大家喜欢使用 Python 的 anaconda 吗？
比较好奇大家喜欢用 anaconda 吗？ anaconda 的存在是否有些多此一举呢？
背景：Anaconda 指的是一个开源的 Python 发行版本，其包含了 conda、Python 等 180 多个科学包及其依赖项
个人认为 anaconda 的功能：
- 预装很多科学计算库
- 管理 python 库
- 虚拟环境
但是以上功能原生 python 完全可以自己解决：
- pip （需要什么装什么）
- pip
- virtualenv
那么 anaconda 似乎仅仅是集成了一些功能，让入门变得方便了一些，真的有必要为了一点入门的方便就再套个 conda 去管理 python 吗？
大家喜欢使用 Python 的 anaconda 吗？
我平时用conda比较多，主要是做数据科学和机器学习项目的时候。Anaconda最大的好处是环境管理和包依赖解决，特别是涉及到一些需要编译的C库（比如NumPy、SciPy、TensorFlow）的时候，conda能直接装二进制包，省去了自己编译的麻烦。
不过它也有缺点：包更新比pip慢，而且默认源在国内可能比较慢。我一般会配清华的镜像源。对于纯Python项目或者用不到那些科学计算库的时候，我直接用venv+pip更轻量。
总的来说，如果你主要做数据科学/ML，Anaconda很省心；如果是Web开发或一般脚本，用官方工具链就够了。
一句话建议：数据科学用conda，一般开发用venv。
嗯。。。楼主一看就是没有被电脑上要装 n 个版本的 Python 折磨过的人
以及楼主体验下为了做个科学计算，安装了数不清的各种专业科学包，然后一堆包编译有问题一个个去解决有可怕
搞科学家计算可以直接上，不是干这个的没必要用。一般管理多版本 Python、虚拟环境用 pyenv、pipenv。如果执意要使用 conda 管理多版本 Python 中、虚拟环境，使用 miniconda。
还有国内那些用 centos 标配 py2 却不给 sudo 权限的。装 py3 没权限，编译又缺包，系统库版本太低。只能用 anaconda，二进制发布，即下即用。也内置了 pip，和 conda 指令互不影响。
pip 和 conda 并不是完全对应关系，前者是包管理，后者既管理包，也管理 Python 版本、虚拟环境。
miniconda 可视为一种 CPython 发行版本，因为普通 pip install conda 获得的 conda 好像是个阉割版。anaconda 可以视作 miniconda 外加预安装各种科学计算包。我猜 ana 是指 analysis ？
miniconda3 在 win 上最近版本都有问题，
比如 python 3.7.1 编译时没有 ssl 模块：
https://github.com/AnacondaRecipes/python-feedstock/issues/13
conda install jupyterlab 启动后一堆报错，
pip 反而没问题
Python 版本问题才是 anaconda 主要解决的对象吧，2.X 并未淘汰 3.X 也在用，加上各个小版本，假如电脑用的 3.7 的，工作用 tensorflow，但是 tensorflow 只到 3.6。就很烦
科学计算常用的 notebook 一般开发者根本用不到，spyder 同理。
其实这个发行版真的是为科学计算而生的，我开发机根本就一点都用不上，他最方便的就是可以命令行安装其他版本的 Python
现在也感觉太臃肿了，包不是特别全。加了 conda-forge 的 channel 导致非常奇异的问题，理论上不能直接 update 大版本的，但我从 python 3.6 升级到了 python 3.7，然而部分软件包还是 3.6 的，没法用。
作为一个新人，用 Anaconda 感觉非常好；特别是 Spyder 和 Notebook 开箱即用，不用浪费时间在环境配置上，先关注语言本身就好。
当然，Python 入门以后就可以换用其它东西来折腾了。
Mac / Linux 用啥都行。
Windows 自己玩玩（低端玩家）只用 pip 就够了。最多到 python2 -m pip 和 python3 -m pip 这份上。
Windows 搞科学计算和机器学习，不用 Anaconda，死都不知道怎么死的
我就想到去年我想在 Windows 10 上搭个 style2paints ……编译依赖库，报错几十个，一个个看，读 setup.py 源码和 python 自带的调用 C++ Compiler 的脚本的源码，然后再一点点下断点调试……还有为了编译装了 VS 2017 和 VS 2015 ……我的妈呀……
科学计算用到的 Numpy Scipy sklearn pandas 都是有 C 乃至 Fortran 的依赖的，要自己编译就太麻烦了
另外 conda 的 Numpy 的线性代数运算都是链接到 MKL 的，速度可能比你自己编译的更快
这个看个人需求吧。
非开发人员做科学计算为主的时候用这个比较方便，还有一些非 CS 专业的小白刚上手用的时候比较容易。
如果是对 LINUX 和各种操作系统都玩得很 6 就没有必要装这么一个臃肿玩意儿了，自己随便搞了。
在我看来，anaconda 的功能包括了 pip 和 virtualenv 的。pip 和 virtualenv 的服务于 python 包，anaconda 还有管理一些包信赖相关的库文件什么的，功能更方便一些。省得一些非 root 下安装各种奇怪的库文件，减少了许多不必要的安装问题。
喜欢用 pip +1
但其实 anaconda 有个很好的优点是：诸如 TensorFlow, numpy 之类的包，anaconda 装上来是支持 mkl 的，比 pip 装的要快很多。
深度学习的也可以用～一直工作在 anconda 下。
conda install 和 pip install 安装的 tensorflow-gpu 不太一样，conda 会根据 tf 版本，自动安装不同版本的 cuda 和 cudnn。如果只在电脑上装某一个版本的 cuda 和 cudnn，然后用 pip 安装，很多需要手动编译 tf。
我司算法人员基本都是 anaconda，如果用 pip，我觉得大概率是算法菜鸟。
pyenv 入侵性太强, 会在 path 里放一个假的 python, 依赖真 python 的 cli 工具会炸
venv 在 py2 下不能嵌套, 会让那些把 source xxx 放在 bashrc 里的人脑袋爆炸
pipenv 看起来是最好的, 但是不防小版本
同时这些工具都是用来启动一个服务. 不能让 cli 工具在虚拟环境里运行
pipsi 是给 cli 工具用的 pipenv, 但是和 pyenv 有冲突
conda 是大而全的解决方案: 二进制分发+防小版本升级.
但是和上面的 env 们一个毛病, 不能包装 cli 工具. conda2 里为了一个 py3 必须新建一个环境, 还要起个名字.
我同时需要 py2.7 py3.6 py3.7 又因为我的环境必须是 mac 所以我的解决办法是: 装个 debuan buster 虚拟机
其实上面的各种问题装个 linux 都能解决…
说用 pip 装肯定是算法菜鸟的肯定是不会自己编译软件的, 没有一份 tf 的头文件用啥 tf :)
https://aur.archlinux.org/packages/python-sonnet-git/ (虽然现在 sonnet 已经没有 c 依赖了 :( )
#67 我同时需要 py2.7 py3.6 py3.7 又因为我的环境必须是 mac 所以我的解决办法是: 装个 debuan buster 虚拟机
---------------------------
同时需要装这么多，用 conda activate 切换环境不方便？还装三个虚拟机，真是我见过最愚蠢的人了。
还有，tf 编译有多难？呵呵，tf 这么多版本，你一个个去编译试试？ tf 来一个版本，你编译一个？你 leader 不会骂你愚蠢吗。
我装了一个虚拟机, 里面有我需要全部 python 版本
conda 的源码分发在 linux 上没有优势, 反倒有坏处, 比如你的机器没有 AVX2, conda 上的 tf 带 AVX2, 然后就 core dumped 了
