python中虚拟环境创建的主流方式详细操作指南
作者：老兵发新帖
这篇文章主要为大家详细介绍了python中虚拟环境创建的主流方式详细操作,并结合适用场景和核心特性进行对比,有需要的小伙伴可以了解下
一、内置标准库方案：venv
适用场景：Python 3.3+ 项目，轻量级隔离需求
操作步骤：
创建环境：
python -m venv myenv # Windows/Linux/macOS 通用1,2,6
生成目录结构：myenv/（含 Scripts/ 或 bin/、Lib/ 等）
激活环境：
- Windows：myenv\Scripts\activate
- Linux/macOS：source myenv/bin/activate
激活后命令行显示 (myenv) 前缀。
退出环境：
deactivate
优势：
- 无需额外安装，Python 自带
- 支持 --without-pip（跳过 pip 安装）、–system-site-packages（复用系统包）等参数
二、第三方工具方案
1.virtualenv（兼容旧版 Python）
适用场景：Python 2.7 或 3.3 以下版本
操作步骤：
pip install virtualenv # 安装工具5,9 virtualenv myenv # 创建环境 source myenv/bin/activate # 激活（Linux/macOS） myenv\Scripts\activate # 激活（Windows）9,10
优势：
- 支持更旧的 Python 版本
- 可通过 --no-site-packages 创建纯净环境
2.pipenv（依赖管理+虚拟环境）
适用场景：项目依赖精细管理
操作步骤：
pip install pipenv # 安装工具5,7 pipenv --python 3.8 # 创建环境并指定 Python 版本 pipenv shell # 激活环境 pipenv install requests # 安装包（自动更新 Pipfile）7
优势：
- 自动生成 Pipfile 和 Pipfile.lock 管理依赖
- 整合虚拟环境与包安装流程
3.conda（科学计算生态）
适用场景：数据科学/跨语言依赖
操作步骤：
conda create --name myenv python=3.9 # 创建环境5 conda activate myenv # 激活 conda install numpy # 安装包
优势：
- 支持非 Python 依赖（如 C 库）
- 适合 Anaconda 生态用户
三、工具对比与选型建议
| 工具 | Python 版本 | 依赖管理 | 适用场景 |
|---|---|---|---|
| venv | 3.3+ | 需手动 pip | 轻量隔离、标准项目 |
| virtualenv | 全版本兼容 | 需手动 pip | 旧版 Python 支持 |
| pipenv | 3.5+ | 自动锁版本 | 复杂依赖控制 |
| conda | 全版本 | 跨语言管理 | 数据科学/多语言项目 |
四、最佳实践
1.依赖固化：
pip freeze > requirements.txt # 生成依赖清单8,10 pip install -r requirements.txt # 重建环境
2.IDE 集成：
VS Code/PyCharm 可直接选择虚拟环境解释器
3.目录规范：
虚拟环境目录名建议：.venv 或 venv（避免提交至 Git）
提示：优先使用 venv（Python 3.3+）或 pipenv（需依赖管理），旧项目维护选 virtualenv，科学计算选 conda。激活后注意命令行提示符变化，避免全局环境误操作。
到此这篇关于python中虚拟环境创建的主流方式详细操作指南的文章就介绍到这了,更多相关python虚拟环境创建内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！