Anaconda 使用指南

Anaconda 是面向数据科学的 Python/R 发行版，内置了 Conda 包管理器、数百个常用科学计算包，以及 Jupyter Notebook 开发环境。它最核心的价值在于虚拟环境隔离：不同项目可以维护各自独立的 Python 版本和依赖，互不干扰。

本文覆盖 Conda 环境管理、包管理、Jupyter 使用技巧，以及常见问题排查。

安装与初始配置

从 anaconda.com 下载对应平台的安装包，安装时注意：

安装路径不能包含中文或特殊符号，否则部分包会报路径解析错误。安装时勾选"Add Anaconda to PATH"，省去手动配置环境变量的步骤。

安装完成后，在终端验证：

python -V           # 查看 Python 版本
conda --version     # 查看 Conda 版本
jupyter --version   # 查看 Jupyter 版本

配置国内镜像源

国内网络访问 Anaconda 默认源较慢，推荐切换到清华镜像：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

# 验证配置
conda config --show channels

虚拟环境管理

创建环境

# 指定 Python 版本
conda create -n myenv python=3.11

# 创建时同时安装常用包
conda create -n data python=3.11 numpy pandas matplotlib -y

-n 指定环境名称。默认安装位置由 conda config --show envs_dirs 决定，也可以用 -p /path/to/env 指定自定义路径。

查看、激活与删除

# 查看所有环境
conda env list

# 激活 / 退出
conda activate myenv
conda deactivate

# 删除整个环境
conda remove -n myenv --all

# 删除环境中某个包
conda remove -n myenv numpy

环境迁移与共享

团队协作时，通过 environment.yml 共享环境配置：

# 导出当前环境
conda env export > environment.yml

# 在新机器上还原
conda env create -f environment.yml

离线迁移（把整个环境打包复制）：

pip install conda-pack
conda pack -n myenv          # 生成 myenv.tar.gz
tar -xzf myenv.tar.gz -C /opt/myenv  # 目标机器解压

包管理

安装与卸载

# conda 安装（不需要先激活环境）
conda install -n myenv numpy

# 激活后用 pip 安装（pip 必须在激活状态下使用）
conda activate myenv
pip install requests

# 更新 / 卸载
conda update numpy
conda remove numpy
pip uninstall numpy

conda install 会自动解决依赖冲突，且可以不激活环境直接为指定环境安装；pip 则需要先激活目标环境，只管理当前 Python 的包。两者可以混用，但优先用 conda。

查看与搜索

conda list                  # 列出当前环境所有包
conda search pandas         # 搜索包（支持模糊匹配）
conda update --all          # 更新当前环境所有包
conda update -n base conda  # 更新 Conda 自身

Jupyter Notebook

启动

jupyter notebook                  # 默认端口 8888
jupyter notebook --port 8889      # 指定端口
jupyter notebook --no-browser     # 只启动服务，不打开浏览器

单元格类型与快捷键

Jupyter 的基本单位是单元格（Cell），分两种：

Code Cell：写代码，Shift+Enter 执行
Markdown Cell：写文档，Shift+Enter 渲染

常用快捷键（命令模式，先按 Esc）：

快捷键	功能
`A`	在上方插入单元格
`B`	在下方插入单元格
`X`	删除当前单元格
`Z`	撤销删除
`Y`	切换为 Code 类型
`M`	切换为 Markdown 类型
`Shift+Enter`	运行并跳到下一格
`Ctrl+Enter`	运行，留在当前格

为虚拟环境注册内核

默认情况下 Jupyter 只能使用 base 环境的内核。要在 Jupyter 中切换到某个虚拟环境，需注册内核：

conda activate myenv
pip install ipykernel
python -m ipykernel install --name myenv --display-name "Python (myenv)"

# 查看已注册的内核
jupyter kernelspec list

# 删除不再需要的内核
jupyter kernelspec remove myenv

之后在 Jupyter 界面的 Kernel → Change kernel 菜单中即可选择该环境。

魔法命令

Jupyter 提供以 % 或 %% 开头的魔法命令，在代码单元格中直接使用：

%timeit sum(range(10000))     # 对单行代码计时
%%timeit                       # 对整个单元格计时
for i in range(10000):
    pass

%matplotlib inline            # 在 Notebook 内嵌显示图表
%run script.py                # 执行外部脚本
%load_ext autoreload          # 开启模块热重载
%autoreload 2

完整工作流示例

以下是从创建环境到运行分析的完整流程：

### 创建并激活环境 ```bash conda create -n analysis python=3.11 pandas numpy matplotlib seaborn jupyter -y conda activate analysis ``` ### 注册 Jupyter 内核 ```bash python -m ipykernel install --name analysis --display-name "Data Analysis" ``` ### 启动 Jupyter 并编写分析代码 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline data = pd.read_csv("dataset.csv") data.describe() ``` ### 导出环境配置，方便复现 ```bash conda env export > environment.yml ```

常见问题

激活环境后命令仍用的是 base Python：检查是否已执行 conda init 并重启终端。Windows 上建议用 Anaconda Prompt 而非系统 PowerShell。

包安装卡在 Solving environment：更换镜像源（见上文），或用 --no-channel-priority 参数降低依赖解析严格度。

Jupyter 中看不到注册的内核：确认 ipykernel 安装在目标虚拟环境中，而非 base 中，然后重启 Jupyter 服务。

最后更新于 2026-06-27

NumPy 使用指南