本文详细阐述了如何在不安装Conda的情况下，利用Python的`pip`包管理器和虚拟环境来管理和安装项目依赖。通过创建独立的虚拟环境、激活环境并从`requirements.txt`文件安装Python包，提供了一种高效且标准化的替代方案，适用于主要依赖Python库的项目，确保依赖隔离与项目可移植性。
Python包管理概述：Conda与Pip
在Python生态系统中，conda和pip是两种常用的包管理工具，但它们的设计理念和功能范围有所不同。理解它们的区别对于选择合适的工具至关重要：
- Conda：是一个跨平台的开源包和环境管理系统。它不仅能管理Python包，还能管理非Python语言的包（如R、Ruby、Scala等）以及系统级的依赖（如MKL、CUDA）。Conda可以创建完全隔离的环境，包括不同版本的Python解释器本身。conda env create -f environment.yaml 是Conda特有的命令，用于根据environment.yaml文件创建和配置Conda环境。
- Pip：是Python的官方包安装程序，主要用于安装和管理Python包。它在特定的Python环境中运行，而不能管理Python解释器本身或非Python依赖。pip安装的包都位于当前激活的Python环境中。
因此，直接用pip或source命令替代conda env create -f environment.yaml是不可行的，因为它们是针对不同系统设计的命令。
使用Pip和Python虚拟环境安装依赖
对于不希望安装Conda，但仍需管理Python项目依赖的用户，pip结合Python虚拟环境是标准且推荐的解决方案。虚拟环境能够为每个项目创建独立的Python运行环境，避免不同项目间的依赖冲突。
立即学习“Python免费学习笔记（深入）”；
1. 为什么选择虚拟环境？
- 依赖隔离：每个项目拥有独立的包安装目录，避免全局Python环境被污染。
- 版本控制：不同项目可以使用不同版本的库，互不影响。
- 项目可移植性：通过requirements.txt文件，可以轻松地在不同机器上复现相同的开发环境。
2. 创建并激活虚拟环境
首先，您需要使用Python内置的venv模块来创建一个虚拟环境。
# 1. 创建虚拟环境 # 'myenv' 是您自定义的虚拟环境名称，可以替换为项目名 python3 -m venv myenv
创建完成后，您需要激活这个虚拟环境，以便后续的pip操作都在该环境中进行。
Linux AI 服务器 — 将 Linux 服务器转换为本地 AI 推理集群。使用 systemd、NVIDIA CUDA 实现无头 Linux AI，零 GUI 开销。
-
macOS/Linux 系统：
source myenv/bin/activate
-
Windows 系统：
myenv\Scripts\activate
当虚拟环境被激活后，您的命令行提示符通常会显示虚拟环境的名称（例如 (myenv)），表明您当前的操作都在这个独立的Python环境中。
3. 通过requirements文件安装Python包
一旦虚拟环境被激活，您就可以使用pip从一个requirements.txt文件安装所有项目依赖。requirements.txt是一个文本文件，其中列出了项目所需的所有Python包及其版本。
# 2. 通过requirements文件安装Python包 # 确保您已将项目的依赖列表整理成requirements.txt文件 pip install -r requirements.txt
示例代码块：
将上述步骤整合，一个完整的安装流程如下：
# 1. 创建虚拟环境 (将 'myenv' 替换为您的项目名称) python3 -m venv myenv # 2. 激活虚拟环境 # 如果是 macOS/Linux 系统： source myenv/bin/activate # 如果是 Windows 系统： # myenv\Scripts\activate # 3. 准备一个pip兼容的依赖文件 (例如，requirements.txt) # 假设您的项目依赖文件名为 requirements.txt，内容示例如下： # numpy==1.23.5 # pandas==1.5.3 # matplotlib>=3.5.0,<3.6.0 # scikit-learn # 4. 使用pip安装依赖 pip install -r requirements.txt # 安装完成后，您可以验证已安装的包 pip list # 当您完成工作并希望退出虚拟环境时： deactivate
关于Conda environment.yaml 文件的处理
原始问题中提到了environment.yaml文件。这是一个Conda特有的环境定义文件，其格式与pip的requirements.txt有所不同，并且可能包含Conda特有的配置（如channels、非Python依赖等）。
- 转换为requirements.txt：如果您的environment.yaml文件主要包含Python包，您可以手动将其中的Python包列表提取出来，并转换为requirements.txt的格式。例如，Conda文件中dependencies:下的Python包（如numpy=1.23.5）可以转换为pip兼容的格式（numpy==1.23.5）。
- 非Python依赖：如果environment.yaml中包含非Python的系统级依赖（如mkl、cudatoolkit等），pip无法直接安装这些。您需要为这些依赖寻找操作系统级别的安装方法，或找到pip兼容的Python轮子包（wheel package）替代。
- Conda渠道：environment.yaml中的channels配置（如conda-forge）是Conda独有的，pip不识别这些渠道。
重要提示：不能直接使用pip install -f environment.yaml或pip install -r environment.yaml来安装Conda环境文件。pip只接受requirements.txt或类似的纯包列表文件。
注意事项与最佳实践
- 始终使用虚拟环境：这是Python项目管理的黄金法则。它能有效隔离项目依赖，避免“依赖地狱”。
- 维护requirements.txt：在项目开发过程中，及时更新requirements.txt文件。您可以使用pip freeze > requirements.txt命令来生成当前环境中所有已安装包的列表。
- 了解pip的局限性：pip仅限于管理Python包。对于涉及复杂非Python依赖的项目，conda可能仍然是更合适的选择。
- 选择合适的工具：如果您的项目主要依赖Python库且不涉及复杂的系统级依赖，pip配合虚拟环境是轻量且高效的方案。如果项目需要特定的Python解释器版本、复杂的非Python库或跨平台环境管理，那么conda可能更具优势。
总结
尽管conda和pip是强大的包管理工具，但它们各有侧重且不直接兼容。对于不希望安装conda的用户，完全可以通过pip和Python虚拟环境来高效管理Python项目的依赖。关键在于理解这两种工具的差异，并遵循Python社区推荐的最佳实践——为每个项目创建并激活独立的虚拟环境，然后使用pip从requirements.txt文件安装所需的Python包。这种方法确保了项目环境的纯净、可复现性和可移植性。
