 执行安装和更新命令。