简单地说，你只需要康达。

Conda在一个包中有效地结合了pip和virtualenv的功能，因此如果使用Conda，则不需要virtualenv。 conda支持的软件包数量之多，你会感到惊讶。如果还不够，可以在conda下使用pip。

这里是conda, pip和virtualenv对比页面的链接:

https://docs.conda.io/projects/conda/en/latest/commands.html conda-vs-pip-vs-virtualenv-commands。

我在公司工作，在几道防火墙后面的机器上，我没有管理权限

在我有限的python使用经验(2年)中，我遇到过一些库(JayDeBeApi,sasl)在通过pip安装时抛出c++依赖错误 错误:需要Microsoft Visual c++ 14.0。通过“Microsoft Visual c++ Build Tools”获取:http://landinghub.visualstudio.com/visual-cpp-build-tools

这些安装与conda很好，因此，从那些日子起，我开始与conda env合作。 然而，阻止conda在我没有写权限的c.programfiles中安装依赖并不容易。

毫无疑问，Conda拥有更好的API。但是，我想谈谈使用conda的缺点，因为conda在其他答案中也有它的荣耀:

解决环境问题——conda环境后面的一个大刺。作为补救措施，建议您不要使用conda-forge通道。但是，由于它是最流行的通道，而且一些包(不仅仅是微不足道的包，甚至是非常重要的包，如pyspark)在conda-forge上独家可用，你很快就会陷入困境。 包装环境是一个问题

还有其他已知的问题。Virtualenv是一个上坡路，但路上很少有墙。另一方面，conda，在我的印象中，偶尔有这些硬墙，你只需要深吸一口气，使用virtualenv

虚拟环境和pip

我要补充的是，使用Anaconda创建和删除conda环境非常简单。

> conda create --name <envname> python=<version> <optional dependencies>

> conda remove --name <envname> --all 

在激活的环境中，通过conda或pip安装包:

(envname)> conda install <package>

(envname)> pip install <package>

这些环境与conda类似pip的包管理紧密相关，因此创建环境并安装Python和非Python包都很简单。

Jupyter

此外，在环境中安装ipykernel会在Jupyter笔记本的Kernels下拉菜单中添加一个新列表，从而将可复制的环境扩展到笔记本。从Anaconda 4.1开始，添加了nbextensions，从而更容易地向笔记本添加扩展。

可靠性

根据我的经验，在安装numpy和pandas等大型库时，conda更快、更可靠。此外，如果希望转移环境的保存状态，可以通过共享或克隆环境来实现。

比较

一个非详尽的，快速查看每个工具的功能:

描述

virtualenv creates project-specific, local environments usually in a .venv/ folder per project. In contrast, conda's environments are global and saved in one place. PyPI works with both tools through pip, but conda can add additional channels, which can sometimes install faster. Sadly neither has an official lock file, so reproducing environments has not been solid with either tool. However, both have a mechanism to create a file of pinned packages. Python is needed to install and run virtualenv, but conda already ships with Python. virtualenv creates environments using the same Python version it was installed with. conda allows you to create environments with nearly any Python version.

另请参阅

Virtualenvwrapper:全局virtualenv Pyenv:管理python版本 曼巴:“更快”的康达

根据我的经验，conda非常适合数据科学应用程序，可以作为一个很好的通用环境工具。然而，在软件开发中，使用virtualenv在本地的、短暂的、轻量级的环境中放置可能会很方便。

I use both and (as of Jan, 2020) they have some superficial differences that lend themselves to different usages for me. By default Conda prefers to manage a list of environments for you in a central location, whereas virtualenv makes a folder in the current directory. The former (centralized) makes sense if you are e.g. doing machine learning and just have a couple of broad environments that you use across many projects and want to jump into them from anywhere. The latter (per project folder) makes sense if you are doing little one-off projects that have completely different sets of lib requirements that really belong more to the project itself.

Conda创建的空环境大约是122MB，而virtualenv的大约是12MB，所以这是另一个你可能不喜欢到处散布Conda环境的原因。

最后，Conda更喜欢集中式env的另一个表面迹象是(同样是默认情况)，如果您在自己的项目文件夹中创建了Conda env并激活它，那么出现在shell中的名称前缀就是该文件夹的绝对路径(太长了)。你可以通过给它一个名字来解决这个问题，但是默认情况下virtualenv做的是正确的事情。

我预计随着两个包管理器争夺主导地位，这些信息将很快变得陈旧，但这些是今天的权衡:)

编辑:我在2021年4月再次审查了情况，情况没有变化。使用conda安装本地目录仍然很尴尬。

另一个新的选择，也是我目前最喜欢的启动和运行环境的方法是Pipenv

它目前是Python.org官方推荐的Python打包工具