直接用conda create -n ds python=3.11 numpy pandas matplotlib jupyter创建最小可行数据科学环境，显式指定Python版本避免兼容问题，仅安装核心四库，不引入Anaconda冗余包，激活后可立即验证import和Jupyter启动。
直接用 conda create 创建一个带 numpy、pandas、matplotlib 和 jupyter 的干净环境，不装 Anaconda 那套冗余包，5 分钟内搞定。
创建最小可行数据科学环境
所谓“极简”，就是只装真正要用的库，不碰 scipy、seaborn、statsmodels 这类按需才加的依赖。执行以下命令：
conda create -n ds python=3.11 numpy pandas matplotlib jupyter
说明：
-
-n ds是环境名，可替换成你喜欢的，比如py311-ds - 显式指定
python=3.11（而非默认最新版），避免后续因 Python 小版本跳变引发兼容问题 - 不加
--yes参数，留出确认环节，防止误操作覆盖已有环境 - 如果提示
Proceed ([y]/n)?，输入y回车即可
激活后立刻验证是否可用
环境创建完不等于能用——得确认 Jupyter 能启动、基础库能 import。分两步走：
立即学习“Python免费学习笔记（深入）”；
conda activate ds<br>python -c "import numpy, pandas, matplotlib.pyplot as plt; print('OK')"
常见错误现象：
-
ModuleNotFoundError: No module named 'matplotlib'：说明安装中途断过，或镜像源没配好，重试前先conda clean --all - Jupyter 启动报
command not found：检查是否漏装jupyter，或当前 shell 没激活ds环境（终端左括号里没显示(ds)） - 运行
jupyter lab卡在 “Building jupyterlab…”：大概率是 Chromium 内核缺失，改用jupyter notebook更轻量
为什么不用 pip install？
在 conda 环境里混用 pip 安装核心数据科学库，容易触发二进制不兼容。例如：
-
pip install numpy可能拉来 OpenBLAS 编译版，而 conda 默认用 Intel MKL 加速，两者共存会静默降速 -
pip install pandas有时装的是 wheel 版本，缺失 conda 渠道的平台特定优化（尤其 Apple Silicon 上） - 一旦用
pip覆盖了 conda 安装的包，conda list仍显示版本，但conda update就不再管它了，后续维护变黑洞
结论：初始环境用 conda install，后续扩展如要装 langchain 或 duckdb 这类非科学计算主干库，再考虑 pip。
删错环境或想重来怎么办
Miniconda 的优势之一就是“坏了就删”。误删 base 环境？不会——conda remove -n ds --all 只动指定环境。但要注意：
- 删除前确保没在该环境中运行 Jupyter 或其他进程，否则文件被占用会失败
- 删完别忘了
conda env list确认列表里已无ds - 重装时不用
conda clean，但建议加--force-reinstall参数避免缓存干扰：conda create -n ds --force-reinstall python=3.11 numpy pandas matplotlib jupyter
最易被忽略的一点：Mac M1/M2 用户若装了 Intel 版 Miniconda（x86_64 pkg），即使环境创建成功，matplotlib 渲染也可能崩溃——必须确认安装包架构与芯片匹配。
