在 macOS 上推荐用 Miniconda 管理科学计算环境，先创建独立环境（如 conda create -n science python=3.11），再用 conda 安装核心包，必要时用 pip --no-deps 补充，最后通过 environment.yml 导出与复现环境。
在 macOS 上用 Anaconda 管理科学计算依赖环境，核心是利用 Conda 的跨平台环境隔离能力，避免系统 Python 与科研包（如 NumPy、PyTorch、SciPy）之间的版本冲突和权限问题。
安装 Anaconda 或 Miniconda（推荐 Miniconda）
Anaconda 体积大（约 3GB），预装大量包；Miniconda 更轻量（约 50MB），只含 Conda 和 Python，适合主动控制依赖。访问 conda 官网 下载 macOS 对应版本（Apple Silicon 芯片选 arm64，Intel 芯片选 x86_64）。安装后终端会自动加载 conda 命令，可通过 conda --version 验证。
创建专用的科学计算环境
不建议在 base 环境中直接安装科研包。用以下命令新建一个带指定 Python 版本的干净环境：
-
conda create -n science python=3.11（创建名为 science 的环境，Python 3.11） -
conda activate science（激活该环境，提示符前会出现 (science)） -
conda install numpy pandas matplotlib scikit-learn（批量安装常用科学计算包）
Conda 会自动解析依赖并安装兼容版本，比 pip 更擅长处理 Fortran/C 扩展（如 SciPy）和二进制兼容性问题。
混用 Conda 与 Pip 的注意事项
当某个包仅在 PyPI 提供（如 optuna 或较新的 transformers），可在已激活的 conda 环境中用 pip 安装，但需遵守顺序：
- 先用 conda 安装尽可能多的核心依赖（如 numpy、pytorch）
- 再用
pip install --no-deps安装 pip-only 包（避免覆盖 conda 已管理的底层库） - 切勿在 conda 环境中运行
pip install后又执行conda update --all，可能引发冲突
若出错，可快速回退：conda deactivate && conda env remove -n science，再重建环境。
环境导出与复现（团队协作/部署必备）
用以下命令生成可复现的环境文件：
-
conda env export > environment.yml（导出含精确版本号的完整环境） -
conda env create -f environment.yml（在另一台 macOS 机器上一键重建）
如需精简（去掉 build 号等平台相关字段），可用 conda env export --from-history > environment.yml，它只记录你手动执行过的 conda/pip install 命令，更利于跨平台共享。
不复杂但容易忽略：每次新开终端需重新 conda activate science；可将 conda activate science 加入 ~/.zshrc 实现默认激活（仅限日常开发，非生产环境推荐）。
