conda环境管理实战：从创建环境到Jupyter运行NumPy

这可能是很多人在学习数据分析时遇到的第一个“隐形坎”：课程视频里，老师熟练地敲着命令，几秒钟装好了 NumPy，顺手打开了 Jupyter Notebook，然后开始写代码。你跟着做，却发现要么conda半天没反应，要么 Jupyter 打开之后一片空白，要么辛辛苦苦装好了库，第二天打开电脑又一个都找不到了。

我不是第一次看到有人在这里卡住。也不是第一次看到有人为了省事，把几十个库一股脑装进同一个环境里，最后发现 A 项目需要 pandas 1.5，B 项目因为别的原因只能用到 pandas 1.3，两边互相拉扯，整个环境变得像一个堆满旧家具的仓库。

所以这篇文章想花点篇幅，把“环境创建、安装 NumPy、启动 Jupyter、创建项目”这条链路完整走一遍。重点不是让你复制命令，而是讲清楚每一步背后的原因：为什么建议用 conda 而不是直接 pip install 到系统 Python，为什么 Notebook 启动后需要再关联环境，以及“创建项目”到底意味着什么。

1. 为什么说数据分析的第一步不是写代码，而是管理环境

1.1 一个真实到几乎每个人都遇到过的环境事故

先讲一个典型的场景。你电脑上可能已经装过 Python，可能是自己下载安装的，也可能是 Visual Studio 或其他软件顺带装进去的。某天你准备开始学数据分析，项目标题告诉你要安装 numpy、打开 jupyter。你打开命令行，输入：

pip install numpy

结果有几种可能：

• 报错：pip 不是内部或外部命令
• 显示已经安装，但用import numpy时提示找不到模块
• 安装成功了，但重启电脑或换一个终端窗口，又提示 module not found

这其实是同一个根源问题：你在哪个 Python 环境里，你安装的包就进到哪个环境里。如果终端里运行的 Python 和你 Jupyter 用的 Python 不是同一个，那么装一万次也还是“找不到”。

1.2 环境到底是什么：从 Python 解释器到依赖树

这里可以做一个很朴素的类比。把 Python 环境理解成一个房间，解释器是这个房间的“总负责人”，NumPy、pandas 这些库是房间里的工具。你执行pip install numpy，相当于把一个新工具放进了当前房间。

问题是，你电脑上不止一个房间。可能有 Python 自带的房间，有 Anaconda 创建的房间，甚至还有虚拟环境软件创建的多个房间。如果你在 A 房间放了一把扳手，却跑到 B 房间去找工具，结果自然是找不到。

这还不是全部。NumPy 本身还有版本要求，它和其他库之间可能存在复杂的依赖关系。比如某个库依赖 numpy 1.x，另一个库需要 numpy 2.x，如果都放在同一个房间里，后期就可能产生冲突。你装的时候一切正常，跑起来的时候才发现问题。

所以，环境管理的核心不是“装一个软件”，而是做两件事：

1. 明确当前这个项目的 Python 解释器是哪个。
2. 让不同项目之间互相隔离，互不污染。

这也是为什么课程标题里先写“环境创建”，再写“安装 numpy”。没有环境意识，后面每一步都可能踩坑。

2. 用 conda 先造一个干净的数据分析工作区

2.1 选择 Anaconda 还是 Miniconda

很多教程会直接说“先安装 Anaconda”。Anaconda 是一个集成发行版，里面预装了 Python、NumPy、pandas、Jupyter 等两百多个常用包。优点是开箱即用，缺点是体积较大，安装过程也占时间。

如果只是想学习 NumPy 和 Jupyter，另一个更克制的方式是安装 Miniconda。Miniconda 只包含 conda 和一个最小化的 Python，后续按需安装自己需要的库。

我的建议是：

• 如果你希望尽量减少折腾，安装 Anaconda 也可以。安装完之后，很多库已经就位，初学者可以直接开始写代码。
• 如果你想保留对环境的掌控感，或者电脑空间紧张，建议 Miniconda。它更接近“从零搭建一个干净实验室”的原始路径。

两者在 conda 的基本命令上没有本质区别。下面所有步骤在两种环境下都通用。

2.2 创建环境不是“新建文件夹”那么简单

打开终端或 Anaconda Prompt，先确认 conda 可用：

conda --version

然后创建一个独立环境。环境名可以按照项目来取，比如>conda create -n>conda activate>which python which pip

在 Windows 上，对应命令是：

where python where pip

正常情况下，路径里应该包含>conda env list

这个命令会列出所有环境。当前环境前面会有一个星号标记。

注意：如果conda activate在当前终端不可用，先执行conda init初始化 shell，然后重新打开终端再试。

3. 安装 NumPy：这一步的坑不在安装本身

环境创建好后，安装 NumPy 本身是一个非常简单的事情。但真正的坑通常藏在“为什么装完还是不行”“为什么版本对不上”“为什么提示已经存在却不生效”这些看起来不像是安装问题的问题里。

3.1 先确认 Python 版本，再选安装方式

执行：

python --version

确认当前环境中的 Python 是 3.10 还是 3.11，这会决定 NumPy 安装的版本形态。NumPy 对不同 Python 版本有不同轮子包。

然后执行安装：

conda install numpy -y

如果项目教程或后续课程要求用 pip，也可以：

pip install numpy

这里有一个经验判断：既然环境是用 conda 创建的，那么优先使用conda install安装包含二进制依赖的科学计算库。原因是 conda 不仅管理 Python 包，也管理系统级依赖库，兼容性处理更严格。pip则主要处理 Python 包本身，部分包的底层依赖可能需要自己额外解决。

初期安装 NumPy 用 conda 就够。如果后面遇到 conda 源里找不到的包，再考虑 pip。

3.2 pip 和 conda 到底该用谁

一个容易产生混乱的点是：conda 环境里可以调用 pip，并且 pip 也会把包装进当前 conda 环境。但如果系统还装了别的 Python，命令行里的 pip 可能并不属于当前环境。

建议是统一原则：

• 创建环境用 conda。
• 优先用 conda 安装包。
• 只有 conda 没有的包，才用 pip 安装。
• pip 安装前，先确认当前环境里的 pip 路径正确。

少混用包管理器，环境会干净很多。

3.3 验证 NumPy 装没装好：比 print(np.version) 更重要的两件事

安装完成后，不要急着写复杂代码。先做两个验证：

第一个验证版本：

python -c "import numpy; print(numpy.__version__)"

如果能正常打印版本，说明 NumPy 已经可以导入。但这还不能证明它一定属于当前环境。

第二个验证路径，这一步很多人忽略：

python -c "import numpy; print(numpy.__file__)"

打印出的路径应该指向当前环境目录。如果路径显示的仍然是一个全局安装包，说明你用的 Python 不是当前环境的 Python。这个时候不是 NumPy 没装好，而是解释器选错了。

import numpy as np # 创建一个简单数组 arr = np.array([1, 2, 3, 4]) # 查看形状和数据类型 print(arr.shape, arr.dtype) # 简单运算 print(arr * 2)

如果这段代码能输出预期结果，说明 NumPy 的基本链路已经通了。

4. Jupyter Notebook 不是编辑器，是实验记录本

4.1 Notebook、JupyterLab 和普通 IDE 的定位差异

很多人第一次接触 Jupyter Notebook 时会问一个问题：它和 PyCharm、VSCode 有什么区别？

它们都能写 Python 代码，但定位很不同。

PyCharm 或 VSCode 更适合构建完整项目。你可以写包、写类、定义函数、调试脚本、运行测试，最终形成一个相对完整的软件工程结构。

Jupyter Notebook 更像一个实验记录本。它允许你把代码、输出结果、Markdown 说明、可视化图表混排在一份文档里。每一段代码都可以单独运行，单独看输出。这种交互方式特别适合探索式数据分析：你不用把整个程序跑完，可以先看看数据长什么样，再决定下一步怎么清洗、怎么建模。

JupyterLab 是 Notebook 的升级版界面。它保留了单元格交互，也顺便提供了文件浏览器、终端、文本编辑器等能力，整体更像一个轻量级工作台。

对数据分析新手来说，一开始使用 Notebook 足够。它降低了探索门槛，让你把注意力放在数据和思路上。

4.2 启动 Notebook 之前必须检查的三件事

很多人装好 Jupyter 后直接运行jupyter notebook，然后发现界面里导入 NumPy 报错，或者右下角显示内核连接失败。这类问题大多来自“环境没对应上”。

启动前建议依次检查三件事：

第一，确认 Jupyter 安装在哪里。

which jupyter

第二，确认当前环境中是否安装了 ipykernel。如果没有，需要安装：

conda install ipykernel -y

第三，为当前环境注册一个 IPython 内核。这一步很关键：

python -m ipykernel install --user --name=data-analysis --display-name "data-analysis"

做完这三步，再启动 Jupyter：

jupyter notebook

如果习惯用 JupyterLab：

jupyter lab

在 Notebook 右上角的 Kernel 菜单里，应该能看到一个名为>data-analysis/ ├── data/ # 原始数据 │ └── raw/ ├── notebooks/ # Jupyter Notebook 文件 ├── scripts/ # 可复用 Python 脚本 ├── outputs/ # 处理结果、图表 ├── requirements.txt # 项目依赖 └── README.md # 项目说明

不需要一上来就弄得很宏大，但建议至少区分：

• 数据放哪里。
• 分析文件放哪里。
• 输出结果放哪里。

这样做的核心价值在于：你不会在三个月后面对一个全部散落在桌面上的混乱目录，不知道哪个文件是当时的最终版本。

在项目目录下打开终端，然后创建环境、安装依赖，再启动 Jupyter。这里的习惯是：先进入项目目录，再启动 Jupyter。

cd>pip freeze > requirements.txt

第二种，用 conda 导出环境定义：

conda env export > environment.yml

两者各有侧重。requirements.txt 更通用，其他同事或另一台电脑可以用pip install -r requirements.txt来复现。environment.yml 更完整，包含 conda 的 channel 信息和部分系统级依赖，适合完整重建一个环境。

对刚开始接触数据分析的人来说，这个动作可能显得多余。但它的价值在于：环境也是项目的一部分。你写的代码能不能在别的地方运行，不只看代码本身，还要看依赖是否一致。

5.3 什么时候该重建环境而不是继续打补丁

有的人环境用了很久，里面装了几百个包，有 conda 装的，也有 pip 装的，新旧版本混杂，还有大量不认识的库。

要不要清理？我的建议是分情况。

如果环境里只是加了一些用不到但也不冲突的包，可以暂时不清理，至少还能用。但如果出现以下信号，就值得考虑重建一个环境：

• 新装一个包后，原来能运行的代码开始报错。
• conda install或pip install反复出现依赖冲突。
• 运行conda list时看到大量同一个包的不同版本残留。
• 你根本不记得某个环境是做什么用的。

重建方法也很简单：再创建一个新环境，按需装依赖，再把 notebook 跑一遍测试。不要试图在已经混乱的环境里做“大扫除”，那通常会浪费更多时间。

6. 一套适合新手但不过度工程化的落地方案

6.1 从零开始的完整操作序列

把前面所有步骤整合成一个可直接照做的顺序，大概是这样的：

1. 安装 Miniconda 或 Anaconda。
2. 执行conda create -n>