pip和conda管理依赖有什么区别

文章导读
pip 和 conda 的差别不在「谁更现代」,而在管理层次不同。pip 只面向 PyPI 上的 Python 包,把文件装进当前解释器的 site-packages,不管解释器本身,也不管包里依赖的系统库;conda 面向整个环境,Python 解释器版本、编译好的二进制运行库、部分非 Python 依赖都可以一起装。判断用哪个,先看当前环境是谁创建的、依赖里有没有需要编译或系统库支撑的部分,而
📋 目录
  1. Ⅰ 先确认当前场景和目标
  2. Ⅱ 按这个顺序处理
  3. Ⅲ 改完后怎么验证
  4. Ⅳ 容易忽略的边界
A A

pip 和 conda 的差别不在「谁更现代」,而在管理层次不同。pip 只面向 PyPI 上的 Python 包,把文件装进当前解释器的 site-packages,不管解释器本身,也不管包里依赖的系统库;conda 面向整个环境,Python 解释器版本、编译好的二进制运行库、部分非 Python 依赖都可以一起装。判断用哪个,先看当前环境是谁创建的、依赖里有没有需要编译或系统库支撑的部分,而不是凭习惯直接敲命令。

pip 解决 Python 包,conda 解决环境级包和二进制依赖。判断顺序建议是:先用 python -m pip -V 确认 pip 属于哪个解释器,再看依赖里是否包含需要预编译库的包;在 conda 环境里优先走 conda,装不到再用 pip,并且固定用 python -m pip 指定解释器。混用的边界是 pip 装的同名包可能覆盖 conda 版本,导致后续依赖解析冲突,改完要用 pip check、conda list 的来源列和实际 import 路径确认。

先确认当前场景和目标

问题成立的前提是:你手上有一个已经能跑起来的 Python 环境,或者正要新建一个,需要决定依赖该由 pip 还是 conda 装进去。动手之前先把下面几项确认清楚,否则很容易把包装进错误的解释器。

  • 解释器来源:执行 which python、python -V、python -m pip -V,看 pip 指向的路径是不是同一个解释器。路径不一致时,后续所有安装都会装错地方。
  • 环境是否由 conda 创建:conda info --envs 能看到环境列表,echo $CONDA_PREFIX 能看出当前激活的是哪个环境。
  • 依赖里有没有非 Python 部分:NumPy、SciPy、PyTorch、OpenCV、GDAL、psycopg2 这类包通常需要预编译的二进制或系统库,conda 往往能直接提供,pip 则依赖 wheel 或本地编译环境。
  • 是否需要交付给别人复现:已有 environment.yml 的团队走 conda 更顺;只维护 requirements.txt 的项目继续用 pip 加 venv 即可。

判断条件可以简化成两条:如果依赖全部是纯 Python 或都有可用的 wheel,且不需要锁定解释器版本,pip 配 venv 足够;如果需要固定 Python 版本、依赖里有需要编译的扩展或系统库,conda 更省事。两者都能用但要共存的场景,才需要下面的处理顺序。

按这个顺序处理

第一步永远是定位解释器,不是先装包。确认当前 shell 激活的是目标环境,并且 pip 归属正确:

which python
python -V
python -m pip -V
echo $CONDA_PREFIX
conda info --envs

第二步做分层判断。把依赖清单按「需要二进制或系统库」和「纯 Python」分成两类,前者交给 conda,后者交给 pip。分不清时可以先查一下目标包在 conda channel 里有没有对应平台的构建,有就先试 conda,没有再用 pip。

第三步固定安装顺序:在同一个 conda 环境里,先执行 conda install,再执行 python -m pip install,不要来回交替。交替安装会让后装的包在解析依赖时看不到另一侧的约束,冲突往往在升级某个包时才暴露。

pip和conda管理依赖有什么区别
# 已激活目标环境后执行
conda install -c conda-forge numpy pandas
python -m pip install requests

# 出错时优先用模块方式调用,避免 pip 指向系统解释器
python -m pip install --upgrade 包名

第四步记录当前状态,方便别人复现或自己回滚:

conda env export --from-history > environment.yml
python -m pip freeze > requirements-pip.txt

注意 pip freeze 在 conda 环境里会把 conda 装的包一并列出来,所以两个文件要区分用途:environment.yml 用于重建环境,requirements-pip.txt 只作为 pip 侧的补充记录,不建议直接拿去在别的环境里全量安装。

改完后怎么验证

装完不要只看命令有没有报错,要确认包真的落在了目标环境里、依赖声明之间没有互相矛盾。可以先跑一组检查:

python -m pip check
conda list
python -c "import numpy, sys; print(numpy.__version__, numpy.__file__); print(sys.executable)"

预期信号有三点:pip check 输出没有 broken requirements,说明已安装包之间的版本声明基本自洽;conda list 里关键包的 Channel 列能看出它是 conda 装的还是标记为 pypi,和你预期的分层一致;import 出来的模块路径落在当前环境的 site-packages 下,而不是系统 Python 目录。

如果这个环境要交付,建议再花一次成本做重建验证:新建一个空环境,按 environment.yml 装一遍,看能否成功并跑通最小 import。重建失败通常说明有包是 pip 装进去但没被记录,或者记录里带了当前平台专用的构建串。

容易忽略的边界

  • pip 覆盖 conda 包:在 conda 环境里用 pip 安装与已装包同名的包,会把 conda 版本替换掉,之后 conda install 或 conda update 可能报依赖冲突,或者把包换回原版本。出现这种情况先看 conda list 的 Channel 列,再决定是回退还是重建环境。
  • pip 装不了非 Python 依赖:需要系统库、编译器或 CUDA 运行时的包,pip 只能依赖 wheel 或本地已有环境,缺什么就得靠 conda 或系统包管理器补齐,pip 本身解决不了。
  • conda 不一定覆盖所有版本:较新的版本或小众平台可能还没构建,此时才回退到 pip,并在记录里注明来源,避免下次重建时版本漂移。
  • base 环境不建议装业务依赖:把项目依赖装进 base 后,环境之间互相影响,回退成本高。新项目单独开环境,用完可删。
  • 导出方式影响可移植性:conda env export 不带参数会写入精确构建串,跨平台重建可能失败;--from-history 只保留显式安装的包,通常更稳。
  • 权限与回退:不要用 sudo 往系统 Python 装包,确实需要时用 --user 或新建虚拟环境。已经装乱的环境,优先用 conda install --revision 回到上一个版本,或者直接从 environment.yml 重建,而不是逐个卸载修补。