代码收藏家技术教程 2025-02-21

Windows 11 下 Python 版本管理的 “三剑客” 协同秘籍:Anaconda、Virtualenv 与 Pipenv 的最佳协同实践

一、引言

在 Windows 11 系统的 Python 开发进程中，高效且精准的版本管理至关重要。伴随项目的日益繁杂以及对 Python 环境的严苛要求，Anaconda、Virtualenv 和 Pipenv 这三款工具脱颖而出，它们彼此协作，为开发者呈上一套行之有效的 Python 版本管理策略，助力开发者从容应对多版本管理与复杂依赖关系的挑战。

以下是一些在 Windows 11 上进行 Python 版本管理的方案：

使用官方安装程序

优点：简单直接，从 Python 官方网站可以轻松下载到各个版本的 Python 安装包，适合初学者。

缺点：若需频繁切换版本，每次都要手动运行不同的安装程序，较为繁琐，且可能会出现环境变量冲突等问题。

操作方法：访问Python 官方网站，在首页的 “Downloads” 部分，选择适合 Windows 11 的 Python 版本下载安装。安装时勾选 “Add Python to PATH” 选项，方便在命令行中直接调用。

使用 pyenv-win

优点：可以方便地安装、切换和管理多个 Python 版本，命令行操作简单。

缺点：安装过程中可能会遇到一些环境配置问题，需要一定的技术基础来解决。

操作方法：在终端执行pip install pyenv-win --target D:\software\pyenv下载，将D:\software\pyenv替换为你想要下载到的文件目录。然后编辑系统环境变量，新增变量名pyenv，变量值为D:\software\pyenv\pyenv-win，并在Path变量中添加%pyenv%\bin和%pyenv%\shims。

使用 Conda

优点：不仅可以管理 Python 版本，还能方便地进行包管理和环境管理，适用于数据分析、科学计算等领域2。

缺点：安装包较大，对于只需要管理 Python 版本的用户来说可能有些冗余。

操作方法：可以选择安装 Anaconda 或 Miniconda。访问Anaconda 官方网站或Miniconda 官方页面，下载适合 Windows 11 的安装包并运行安装程序，在安装过程中可选择是否将其添加到系统PATH环境变量中。

使用 py 启动器

优点：Windows 系统自带，无需额外安装，使用简单。

缺点：功能相对有限，只能在一定程度上选择已安装的 Python 版本。

操作方法：安装 Python 时默认会安装py启动器，在命令行中输入py -3.6等命令可启动指定版本的 Python，若只想使用默认版本，只需输入py。

使用 asdf-python

优点：轻巧高效，能轻松在不同版本的 Python 之间切换，支持自动化安装默认 Python 包，遵循简单的命令行界面，易于理解和操作。

缺点：需要先安装 asdf 版本管理器，且对其使用方法需要一定的学习成本。

操作方法：先安装 asdf 版本管理器，再安装 asdf-python 插件，具体安装方法可参考asdf-python 项目地址。

使用虚拟环境

优点：可以在项目目录中创建独立的 Python 运行环境，避免不同项目之间的包混淆和版本冲突。

缺点：需要手动创建和激活虚拟环境，对于每个项目都需要进行相应的配置。

操作方法：使用 Python 内置的venv模块或第三方工具如virtualenv来创建虚拟环境。例如，使用venv模块时，在命令提示符中导航到项目目录，运行python -m venv myenv创建虚拟环境，然后通过myenv\Scripts\activate激活虚拟环境。

管理方案	优点	缺点	适用场景	安装复杂度	命令行操作复杂度	环境隔离程度	包管理便利性	与其他工具集成度	社区支持与文档完善程度
官方安装程序	– 简单直接，容易上手，无需额外学习成本 – 能保证获取到官方原汁原味的 Python 版本	– 切换版本繁琐，需多次手动安装不同版本 – 易出现环境变量冲突，不同版本共存时可能覆盖路径等问题 – 难以实现项目级别的环境隔离	– 初学者学习 Python 基础 – 只需要偶尔使用单一 Python 版本的简单应用场景	低，只需从官网下载安装包并运行安装向导，按提示操作即可	低，直接在命令行输入`python`或`python.exe`相关命令调用，但切换版本操作不便（需修改环境变量指向等）	差，基本依靠系统全局环境，不同项目使用同一 Python 安装目录，易产生依赖冲突	仅依赖`pip`进行包管理，无额外集成优势	能与常规基于 Python 的开发工具配合，但无特殊集成优势	高，Python 官方文档对其安装、基本使用等有详细说明
pyenv – win	– 方便安装、切换、管理多个 Python 版本，可灵活指定版本号切换 – 命令行操作相对简洁直观，能快速切换全局或局部 Python 版本	– 安装过程可能遇到环境配置问题，如路径设置不当影响其正常使用 – 依赖特定的环境变量配置，修改不当可能失效	– 开发者需要频繁在不同 Python 版本间切换开发、测试不同项目 – 对 Python 版本有严格要求且需快速切换的项目场景	中等，需安装`pyenv-win`，并配置相关环境变量，按照文档步骤有一定技术门槛	中等，掌握常用的`pyenv install`（安装版本）、`pyenv global`（设置全局版本）、`pyenv local`（设置局部版本）等命令后较方便操作	好，可针对不同项目目录设置不同 Python 版本，有效隔离环境	依赖`pip`进行包管理，自身主要专注 Python 版本管理	可与部分基于命令行的开发工具较好配合，在版本管理层面协同工作	较好，有官方文档和社区论坛等可参考解决常见问题
Conda（Anaconda/Miniconda）	– 集 Python 版本管理、包管理、环境管理于一身，功能全面 – 内置大量常用的科学计算、数据分析等领域的库，方便快速搭建相关环境 – 方便创建和管理不同项目的虚拟环境，实现高度隔离	– 安装包体积较大（尤其是 Anaconda），占用较多磁盘空间 – 对于简单的 Python 版本管理需求略显复杂，有一定资源冗余	– 数据科学、机器学习、深度学习等领域的项目开发，需要大量依赖科学计算库的场景 – 同时管理多个项目且要求严格环境隔离以及便捷的包管理场景	中等，下载安装包后按向导安装，需注意选择是否添加到环境变量等选项，安装完成后可能需初始化配置	中等，需掌握`conda create`（创建环境）、`conda activate`（激活环境）、`conda install`（安装包）、`conda env list`（查看环境列表）等系列命令	优，每个项目可创建独立的环境，不同环境下 Python 版本、包等均可独立配置互不干扰	强，通过`conda`命令方便安装、更新、卸载各种 Python 包以及第三方库	与很多数据科学相关工具（如 Jupyter Notebook 等）集成度高，方便协同工作	非常高，有大量官方文档、教程以及活跃的社区支持答疑
py 启动器	– 系统自带，无需额外安装软件，即装即用 – 对于已安装的少量 Python 版本能简单快速选择调用	– 功能有限，只能基于已安装的 Python 版本进行简单选择切换，无法方便地安装新的 Python 版本 – 缺乏版本管理相关的高级功能，如环境隔离、版本更新提醒等	– 电脑上安装了少数几个 Python 版本，偶尔需要切换使用的简单情况 – 对于 Python 版本管理要求不高的临时测试场景	低，安装 Python 时默认安装，无需额外配置步骤	低，通过简单的`py -[版本号]`命令即可调用指定版本，但可操作性和灵活性差	差，基本依托于系统全局已安装的 Python 环境，无有效隔离机制	依赖`pip`进行包管理，自身不涉及额外的包管理特性	基本无特殊集成特性，按常规 Python 使用方式配合其他工具	一般，Python 官方文档对其基础使用有简单介绍，深入应用相关资料较少
asdf – python	– 轻巧高效，易于在不同 Python 版本间切换 – 支持自动化安装默认 Python 包，节省手动配置时间 – 命令行界面简洁，操作逻辑相对清晰	– 需要先安装 asdf 版本管理器，增加了前置安装步骤 – 相对小众，社区学习资源不如其他成熟方案丰富，遇到问题可能较难快速解决	– 开发者偏好简洁高效的版本管理方式，希望快速在不同 Python 版本及对应包环境间切换的场景 – 对于 Python 版本及相关依赖有自动化管理需求的小型项目	中等，要先安装 asdf 核心组件，再安装 asdf-python 插件，涉及多个配置环节，需按文档仔细操作	中等，需要掌握如`asdf install python [版本号]`（安装 Python 版本）、`asdf global python [版本号]`（设置全局 Python 版本）等系列命令	好，可针对项目需求灵活配置 Python 版本，实现一定程度的环境隔离	结合了自身的自动化包安装特点与`pip`等常规方式，便于管理包	能与遵循 asdf 规范的其他语言版本管理工具协同，在多语言项目中有一定优势	一般，文档主要围绕自身使用说明，社区活跃度稍低，案例相对有限
虚拟环境（venv/virtualenv 等）	– 能在项目目录内创建独立的 Python 运行环境，有效隔离不同项目的依赖和版本冲突 – 可按需灵活创建和删除环境，对项目环境定制性强	– 需要手动创建、激活虚拟环境，每个项目都要进行相应配置操作，较繁琐 – 主要专注于环境隔离，对于 Python 版本本身的安装、切换等操作不够便捷（需结合其他版本管理工具更好实现）	– 多个 Python 项目并行开发，要求各项目环境独立互不干扰的场景 – 开发过程中需要对不同项目尝试不同的 Python 版本及依赖配置的情况	中等，使用`venv`需通过命令行创建（如`python -m venv [环境名]`），`virtualenv`要先安装再创建，还需配置激活相关步骤	中等，要掌握激活（如`[环境名]\Scripts\activate`）、退出（`deactivate`）虚拟环境以及在环境内进行`pip`操作等命令	优，基于项目目录创建，不同项目间的 Python 环境完全独立，避免了全局依赖冲突	依赖`pip`在虚拟环境内进行包管理，功能常规但能满足项目内需求	可与多种版本管理工具配合使用，增强整体的 Python 环境管理能力	高，`venv`作为 Python 内置模块有官方文档支持，`virtualenv`也有丰富的社区教程和案例

二、常用 Python 版本管理工具介绍

（一）Anaconda

Anaconda 堪称 Python 开发领域的 “重型航母”，其内置的 Python 解释器为运行 Python 代码筑牢根基。更为关键的是，它预装的丰富库资源广泛涉及数据科学、机器学习、数据分析等热门领域，诸如 NumPy 所提供的强大数值计算能力、pandas 在数据读取与处理方面的便捷操作、Scikit-learn 对机器学习模型搭建的有力支撑等，均极大地缩短了项目前期搭建环境的时间周期。例如，在启动一个数据挖掘项目时，安装好 Anaconda 后，仅需简单导入 pandas 库，即可迅速实现数据的读取与预处理操作：

import pandas as pd

data = pd.read_csv('your_data.csv')
# 后续可直接进行各种数据分析操作

同时，Anaconda 还拥有便捷的 Python 版本管理功能，借助 conda create -n [环境名称] python=[版本号] 命令，开发者能够轻松构建指定 Python 版本的虚拟环境。比如，创建一个 Python 3.8 的环境用于特定项目，只需执行 conda create -n py38_env python=3.8 即可。

（二）Virtualenv

Virtualenv 是专注于创建独立 Python 虚拟环境的 “精锐轻骑兵”。在实际开发场景中，不同项目对第三方库的版本需求往往存在差异，而 Virtualenv 恰能为每个项目打造专属的 “独立王国”。例如，项目 A 依赖于 numpy 库的 1.18 版本以保障功能稳定，项目 B 则需 numpy 库的 1.21 版本来启用新特性，此时 Virtualenv 便可大显身手。通过 virtualenv [项目虚拟环境名称] 命令创建环境，激活后便可在其中自由安装项目所需的各类库，确保不同项目间的依赖库互不干扰，有效规避冲突。

（三）Pipenv

Pipenv 恰似一位整合大师，巧妙融合了虚拟环境创建与包管理的双重功能。它基于广为人知的 pip 和 virtualenv 进行深度优化，当执行 pipenv install [包名] 命令时，不仅会自动构建并妥善管理与项目对应的虚拟环境，还能精准地将所需包安装至该环境，并生成 Pipfile 和 Pipfile.lock 文件。这两个文件如同项目的 “环境基因库”，详细记录了项目的依赖关系及各依赖的精确版本信息。在团队协作开发或项目环境迁移时，团队成员只需依据这两个文件，即可轻松重现完全一致的项目开发环境，有力保障了项目在不同开发环境中的稳定性与一致性。

三、各工具优劣势对比分析

为了让开发者更直观地洞察各工具的特点，以下通过详细的表格进行对比：

工具名称	优势	劣势	适用场景
Anaconda	1. 预装大量常用库，涵盖多领域，节省项目前期搭建环境时间，尤其适合数据科学、机器学习等项目。 2. 能便捷地创建不同 Python 版本的虚拟环境，自身包管理系统处理依赖关系较出色，可有效避免冲突。	所有虚拟环境集中存放在 Anaconda 安装路径下的 `ENVS` 目录中，当创建虚拟环境数量过多（如几十个甚至更多）时，可能导致 Anaconda 软件本身不稳定，出现卡顿、崩溃等情况，进而影响依赖这些 `conda` 虚拟环境的本地项目正常运行。	数据科学、机器学习项目以及需要快速搭建包含众多常用库环境的项目。
Virtualenv	1. 轻量级工具，对系统资源占用少。 2. 能为每个项目打造完全隔离的环境，精准控制项目的依赖安装，有效避免不同项目间相互干扰，环境隔离性高。	功能相对单一，仅侧重于虚拟环境创建，缺乏像 Anaconda 那样丰富的库集成以及完善的包管理功能，对于复杂项目，前期手动安装众多依赖库的工作量较大。	对环境隔离要求较高的小型项目，或者在已有 Python 版本基础上需要为不同项目单独创建隔离环境的场景。
Pipenv	1. 整合虚拟环境创建和包管理功能，操作便捷，无需在不同工具和命令间频繁切换。 2. 生成的依赖文件方便团队成员复现项目环境，保障团队协作项目在不同开发环境中的一致性和稳定性，对团队开发项目十分友好。	相比 Virtualenv，功能更复杂，初次使用时需要花费一定时间学习掌握其使用方法，存在一定学习成本。并且在大型、复杂项目中，随着依赖关系增多，其性能可能会受到一定影响，比如安装依赖包时速度可能变慢。	各类团队协作开发的 Python 项目，以及需要清晰管理依赖关系、方便项目环境迁移和复现的项目。

四、Anaconda 结合 Virtualenv 的协同方案解析

（一）协同方式概述

在实际开发工作流中，Anaconda 与 Virtualenv 的协同配合能够充分发挥各自的长处，实现 Python 版本与项目环境的高效管理，为项目开发筑牢稳定的基石。

（二）具体使用步骤及流程图说明

安装 Anaconda：访问 Anaconda 官方网站（Download Anaconda Distribution | Anaconda），下载适配 Windows 11 的安装包（通常选择 64 位版本）。下载完成后，双击安装包启动安装向导，在安装进程中，务必勾选 “Add Anaconda to the PATH environment variable” 选项，确保后续能够在命令行便捷地使用 conda 命令。安装完毕后，点击 “Finish” 完成安装。
使用 Anaconda 创建不同 Python 版本的虚拟环境：开启命令提示符（CMD）或 Windows PowerShell（以下以命令提示符为例），运用 conda create -n [环境名称] python=[版本号] 命令创建指定 Python 版本的 Anaconda 虚拟环境。例如，若要构建一个名为 py38_env 的 Python 3.8 虚拟环境，执行 conda create -n py38_env python=3.8 命令。在命令执行期间，系统会提示是否安装所需的包，输入 y 并回车确认，随后耐心等候安装完成。开发者可依据实际项目需求，灵活创建多个不同 Python 版本的虚拟环境，如 py37_env、py39_env 等，各环境相互独立，可分别服务于不同的项目开发。
安装 Virtualenv：在已成功安装 Anaconda 的基础上，激活所需的 Anaconda 虚拟环境（以 py38_env 为例），在命令提示符中输入 conda activate py38_env 命令。激活成功后，通过 pip 命令安装 Virtualenv，执行 pip install virtualenv 命令，等待安装完成。如此，便在 Anaconda 的 py38_env 环境中成功部署了 Virtualenv 工具。开发者可按需在其他 Anaconda 虚拟环境中重复此步骤，完成 Virtualenv 的安装。
基于 Anaconda 虚拟环境创建 Virtualenv 项目本地虚拟环境：假设项目位于 D:\my_project 目录下，首先进入项目目录，在命令提示符中输入 cd D:\my_project 命令。接着执行 virtualenv [项目虚拟环境名称] -p [Anaconda 虚拟环境中 Python 解释器路径] 命令创建 Virtualenv 虚拟环境（此处将项目虚拟环境命名为 my_project_env），并指定使用 Anaconda 的 py38_env 中的 Python 解释器，如 virtualenv my_project_env -p C:\ProgramData\Anaconda3\envs\py38_env\python.exe。需注意，上述命令中的路径应依据 Anaconda 的实际安装路径以及所创建的虚拟环境名称进行相应调整。
激活项目本地 Virtualenv 虚拟环境：创建好项目本地的 Virtualenv 虚拟环境后，需激活方可安装和使用项目所需的依赖库。在命令提示符中，进入项目虚拟环境所在目录（D:\my_project\my_project_env），执行激活命令（Windows 下为 .\Scripts\activate）。激活成功后，命令提示符的前缀会显示当前激活的虚拟环境名称，如 (my_project_env) C:\Users\YourName\D:\my_project>，表明已成功进入项目虚拟环境，可着手进行后续的依赖库安装等操作。
管理项目本地虚拟环境中的依赖库：在激活的项目本地 Virtualenv 虚拟环境中，使用 pip 命令安装、更新或卸载项目所需的依赖库。例如，若要安装 numpy 库，执行 pip install numpy 命令；若要更新已安装的库，可使用 pip install --upgrade [库名] 命令；若要卸载某个库，使用 pip uninstall [库名] 命令。按照项目的实际需求，依次安装所需的依赖库，确保项目能够正常运行。
退出项目本地 Virtualenv 虚拟环境：当项目开发完成或暂时无需在该虚拟环境中操作时，在命令提示符中执行 deactivate 命令，即可退出 Virtualenv 虚拟环境，返回至之前的命令提示符状态。

五、Anaconda 结合 Pipenv 的协同方案解析

（一）协同方式概述

Anaconda 与 Pipenv 的协同组合，能够为 Python 版本管理和项目环境搭建带来诸多便利，二者相辅相成，可有效满足不同类型项目的多样化需求。

（二）具体使用步骤及流程图说明

安装 Anaconda：此步骤与 Anaconda 结合 Virtualenv 协同方案中的安装步骤一致，即从 Anaconda 官方网站下载适合 Windows 11 的安装包，按提示安装，并勾选添加到环境变量选项，完成安装。
创建 Anaconda 虚拟环境：运用 conda create -n [环境名称] python=[版本号] 命令创建指定 Python 版本的虚拟环境，其中 [环境名称] 为开发者自定义的环境名称，[版本号] 代表具体的 Python 版本号。例如，若要创建一个名为 myenv 的 Python 3.8.10 虚拟环境，执行 conda create -n myenv python=3.8.10 命令。
激活 Anaconda 虚拟环境：通过 conda activate [环境名称] 命令激活刚刚创建的虚拟环境，如 conda activate myenv 。激活后，命令行提示符前会显示当前激活的虚拟环境名称，便于开发者确认当前所处的环境状态。
在 Anaconda 虚拟环境中安装 Pipenv：在激活的 Anaconda 虚拟环境中，使用 pip install pipenv 命令安装 Pipenv，确保安装过程顺利完成，为后续利用 Pipenv 创建项目环境奠定基础。
使用 Pipenv 创建项目环境并安装依赖：在项目根目录下，执行 pipenv install 命令创建一个基于当前 Anaconda 虚拟环境的项目专用虚拟环境，并自动安装项目所需的依赖包。Pipenv 会自动生成 Pipfile 和 Pipfile.lock 文件来记录项目的依赖关系。例如，在项目根目录下运行 pipenv install requests ，不仅会创建虚拟环境，还会将 requests 库安装到该环境中，方便项目调用相关功能。
激活 Pipenv 虚拟环境：使用 pipenv shell 命令激活 Pipenv 创建的虚拟环境，进入该环境后，开发者即可全身心投入项目的开发工作，此时所有的依赖包均已准备就绪，环境也已按照项目需求配置妥当。

六、协同优势综合分析

（一）环境隔离与版本控制

Anaconda 作为基础架构，提供了全面且便捷的 Python 版本管理和虚拟环境创建功能，为项目环境搭建奠定了坚实的基础。Virtualenv 和 Pipenv 则在此基础上，进一步在项目层面细化环境隔离。Virtualenv 通过创建独立的环境目录和配置，确保每个项目都拥有专属的运行空间；Pipenv 借助 Pipfile 和 Pipfile.lock 文件，严格锁定每个项目的依赖版本。二者共同作用，使得不同项目之间的依赖关系清晰明了，有效避免了依赖冲突和版本混乱的问题，让开发者能够在同一台 Windows 11 设备上同时开展多个不同类型、不同 Python 版本要求的项目，且无需担忧相互干扰。

（二）依赖管理的便利性

在依赖管理方面，Pipenv 展现出显著优势。它能够自动解析项目代码中的依赖关系，并智能地安装所需的依赖包，同时通过 Pipfile 和 Pipfile.lock 文件将依赖版本精确锁定。当与 Anaconda 结合使用时，一方面可充分利用 Anaconda 中预装的丰富库资源，减少重复安装常用库的工作量；另一方面，又能借助 Pipenv 对项目依赖进行更为细致、精准的把控，确保在项目开发、部署以及后续维护过程中，依赖环境的稳定性和一致性。这种协同方式极大地降低了手动管理依赖的复杂性，有效减少了因依赖版本不一致而导致的各种错误和问题出现的可能性，使得整个项目的依赖管理变得更加轻松、可靠。

（三）适用于不同项目类型

不同类型的 Python 项目对开发环境有着各异的需求，而 Anaconda 结合 Virtualenv 或 Pipenv 的协同方案能够很好地满足这些多样化的要求。对于数据科学项目而言，Anaconda 自带的大量科学计算和数据分析库无疑是宝贵的资源，开发者可迅速搭建起包含所需 Python 版本以及常用数据处理、模型训练等库的基础环境，之后再结合 Pipenv 来管理项目特有的依赖包，进一步完善项目环境配置，保障项目的顺利开展。例如，在一个深度学习项目中，先利用 Anaconda 创建一个 Python 3.8 的虚拟环境，安装好 TensorFlow、PyTorch 等核心框架，再通过 Pipenv 安装项目所需的其他依赖，如数据预处理库、可视化库等，这样便能确保项目的环境稳定且可重复。

七、总结与展望

在 Windows 11 系统下，Anaconda、Virtualenv 与 Pipenv 的协同合作在 Python 版本管理领域发挥着关键作用。开发者应依据项目的具体特性与需求，巧妙运用这三款工具的协同优势，实现高效、稳定的 Python 版本管理与项目环境搭建。展望未来，随着 Python 生态的持续演进，我们期待更为智能、便捷的版本管理工具与策略涌现，进一步推动 Python 开发的高效性与便捷性。

作者：love530love

物联沃分享整理
物联沃-IOTWORD物联网 » Windows 11 下 Python 版本管理的 “三剑客” 协同秘籍:Anaconda、Virtualenv 与 Pipenv 的最佳协同实践