本文 AI 產出，尚未審核

Python 基礎概念（Fundamentals）

主題：pip 與虛擬環境（venv / virtualenv / conda）

簡介

在開發 Python 專案時，套件管理與執行環境的隔離是最常碰到的兩大挑戰。
如果直接在全域 (global) Python 中安裝第三方套件，往往會導致版本衝突、依賴不一致，甚至影響系統其他程式的正常運作。

pip、venv、virtualenv 與 conda 正是為了解決這些問題而誕生的工具。
掌握它們的使用方法，不僅能讓你的程式碼在不同機器上保持一致，也能在多人協作或部署時降低「在我機器上可以跑」的風險。

核心概念

1. pip：Python 的套件安裝器

  • pip 內建於 Python 3.4 之後的官方發行版，是最常用的 Python Package Index (PyPI) 客戶端。
  • 主要指令：
指令 說明
pip install package_name 安裝套件
pip uninstall package_name 移除套件
pip list 顯示已安裝套件
pip freeze > requirements.txt 輸出當前環境的套件清單（常用於部署）
pip install -r requirements.txt 從清單安裝所有套件

範例 1：安裝與列出套件

# 安裝 requests 套件（會自動解析相依套件）
!pip install requests

# 顯示目前環境已安裝的套件
!pip list

Tip：在 Jupyter Notebook 中，使用 ! 前綴執行系統指令；在終端機直接輸入 pip install …。

2. venv：Python 內建的虛擬環境工具

  • venv 於 Python 3.3 起加入標準函式庫，不需要額外安裝。
  • 它會在指定的目錄下建立一個獨立的 Python 執行環境，包含自己的 python 可執行檔與 site-packages 目錄。

建立與使用 venv

# 建立名為 .venv 的虛擬環境（放在專案根目錄）
python -m venv .venv

# Windows：啟動虛擬環境
.\.venv\Scripts\activate

# macOS / Linux：啟動虛擬環境
source .venv/bin/activate

啟動後，終端機前綴會變成 (.venv)，此時執行的 python、pip 都是虛擬環境內的版本。

範例 2：在 venv 中安裝套件並產生 requirements

# 假設已在虛擬環境內
pip install pandas numpy matplotlib

# 把當前環境的套件寫入 requirements.txt
pip freeze > requirements.txt

3. virtualenv：跨版本的虛擬環境解決方案

  • virtualenv 是在 venv 出現前最常用的第三方套件，支援 Python 2、Python 3 以及 不同的 Python 版本共存。
  • 它的使用方式與 venv 類似，但需要先安裝：
pip install virtualenv

# 建立使用 Python 3.9 的虛擬環境
virtualenv -p /usr/bin/python3.9 myenv

範例 3：同一專案同時使用兩個不同 Python 版本

# 建立 Python 3.8 的環境
virtualenv -p /usr/local/bin/python3.8 env38
# 建立 Python 3.11 的環境
virtualenv -p /usr/local/bin/python3.11 env311

# 啟動任一環境
source env38/bin/activate   # macOS / Linux
# .\env311\Scripts\activate  # Windows

4. conda：跨語言的套件與環境管理器

  • conda 由 Anaconda / Miniconda 提供，除了管理 Python 套件，還能安裝 C/C++、R、Julia 等語言的套件。

  • 特色：

    1. 二進位套件（如 NumPy、SciPy）直接下載，不需要自行編譯。
    2. 可以同時管理 Python 版本 與 非 Python 依賴（例如 MKL、CUDA）。

常用指令

指令 說明
conda create -n myenv python=3.10 建立名為 myenv、Python 3.10 的環境
conda activate myenv 啟動環境
conda install pandas 安裝套件（自動解決相依）
conda env export > environment.yml 輸出完整環境（含非 Python 套件）
conda env create -f environment.yml 從 yml 檔還原環境

範例 4：使用 conda 建立機器學習環境

# 建立環境，包含 Python、TensorFlow、CUDA
conda create -n tf-gpu python=3.10 tensorflow-gpu cudatoolkit=11.8

# 啟動環境
conda activate tf-gpu

# 檢查 TensorFlow 是否正確使用 GPU
python -c "import tensorflow as tf; print(tf.__version__, tf.config.list_physical_devices('GPU'))"

常見陷阱與最佳實踐

陷阱 說明 解決方式
全域安裝套件 直接 pip install 到系統 Python，會破壞系統套件或與其他專案衝突。 永遠在虛擬環境（venv/virtualenv/conda）中安裝。
忽略 requirements.txt 部署時忘記提供套件清單，導致環境不一致。 在每次新增/升級套件後執行 pip freeze > requirements.txt（或 conda env export）。
混用 pip 與 conda 在同一 conda 環境裡使用 pip install 可能會破壞 conda 的依賴解決。 優先使用 conda install；只有 conda 沒有的套件才使用 pip，且安裝前先 conda list 確認。
未設定 .gitignore 把虛擬環境資料夾（如 .venv、env/）加入版本控制，導致 repo 龐大且不必要。 在 .gitignore 加入 */.venv/、*/env/、*/conda-env/ 等。
Python 版本不匹配 部署時使用不同的 Python 主版本（3.8 vs 3.10），可能出現語法或套件不相容。 在 requirements.txt 或 environment.yml 中明確寫入 python==3.x，或使用 conda create -n … python=3.x。

最佳實踐清單

  1. 專案根目錄即建立虛擬環境：python -m venv .venv（或 conda create -n <name>）。
  2. 將環境檔加入版本控制：requirements.txt（pip）或 environment.yml（conda）。
  3. CI/CD 流程中自動建立環境：使用 pip install -r requirements.txt 或 conda env create -f environment.yml。
  4. 使用 pip list --outdated 定期檢查套件更新，但升級前先在測試環境驗證相容性。
  5. 避免在同一終端機同時啟動多個虛擬環境，會造成路徑混亂。使用 deactivate 或 conda deactivate 退出。

實際應用場景

場景 建議工具 為什麼選擇
簡單腳本或小型專案 venv + pip 輕量、內建、無額外安裝成本。
需要同時支援 Python 2 與 3 virtualenv 支援多個 Python 版本，且可在舊系統上使用。
資料科學、機器學習 conda （Anaconda/Miniconda） 快速安裝大量科學套件（NumPy、Pandas、TensorFlow）且自帶優化的二進位檔。
跨平台團隊協作 conda + environment.yml 或 pip + requirements.txt + CI 明確的環境描述檔讓每位成員只要一條指令即可復原環境。
部署到容器（Docker） 任意工具，但常見做法是 pip freeze 結合 Dockerfile 在 Dockerfile 中直接 COPY requirements.txt && pip install -r requirements.txt，確保容器內部環境一致。

案例：一個 Flask API 專案

  1. 在專案根目錄執行 python -m venv .venv。
  2. source .venv/bin/activate 後安裝 Flask、gunicorn、python-dotenv。
  3. pip freeze > requirements.txt，將 requirements.txt 加入 Git。
  4. Dockerfile 只需要 COPY requirements.txt /app/ && pip install -r /app/requirements.txt，即可保證容器內環境與本機相同。

總結

  • pip 是 Python 套件的官方安裝工具，配合 requirements.txt 可以輕鬆管理依賴。
  • venv 為 Python 內建的虛擬環境解決方案，適合大部分新專案。
  • virtualenv 提供跨版本支援，對於仍需維護 Python 2 或多版本環境的情況非常有用。
  • conda 則是面向資料科學與跨語言需求的全能套件/環境管理器，特別適合需要大量二進位套件或 GPU 支援的專案。

掌握這四個工具的差異與使用時機，能讓你的 Python 開發流程更安全、可重現，也為日後的部署、測試與團隊協作奠定堅實基礎。祝你在 Python 的旅程中，玩得開心、寫得順手！