来源 | 小数志
相信很多IT从业者程序员都或多或少的存在一些强迫症属性，可能的表现包括：对软件安装的位置选择、代码编写的变量命名规范、文件归档分类等，有时候不能按照自己的预期进行配置总会暗自不爽——我个人是有这种感觉的。最近，在重新组织自己个人电脑的Python开发环境时，因为原生Pip无法安装某个包，较为简单的解决办法是使用conda，于是便又重新折腾了一番，最终发现Miniconda或许可以成为自己搭建Python开发环境的最优解。Miniconda文档及下载：https://conda.io/en/latest/miniconda.html
首先陈述下自己对搭建Python开发环境的状态和需求：- Windows 10操作系统，主用Python3.8版本
- 需要安装Python基础的解释器，以供Pycharm、Vscode和jupyterlab 使用
- 需要对虚拟环境的支持（或多或少存在），比如一个用于搭建爬虫环境、一个用于搭建机器学习环境（统一用一个会造成第三方包过于臃肿，Pycharm加载过慢的问题）
- 部分包用pip安装困难，但是用conda则会简单的多（此次遇到的是prophet包，用pip安装解决gcc依赖简直是噩梦）
与此同时，个人对Anaconda没有太多好感：一方面源于其提供了很多IDE的入口，但却又并不实用；另一方面是anaconda管理的虚拟环境都会内置很多数据科学工具包，相当于你买了一台手机安装了很多出厂应用——当然，如果看着不顺眼，是可以选择手动给它uninstall的。于是，一边厌恶于Anaconda的臃肿和繁杂，另一边又似乎存在对conda管理虚拟环境的刚需——二者结合，似乎Miniconda便顺其自然成了最优解！尝试一番，体验果真不错！简单来说，安装了Miniconda相当于安装了一个Python+conda工具，其中不同的Miniconda内置不同的Python版本，其安装文件大小仅有60/70M，虽然比原生的Python安装文件大概大了一倍（纯Python安装文件约30M），但却比Anaconda这个庞然大物要精简不少。
更重要的是，安装了Miniconda就相当于可以在命令行中使用conda工具，conda工具可以直接管理Python第三方库的安装，也可以管理虚拟环境。二者的功能并不相同，个人认为核心区别可概括为三个方面：- 支持功能：pip仅可用于安装python包，而conda不仅可以安装python包，还可以用于管理虚拟环境，同时创建新的虚拟环境时还可支持不同的Python版本，例如你安装了内置Python3.8的miniconda，但可以创建一个Python3.7的虚拟环境——如果
- 安装包类型：pip仅能安装Python第三方库，而conda除了Python语言的包之外，还支持C++、R等其他类型库的安装（这也是为什么conda可以直接解决windows下的gcc依赖问题）
- 安装包来源：pip安装的第三方库来源于pypi.org，而conda安装的第三方库来源于conda repo（准确的说，pip的第三方库数量会更多一些），前者是.whl或python源码文件（利用setuptools安装），而后者则是二进制文件
所以，不严谨的讲，在Miniconda面前，安装官方Python软件没有任何优势！当然，Pycharm也是支持管理虚拟环境的，但相较于conda建立系统级的虚拟环境而言，Pycharm似乎更倾向于搭建一个Project级别的虚拟环境。
安装好了Miniconda，也需要类似Pip一样配置镜像源，一般是直接在用户根目录下建立一个.condarc文件，并写入国内的conda镜像地址即可，例如：
ssl_verify: truechannels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - defaultsshow_channel_urls: true
之后，即可畅快地使用conda带来的便利了。如果某些过于前沿的第三方库用conda找不到时（conda支持的python第三方库数量少于pip），当然也是可以使用pip install的。
