python的几种虚拟环境创建方式

以下是 Python 虚拟环境创建的几种主流方式及其详细操作指南，结合适用场景和核心特性进行对比：

🛠️ 一、内置标准库方案：venv

适用场景：Python 3.3+ 项目，轻量级隔离需求
操作步骤：

1. 创建环境：

python -m venv myenv # Windows/Linux/macOS 通用1,2,6

· 生成目录结构：myenv/（含 Scripts/ 或 bin/、Lib/ 等）

2. 激活环境：

· Windows：

myenv\Scripts\activate

· Linux/macOS：

source myenv/bin/activate

激活后命令行显示 (myenv) 前缀。

3. 退出环境：

deactivate

优势：

· 无需额外安装，Python 自带

· 支持 --without-pip（跳过 pip 安装）、–system-site-packages（复用系统包）等参数

📦 二、第三方工具方案

1. virtualenv（兼容旧版 Python）

适用场景：Python 2.7 或 3.3 以下版本
操作步骤：

pip install virtualenv # 安装工具5,9
virtualenv myenv # 创建环境
source myenv/bin/activate # 激活（Linux/macOS）
myenv\Scripts\activate # 激活（Windows）9,10

优势：

· 支持更旧的 Python 版本

· 可通过 --no-site-packages 创建纯净环境

2. pipenv（依赖管理+虚拟环境）

适用场景：项目依赖精细管理
操作步骤：

pip install pipenv # 安装工具5,7
pipenv --python 3.8 # 创建环境并指定 Python 版本
pipenv shell # 激活环境
pipenv install requests # 安装包（自动更新 Pipfile）7

优势：

· 自动生成 Pipfile 和 Pipfile.lock 管理依赖

· 整合虚拟环境与包安装流程

3. conda（科学计算生态）

适用场景：数据科学/跨语言依赖
操作步骤：

conda create --name myenv python=3.9 # 创建环境5
conda activate myenv # 激活
conda install numpy # 安装包

优势：

· 支持非 Python 依赖（如 C 库）

· 适合 Anaconda 生态用户

🔍 三、工具对比与选型建议

工具 Python 版本 依赖管理 适用场景
venv 3.3+ 需手动 pip 轻量隔离、标准项目
virtualenv 全版本兼容 需手动 pip 旧版 Python 支持
pipenv 3.5+ 自动锁版本 复杂依赖控制
conda 全版本 跨语言管理 数据科学/多语言项目

💡 四、最佳实践

1. 依赖固化：

pip freeze > requirements.txt # 生成依赖清单8,10
pip install -r requirements.txt # 重建环境

2. IDE 集成：

· VS Code/PyCharm 可直接选择虚拟环境解释器

3. 目录规范：

· 虚拟环境目录名建议：.venv 或 venv（避免提交至 Git）

提示：优先使用 venv（Python 3.3+）或 pipenv（需依赖管理），旧项目维护选 virtualenv，科学计算选 conda。激活后注意命令行提示符变化，避免全局环境误操作。