Anaconda介绍及常用命令总结

Anaconda学习小记

0 Anaconda初见

Anaconda是一个功能强大的数据科学平台。除提供pandas，numpy，matplotlib等强大的数据科学包外，也提供了conda这一简单易用的包与环境管理工具。conda可以实现包的安装与版本管理。更重要的时，借助conda，可以避免"环境搞乱了"的情况。因为conda可以创建虚拟环境environment，从而将不同的python (package)甚至是不同版本的python隔离开而不互相影响。

一些常见的指令如：
conda create -n myEnv python=3.8 创建虚拟环境，环境名为 myEnv
conda activate myEnv 激活/进入myEnv 环境
conda list 列出/查看当前环境的文件
conda install numpy pandas matplotlib 安装指定的包
conda --version 查看conda版本
conda upgrade --all 更新anaconda所有组件
conda env export 导出当前环境的依赖信息
conda env export > myEnv.yaml 导出依赖信息到yaml文件
conda env create -f myEnv.yaml 基于yaml文件创建环境
conda env list 列出当前机器的环境
conda env remove -n ENV_NAME 移除特定环境

1 Anaconda是什么

1.1 Anaconda Distribution是什么

Anaconda是一个用以管理python包和环境的工具，可以帮助用户轻松的进行install，upgrade，uninstall等操作。Anaconda可以创建多个互相隔离的虚拟环境，从而支持不同的开发项目。

conda或Miniconda对数据科学开发和研究具有很大帮助：

• Anaconda是"一步到位"式的数据科学开发套件，自带强大丰富的数据科学包；
• 使用conda可以有效管理python包和环境，可以创建多个虚拟环境使得数据科学开发环境更加清晰与易于管理。
  python包即为一系列模组的集合，其中每个功能模组都含有一系列的类与函数定义。安装包后，通过import即可使用python包与各类函数。

1.3 Anaconda与Miniconda

Anaconda在安装时将会安装python，conda，Anaconda Navigator，以及160+数量的python packetes等总计约500MB的内容。如果不需要这么多python packet，则可以选择安装Miniconda。Miniconda只含有python和conda这两个内容。

1.4 conda和pip

conda和pip都是python包(python packet)管理器，可用于安装各种python的包packet等。他们的区别主要在于：

• pip是python库library的默认包管理器工具。pip除了可以安装python包外，还能安装一些非python包。比如，pip可以安装任何列在PyPI（python packet index）中的包，此时pip的优势就体现出来了。
• conda则关注于Anaconda生态下的包。conda主要关注于anaconda生态下数据科学包的管理，而pip关注常规用处的python包。比如， anaconda可以管理numpy，scipy，scikit-learn等数据科学包，用以加速各种数学计算。但是anaconda并不是万能的，有时也会需要anaconda生态外的python包，这时候就需要使用pip来安装，管理这些包。

如今，在安装 Anaconda时，会默认同时安装pip和conda。
但也可能出现安装anaconda时未成功安装pip的情况，这时可以按一下方法处理：

• 查阅pip官方安装说明
• 通过conda安装pip conda install pip

1.5 环境管理

所谓的python环境一般包含特定版本以下内容：

• python interpreter 解释器
• python packet 包
• utility scripts 实体脚本 诸如pip conda等

在不同的环境中，其python版本，python packe，conda版本，pip版本可能完全不同。一个计算机中，可以同时虚拟地同时存在多个环境，也被称为虚拟环境virtual environment。anaconda中，默认环境称为base（root）。conda可用于创建，管理虚拟环境。除conda以外，也有一些成熟且受欢迎的虚拟环境管理器：virtualenv，pyenv。

虚拟环境可以保证各个项目的开发环境中的python包与虚拟环境彼此以及与默认系统环境相互隔离。在实际的开发环境中，可能用到某些库的不同版本。比如，项目中的部分代码可能使用具有新特性的最新版本numpy，而另一部分代码则可能使用具有已被删除特性的老版本numpy。而在同一个环境中，是不可能同时存在两个版本的不同numpy的。因此，需要为不同版本的numpy各创建一个虚拟环境，并在合适的环境中开发。

用户可以将环境中的包导出为一个清单文件，然后在代码中引用这个清单文件，就可以使用所有环境中已经安装的库。

2 Anaconda安装

安装Anaconda时会默认安装特定版本的Python。很多人可能有类似的疑问：我在
安装Anaconda前已经安装过某一版本的python了，这会有什么影响吗？不用担心，已有python时再安装Anaconda不会有任何影响！但需要注意的是，安装Anaconda后，已有的python脚本和程序都将以Anaconda的python版本去运行，也就是原来的python其实被隔离了！

安装Anaconda后，会默认安装一些内容:

• Python - 默认会安装最新版本
• Anaconda Navigatior - 基于GUI的包与环境管理接口
• Anaconda Prompt - （Windows用户）基于命令行的包与环境管理接口，可以使用conda命令行
  而对于Mac和Linux用户，则可以直接terminal中使用conda命令行 一系列其他应用，诸如Spyder，Jupyter
  Notebook等
• Spyder - 一个面向科学编程的IDE，自带160+的python科学包
• Jupyter Notebook则是一个交互式的基于Web的科学编程工具，其环境依赖Anaconda

在安装Anaconda后，可以先运行以下指令以更新包等各种依赖：
conda upgrade conda
conda upgrade --all

注意：严格来讲，只需--all即可，因为这个all已经包括conda。但部分朋友可能出现问题，所以建议同时使用两个命令行来更新anaconda。

3 Anaconda管理python package

3.1 安装package

可以通过conda安装python数据科学包，比如，以下指令用以安装numpy：
conda install numpy

也可同时安装多个包：conda install numpy pandas scipy
也可以指定安装的包的版本：conda install numpy=1.10

令人省心的是，conda在安装包时，可以自动解决包的依赖问题。比如，著名的科学计算包scipy需要numpy作为依赖，在没有事先安装numpy而直接用指令conda install scipy时，conda会自动安装numpy为scipy提供依赖。

3.2 删除package

可以通过conda来删除python包：conda remove PACKAGE_NAME

3.3 更新package

可以通过conda来更新python包：conda update PACKAGE_NAME
也可以一次更新一个环境中的所有包：conda update --all

3.4 搜索package

conda支持根据提供的信息搜索未安装的包以指导安装：
conda search *numpy*
conda search *SEARCH_TERM*

但部分shell可能会在运行搜索指令前拓展通配符*，导致命令失效，可添加引号解决：
conda search '*SEARCH_TERM*'

conda指令参考

conda command reference guide
A comprehensive cheat sheet of Conda 4.6 commands
A comprehensive cheat sheet of Conda version prior to 4.6 commands

4 Anaconda环境管理environment

4.1 创建environment

conda可用于创建虚拟环境以隔离项目，可用以下指令在terminal中创建虚拟环境：
conda create -n ENV_NAME [PYTHON=X.X] [LIST_OF_PACKETS]
其中-n ENV_NAME 指定虚拟环境的名称，-n即指定name，
举例：conda create -n myEnv python=3.8 numpy scipy keras
即创建名为myEnv，采用python3.8版本，带有numpy，scipy，keras库的虚拟环境。

需要注意的是，conda在创建一个初始虚拟环境时，将自动安装数据科学相关的常规标准库，如numpy，scipy，pandas等，除非额外在[LIST_OF_PACKETS]中指定目标库。

4.2 进入与退出environment

• 针对conda4.6以后版本，Linux/Mac/Windows端：
  conda activate ENV_NAME
• 针对conda4.6以前版本，Linux/Mac端：
  source activate MY_ENV
• 针对conda4.6以前版本，Windows端：
  activate MY_ENV

成功进入指定环境后，命令行前端会显示（MY_ENV）~ $
将activate改为deactivate，即可退出当前环境返回system环境，即base（root）

4.3 保存，导出与导入environment

anaconda允许创建多个虚拟环境以隔离多个不同环境依赖下项目的开发，同时也提供了一个便利的特性——环境信息的导出，以帮助开发环境的迁移。用以下指令在terminal导出环境依赖信息，包含python和packet的版本号等信息：
conda env export

也可以将依赖信息导出为一个YAML文件，以将环境依赖分享给其他开发者：
conda env export > myEnv.yaml
该YAML文件会默认写入当前的目录。

也可以根据其他人分享的YAML依赖信息文件本地创建新的环境，可用以下指令实现：
conda env create -f myEnv.yaml
该指令将根据指定YAML文件创建具有相同依赖信息的虚拟环境，该环境名称将与指定YAML文件中的虚拟环境名称相同。

对于没使用conda的用户，也可以通过pip实现依赖信息的导出与基于依赖信息的环境建立：
通过以下指令导出环境信息依赖txt文件：
pip freeze > myEnv.txt
通过以下指令根据环境依赖信息文件安装文件中的各种依赖：
pip install -r myEnv.txt

4.4 列出所有environment

有时可能创建了多个环境，以至于忘记了各环境的名称，这时可用以下指令查看当前机器中存在的虚拟环境，以协助环境管理：
conda env list
conda info --envs
运行后将显示虚拟环境的清单，而目前所处的环境将以星号* 标记。其中默认环境名称为base。

4.5 列出environment中的包

• 如果未进入目标环境：
  conda list -n ENV_NAME
• 如果已在目标环境：
  conda list
• 查看目标环境是否有特定包：
  conda list -n ENV_NAME PACKET_NAME

4.6 移除environment

可以移除不再使用的虚拟环境：
conda env remove -n ENV_NAME

4.7 environment参考

Managing virtual environments and packages with pip
Managing virtual environments with conda

5 Anaconda学习总结

本章介绍了以下内容：

• Anaconda的安装及基本概念
• Anaconda中通过conda进行python包的管理
• Anaconda中通过conda进行虚拟环境的管理
  为形成良好的编程习惯，为每一个项目单独创建一个虚拟环境对开发来说至关重要。这一习惯即使对非数据data项目（如Web App）也能十分有效的帮助管理开发环境。

最后，也推荐阅读以下内容以增进对anaconda的了解：

• 了解conda在python生态的影响： Conda myths and misconceptions
• 了解anaconda相关的各种术语：conda glossary documentation
• 了解conda下的环境管理：Manging Enviroments