因为python虚拟环境遇到的坑

VSCode里Python开发环境配置:从pip换源到venv虚拟环境,新手避坑全记录 本文详细介绍了在VSCode中配置Python开发环境的完整流程,包括pip换源、venv虚拟环境创建与激活等关键步骤,特别针对新手常见问题提供了解决方案。通过清华大学等国内镜像源加速pip安装,使用.venv实现项目隔离,并解决PowerShell脚本执行策略等典型障碍,帮助开发者快速搭建高效的Python开发环境。 阅读详情

问题引起描述

  • 以前建立虚拟环境都是用pycharm建立的,在虚拟环境中安装第三方模块也是通过pycharm安装的。
  • 有时我也在pycharm建立的venv文件夹下,启动cmd,用pip install **来安装第三方包,以为也是安装在虚拟环境中了(这就是我遇到的坑,其实是安装在全局环境中了,因为没有激活虚拟环境)。
  • 最近我又通过pycharm在虚拟环境中安装了xlwings。然后在虚拟环境中启动cmd,启动jupyter(注意我的jupyter 是安装在全局环境中)。然后我以为这就是在虚拟环境中用jupyter 了,当我用xlwings模块时,提醒我没有此模块。

原因:

  1. 我的jupyter安装在全局环境中,我在虚拟环境中(不管激活与否)启动jupyter,都会在全局环境中启动jupyter,对应的安装包也是全局环境的。
  2. 之前由于我通过cmd在虚拟环境中安装第三方包时,都没有激活虚拟环境,所以尽管是在虚拟环境文件夹中启动的cmd,安装的第三方包还是安装在了全局环境中。

通过cmd构建虚拟环境

必要性

  1. 在做不同项目时,所需的包也不一样,有时还有版本限制。所以为了使不同项目有各自的python版本解释器、各自的包,与其他项目的包隔绝起来,虚拟环境就显得尤为重要了。
  2. 项目完成时,建立的虚拟环境文件夹可以删除,而不会影响其他项目的环境。

建立虚拟环境的方法

可以通过pycharm等软件建立,也可以通过命令行窗口建立。后者更具有灵活性,下面介绍后者。

  1. 在需要建立虚拟环境的磁盘中建立对应的文件夹。
    新建虚拟环境所在的文件夹
  2. 从cmd中cd到这个文件夹中。默认cmd是在c盘用户名中启动。
    启动cmd
  3. cd到我新建的文件夹。运行virtualvenv myvenv。注意要安装virtualvenv模块才行,否则报错。用pip list查看已安装模块,确实没有virtualvenv。
    运行virtualvenv命令报错
  4. 如果没有安装virtualvenv,需要pip install virtualvenv -i https://douban.pypi.com/simple 安装

pip安装virtualvenv
5. cd到我新建的文件夹中,执行 virtual myvenv,myvenv的虚拟环境就建好了。
6. cd到myvenv文件夹中的Scripts,并执行activate,就可以激活虚拟环境。激活后,虚拟环境前会有括号。如果要退出虚拟环境,执行deactivate。
7. 虚拟环境激活后,在用pip 安装或者卸载包,都是在虚拟环境中操作。
在虚拟环境中安装包

在虚拟环境中启动python的本质

虚拟环境激活后,在虚拟环境中执行python程序,使用的是虚拟环境的解释器。其实是把虚拟环境的变量放在了前面,会优先在虚拟环境中搜素。
激活虚拟环境的本质

从零构建Carsim线控转向仿真:模型搭建、算法集成与整车联动实战 本文详细介绍了从零开始基于Carsim和Simulink搭建线控转向仿真模型的完整实战流程。内容涵盖RWA前轮执行器动力学建模与PID控制、卡尔曼滤波器估算齿条力、HWA方向盘手感模拟算法设计,以及最终实现HWA与RWA闭环联动并进行整车仿真调试。通过分步拆解,帮助读者深入理解线控转向系统的核心原理与工程实现。 阅读详情

相关推荐

深入SVT SPI VIP配置:如何灵活控制CS间隔、数据帧大小与时钟频率(含代码片段)

本文深入探讨了SVT SPI VIP的高级配置技巧,包括精确控制CS信号间隔、突破数据帧大小限制以及动态时钟频率切换。通过实战代码片段和详细配置步骤,帮助验证工程师灵活应对复杂SPI协议验证场景,提升验证效率和覆盖率。特别适合需要处理非标准SPI时序和特殊数据帧的芯片验证项目。

weixin_27014595的博客 280

win下激活python虚拟环境及激活失败解决方案

win下激活python虚拟环境及激活失败解决方案

不会写代码 1万+

Unity 2022.3.3 LTS + Visual Studio 2022:手把手教你复刻《吸血鬼幸存者》核心战斗(附完整项目源码)

本文详细介绍了如何使用Unity 2022.3.3 LTS和Visual Studio 2022从零构建《吸血鬼幸存者》式战斗系统。通过图文开发教程,涵盖对象池优化、ECS架构雏形、2D物理碰撞控制等关键技术,帮助开发者高效复刻这款热门游戏的自动攻击与海量刷怪机制。

weixin_30721077的博客 458

52.python之创建虚拟环境

Python中的虚拟环境 Python 应用经常需要使用一些包,第三方包或者模块,有时需要依赖特定的包或者库的版本,所以不能有一个能适应所有 Python 应用的软件环境,很多时候不同的 Python 应用所依赖的版本是冲突的,满足了其中一个,另一个则无法运行,解决这一问题的方法是 虚拟环境。 虚拟环境是一个包含了特定 Python 解析器以及一些软件包的自包含目录,不同的应用程序可以使用不同的虚拟环境,从而解决了依赖冲突问题,而且虚拟环境中只需要安装应用相关的包或者模块,可以给部署提供便利 虚拟环境工

qq_41917061的博客 488

spoon工具的常用基础操作

先创建一个作业,这个作业流程,包括进行设置变量转换,查询结果输出转换,方便后续循环。整个流程写完后,执行作业5_执行整个流程,成功后,可以在数据库查看结果。,新建一个转换,excel表输入然后复制记录到结果,保存转换文件。这三个用户下 都有一张emp表 分别是 三个部门的用户信息。,新建一个数据库连接,变量命名用户名和密码。成功执行后,可以到保存的excel位置进行查看。emp表输入,可以进行预览查看数据有没有过来。输出到一直excel表,运行结果输出。,新建一个转换,拖拽。

qq_43583887的博客 5831

【数据挖掘】心跳信号分类预测 之 特征工程 —— 学习笔记(三)

三、特征工程 3.1 看书 常言道,“巧妇难为无米之炊”。在 ML 中,数据和特征将作“米”,模型和算法则为“妇”。若无数量充足的数据、良好表示的特征,再强大的模型也难以得到满意的结果 (garbage in,garbage out)。对于 ML 问题,数据和特征往往决定了结果的上限,而模型、算法的选择及优化则是在逐步接近该上限。 特征工程,顾名思义,是对原始数据进行一系列工程处理,将其提炼为特征,作为输入供算法和模型使用。在本质上,特征工程是一个表示和展现数据的过程。在实际中,特征工程旨在去除...

闻韶 3358

Python虚拟环境——安装、创建、激活、删除

Python虚拟环境——安装、创建、激活、删除

weixin_45075031的博客 2万+

【阿里云大模型高级工程师ACP习题集】2.9 大模型应用生产实践(下篇)

【摘要】这是我精心整理出对应的习题集,里面足足有 30 道题目,从基础概念到深度拓展,全方位覆盖章节重点、难点。不管你是想检验自己的学习成果,还是想针对薄弱环节进行强化训练,它都能完美适配!

davidkorhenn的博客 2233

python--pipenv--虚拟环境的一些缺陷

目标:使用虚拟环境时,调好之后,让项目作为包,在其它项目中使用 发现问题: 迁移时,无法在其他项目中直接使用,pipenv install也没用 只能在调用它的上层项目里,把包逐一加全了 如果有通过pipenv生成requests文件的办法就好了,我不知道,有知道的请指点一下,谢谢 ...

我不是庸医 508

手把手教你用TL431设计反激电源补偿器(附波特图调试技巧)

本文详细介绍了如何使用TL431设计反激电源补偿器,并提供了波特图调试技巧。通过实战经验分享,帮助工程师快速掌握补偿网络设计、分压电阻计算和稳定性判据,避免常见设计误区,提升电源稳定性与效率。

weixin_29201859的博客 377

Windows下Codex CLI binary报错排查与修复完整指南

在Windows开发环境中,命令行工具与图形界面应用的协同工作常常依赖于系统环境变量的正确配置。Codex CLI作为一款基于Node.js的智能编程命令行工具,其可执行文件(binary)的定位机制直接关系到桌面应用的正常启动。当用户执行npm更新或切换Node版本后,Codex CLI二进制文件路径可能发生漂移,从而触发“Unable to locate the Codex CLI binary”的报错。此类问题并非代码或账号异常,而是PATH路径、环境变量刷新及桌面应用缓存共同作用的结果。本文面向Wi

weixin_28718769的博客 304

python venv虚拟环境activate命令解析(激活虚拟环境原理)(PATH、VIRTUAL_ENV、Shell提示符PS1、sys.prefix和sys.base_prefix变量)

当使用venv创建虚拟环境时,会在虚拟环境目录下生成一个名为activate的脚本。这个脚本的主要功能是将当前的Shell环境切换到虚拟环境中,以便在其中运行Python代码和管理依赖库。activate并不会创建新的Python解释器,而是修改了当前Shell环境中的环境变量,使得命令行终端中的python和pip指向虚拟环境中的版本,从而实现对虚拟环境的“激活”。activateactivate脚本的核心作用是通过修改一系列环境变量,使得用户可以在虚拟环境中工作而不会影响全局环境。通过修改PATH。

Dontla的博客 5503

假期搞定!2026国社科申报AI全攻略指南:从选题到创新,7大核心要点手把手教你!

最后给大家推荐的400多所高校教师都在用的AI平台——高级学术版专业应用平台,集成了国际主流学术应用,以及ChatGPT、Claude、Gemini、Grok等Al大模型的高级版本平台,还有,可以辅助大家高效完成科研和学术写作任务,当然撰写硕博论文,课题、职称论文、国社科、国自然基金本子也是手拿把掐。你的任务是:用高度凝练的方式说明在(某一明确国家战略 / 政策方向,如:中国式现代化、共同富裕、基层治理现代化、数字中国、文化强国、国家安全等)背景下,我究竟要研究一个什么“具体而可操作的问题”。

智能AI让学术科研更容易 623

避坑指南:从0开始学习git,将python代码通过git部署到服务器,创建python3虚拟环境

写在前面 作为一个git小白,这几天学git,踩了不计其数的坑,现在就如何快速避坑,快速上手git,将代码部署到服务器,做个总结。这里,特别感谢我的郑学长,不厌其烦的为我解决各种大大小小的问题,太感动了! 1.学习git 我是在廖雪峰老师这里学习git知识,讲的通俗易懂。 坑1:Windows系统下,创建了文件,通过git commit -m上传时,报错。报错的原因是:unable to auto...

shuaishuaihyh的博客 1113

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python虚拟环境,nohup命令结合的时候遇到的坑

Python虚拟环境

cjl30804的博客 234

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Mac M1芯片下Python 3.12虚拟环境搭建避坑指南

优先用ARM64原生工具:Homebrew、Python 3.12、pip都选择明确支持ARM64的版本。隔离环境是王道:永远在虚拟环境中开发,避免污染系统Python。依赖安装先试wheel:优先使用或conda-forge源,减少源码编译失败概率。多版本管理用pyenv:如果需要切换Python 3.8/3.10/3.12,pyenv是最稳的选择。遇到问题先查架构:报错中出现“x86_64”“arm64”等关键词时,检查工具链是否匹配芯片架构。最后福利。

2502_92884473的博客 1557

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

手把手教你玩转 Python 虚拟环境:从入门到实战避坑指南

通过本文的学习,我们深入理解了 Python 虚拟环境的核心概念和实践方法。从避免版本冲突到实现环境隔离,虚拟环境是每个 Python 开发者必须掌握的重要技能。虚拟环境是包含独立 Python 解释器的目录,与环境变量完全不同每个项目创建专属虚拟环境,通过激活 / 停用控制环境切换使用 requirements.txt 管理依赖,实现项目的可复现性理解 PATH 变量的修改机制,掌握问题排查方法。

佑瞻的博客 811

关于virtualenv虚拟环境中python版本的坑

通过virtualenv创建了基于python3的虚拟环境,激活虚拟环境后发现执行程序时依然在用python2在解析,后折腾一番后发现原因是,虚拟环境中未pip install flask,导致执行程序时系统自动去加载系统默认的python2。折腾的经过如下: 通过如下两行命令分别创建基于python2和python3版本的两个虚拟环境: virtualenv -p /usr/bin/pyt...

o_8_o的博客 1万+

5分钟搞定Python虚拟环境配置(含避坑指南)

本文为Python开发者提供了一份快速配置虚拟环境的实用指南。通过对比venv、virtualenv和Conda等主流工具,详细讲解了使用内置venv模块创建、激活和管理虚拟环境的完整步骤,并针对常见问题如命令未找到、安装速度慢、IDE集成等提供了具体的避坑解决方案,帮助开发者高效隔离项目依赖,提升开发效率。

weixin_29294395的博客 685

VScode配置Python虚拟环境:Win11下venv实战与避坑指南

Python虚拟环境是解决项目依赖冲突、实现环境隔离的核心技术,其原理是通过创建独立的目录,包含专属的Python解释器和pip工具,实现包管理的完全隔离。这项技术的价值在于保障了开发环境的一致性,提升了项目的可维护性和团队协作效率,广泛应用于Web开发、数据科学和自动化脚本等场景。在Windows 11系统中,结合VScode这一主流编辑器进行配置,能显著优化开发工作流。本文聚焦于venv这一轻量级工具,详细解析了从环境创建、激活到VScode集成的完整流程,并针对PowerShell权限、依赖迁移等常见

weixin_33911824的博客 385

安装python虚拟环境踩过的坑

最近需要用到python的虚拟环境,先后尝试了pycharm和conda的虚拟环境,踩过一些些坑,整理成博客以备忘。 pycharm 我最先尝试直接用pycharm新建虚拟环境,建好了以后发现project和console都用了新环境的python,但是terminal还是旧环境的python。我一度以为是pycharm的小bug或者是还没apple成功。后来才发现pycharm里ter...

weixin_30845171的博客 312

python 虚拟环境打包exe方法及路过的坑

目录1、虚拟环境打包1.1打包流程1.2参考资料2、打成功但是运行出错2.1问题分析:2.2、修改spec文件后重新打包2.3、设置虚拟环境的环境变量后重新打包2.4、降低问题包的版本后重新打包 这是个python 打包的问题,关于python打包心得更多了,小白打包往往把一个很简单的程序打包成几百兆,但是现在我觉得完全没用必要。打包也可以很简单,方法如下: 1、虚拟环境打包 1.1打包流程 1、分析代码,用到了哪些依赖包; 2、新建一个虚拟环境,然后把需要的包安装上; 3、激活虚拟环境,在虚拟环境上测试,

静以修身,简以养德 3418

python编程实践:conda(mamba)虚拟环境的建立及踩坑

conda的虚拟环境真的非常实用,尤其是对于大的深度学习项目或者有许多不同功能的开发项目,给每个项目单独配一个环境,轻巧又容易管理,还能直接用别人配好的虚拟环境,非常方便。但是conda每次操作慢得要死,我写的体会文章,,已经阐述了用mamba完全替换conda,既解决了安装速度的问题,又解决了虚拟环境管理的问题,

lu_jianjun的专栏 1万+

使用python虚拟环境踩过的坑

安装python虚拟环境踩过的坑 最近使用python的虚拟环境,发现pycharm的terminal中无法安装包进入虚拟环境的包中,使用的是python3.5(我也不清楚是不是python的问题,原来可以虚拟环境也是可以安的)。 现在是解决方法: pychram解决方式 我最先尝试直接用pycharm新建虚拟环境,建好了以后setting中发现project用了新环境的python,但是terminal还是旧环境的python。我一度以为是pycharm的小bug或者是还没apple成功。后来才发现pyc

qq_42055399的博客 750

!!!Python虚拟环境改名后的坑!!!!

本来用的纯python环境下的虚拟环境,一时心血来潮,把电脑重新装了一遍,虚拟环境的目录也改了一下,结果虚拟环境再vscode中是可以使用,虚拟环境的python也正常,但使用pip安装包时一直提示错误,更奇怪的是,提示的错误显示的python是旧路径而pip是正确路径?否则直接使用pip的话,用的是全局变量anaconda的pip,但系统不会给提示!真的挺郁闷的,所以修改了虚拟环境下的activate的所有脚本中的路径,也不管用!找了网上好多资料都是乱七八糟,特别是中文的,都是答非所问!

hkmaike的专栏 705

在windows上安装python 虚拟环境遇到的一个坑

使用pip install virtualenv之后,试图通过virtualenv --no-download myenv创建一个python的虚拟环境 但是出现了一个问题,在最后一行报一个错: ...Installing setuptools, pip, wheel...done. Traceback (most recent call last): File "c:\python...

阅读之后,对你有帮助,那就点个赞再走吧 2534
上一篇: matplotlib中matlab风格画图其实也是面向对象方式
下一篇: pandas 导出到excel ,打开excel有错误,错误的提示为:发现“***”中的部分内容问题,是否让我们尽量尝试修复?如果您信任此工作簿的源,请单击“是”。
python_xiaofeng
博客等级 码龄5年 11粉丝 21原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

python_xiaofeng

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值