在使用 PyCharm 或其他 Python 开发环境时，选择合适的 Python 解释器对于项目的开发非常重要。关系到包的管理，项目文件的大小。
本文分析几种常见 Python 环境管理工具（venv、conda、pipenv、poetry env）的优缺点。
经过对比尝试后，个人比较推荐用 conda 环境作为学习研究，他自带数据分析相关的包，但过于臃肿，建议用 venv 作为实际项目搭建环境，更加简洁直观，易于管理与发布。
如何设置 python 解释器
设置-python 解释器-选择核实的解释器。
image.png
各环境优缺点分析
1. venv (Virtual Environment)
优点:
轻量级：venv 是 Python 自带的一个模块，不需要额外安装。
简单易用：创建和管理虚拟环境非常直观。
广泛支持：几乎所有现代的 Python 版本都支持 venv。
缺点:
功能有限：相比其他工具，venv 的功能较为基础，缺少一些高级特性。
依赖管理：依赖项管理主要通过 requirements.txt 文件，不如 pipenv 和 poetry` 那样灵活和强大。
2. conda
优点:
跨平台：支持 Windows、macOS 和 Linux。
包管理：不仅管理 Python 包，还管理其他语言的包。
环境隔离：强大的环境管理功能，可以轻松创建和切换多个环境。
科学计算：特别适合科学计算和数据科学项目，因为许多科学计算库都有预编译的包。
缺点:
体积较大：安装 conda 本身需要较大的磁盘空间。
速度较慢：相比于 pip，conda 的安装速度可能较慢。
社区生态：虽然 conda 的生态系统在不断壮大，但某些最新的 Python 包可能没有及时更新到 conda-forge 仓库中。
3. pipenv
优点:
依赖锁定：通过 Pipfile 和 Pipfile.lock 文件管理依赖项，确保不同环境中依赖项的一致性。
自动管理：自动管理虚拟环境，简化了环境的创建和激活过程。
集成测试：支持集成测试环境的管理。
缺点:
性能问题：在某些情况下，pipenv 的依赖解析速度可能较慢。
兼容性：某些复杂的依赖关系可能导致解析失败。
4. poetry env (Poetry)
优点:
依赖管理：强大的依赖管理功能，支持依赖锁定和版本管理。
构建工具：不仅仅是环境管理工具，还可以作为构建工具，支持打包和发布 Python 包。
自动化：支持自动化脚本，可以方便地集成到 CI/CD 流程中。
灵活性：配置文件 pyproject.toml 非常灵活，可以管理项目的各个方面。 缺点:
学习曲线：相对于 venv 和 pipenv，poetry 的学习曲线可能稍陡。
社区支持：尽管 poetry 的社区正在快速增长，但在某些方面可能还不如 conda 和 pip 成熟。
总结
venv：适合简单的项目和快速原型开发，因为它轻量且易于使用。
conda：适合科学计算和数据科学项目，特别是那些需要跨语言包管理的项目。
pipenv：适合需要严格依赖管理和多环境支持的项目。
poetry：适合大型项目和需要高级依赖管理和构建工具的项目。
Venv 环境非常好用，原因是他将项目所需要的包就放在编辑文件下，且没有其他无关的包，这样就非常好控制。项目也不会特别庞大。
如何在 cmd 中激活. venv
指向 到所在目录
切换到同一驱动器上的另一个目录：
cd D:\BaiduSyncdisk\pythonprograms\data_analytics切换到不同驱动器上的目录
D:cd \BaiduSyncdisk\pythonprograms\data_analytics激活 venv 环境
.\.venv\Scripts\Activate项目搭建好后，不用启动 pycharm 等 ide，激活 venv 环境，就可以在命令提示符中运行了。
image.png
BY
纯个人经验，如有帮助，请收藏点赞，如需转载，请注明出处。