Python3 模块

在 Python 中，模块（Module）是组织代码的核心方式。从本质上来说，模块就是一个后缀为 .py 的文件，该文件内部包含了各种 Python 定义以及语句。

我们借助模块能够将复杂的代码进行合理拆分，实现分而治之。代码的复用性得到显著提高，在不同的项目中，可以轻松调用模块里已经写好的代码，避免重复编写。

同时，这也大幅增强了代码的可维护性，当代码出现问题或者需要进行功能更新时，只需要针对具体模块进行修改，而不会对整个项目的其他部分造成过多影响。

内置模块

内置模块是 Python 解释器自带的模块，无需安装，开箱即用。它们由 Python 官方维护，覆盖了绝大多数基础功能场景。

常用的内置模块及用途如下：

• sys 模块：用来与 Python 解释器交互，如获取命令行参数、Python 版本信息等。

• os 模块：用来与操作系统交互，如文件 / 目录操作、环境变量管理等。

• math 模块：用来进行数学运算，如三角函数、常量（π、e）、幂运算等。

• datetime 模块：用于日期时间处理，如：时间格式化、时间差计算等。

• json 模块：用于 JSON 数据编解码，如：字典与 JSON 字符串互转等。

• random 模块：用于生成随机数，如随机整数、随机选择列表元素等。

注意，导入模块使用 import 语句，关于 import 语句将在后续详细介绍。

示例1：使用 sys 模块获取 Python 版本和命令行参数

import sys

print("Python 版本：", sys.version)  # 输出 Python 版本信息
print("命令行参数：", sys.argv)     # 输出运行脚本时的命令行参数

示例2：使用 math 模块进行数学计算

import math

print("π 的值：", math.pi)          # 输出 3.141592653589793
print("10 的平方根：", math.sqrt(10))  # 输出 3.1622776601683795

示例3：使用 datetime 处理时间

from datetime import datetime

now = datetime.now()  # 获取当前时间
print("当前时间：", now.strftime("%Y-%m-%d %H:%M:%S"))  # 格式化输出

Python广告

import 详解

在 Python3 中，import 语句是实现模块复用的核心语法，它允许你将其他模块中定义的函数、类、变量等引入到当前代码中使用。

注意：一个 .py 文件就是一个模块，模块名就是文件名（不含 .py）。比如 math.py 是模块 math，你写的 utils.py 是模块 utils。

import 语句的基本用法如下：

（1）导入整个模块

import 模块名

用于将整个模块引入当前作用域，要使用模块内的成员时需要加 模块名. 前缀。示例：

# 导入 Python 内置的 math 模块
import math

# 使用 math 模块中的 pi 常量和 sqrt 函数
print(math.pi)       # 输出：3.141592653589793
print(math.sqrt(16)) # 输出：4.0

（2）导入模块并指定别名

import 模块名 as 别名

用于为模块起一个简短的别名，尤其适合长模块名，目的是简化我们的输入（例如，一个用于处理 Markdown 的模块名为 forProcessingMarkdown.py 每次都要输入 forProcessingMarkdown 太繁琐了，使用别名机制可以启动一个简短别名）。例如：

# 导入 numpy 并简写为 np（行业通用写法）
import numpy as np
# 导入 pandas 并简写为 pd
import pandas as pd

arr = np.array([1,2,3])  # 使用别名调用模块成员
print(arr)  # 输出：[1 2 3]

（3）从模块中导入指定成员（函数 / 类 / 变量）

from 模块名 import 成员1, 成员2, ...

用于只导入模块中需要的部分，无需加模块名前缀，直接使用成员名。例如：

# 只导入 math 模块中的 pi 和 sqrt
from math import pi, sqrt

print(pi)       	# 直接使用，无需math.前缀
print(sqrt(25)) 	# 输出：5.0

（4）从模块导入指定成员并指定别名

from 模块名 import 成员名 as 别名

用来解决成员名冲突，或简化成员名。例如：

# 假设自定义了一个 sqrt 函数，避免和 math 模块中的 sqrt 冲突
from math import sqrt as math_sqrt

def sqrt(num):
    return num * num

print(math_sqrt(16)) 	# 用别名调用math的sqrt，输出4.0
print(sqrt(16))      	# 调用自定义的sqrt，输出256

（5）导入模块中的所有成员（不推荐使用）

from 模块名 import *

用于导入模块中所有公开成员（公开成员指以非下划线开头的成员），可以直接使用，不需要添加前缀。导入所有成员，容易引发命名冲突（比如两个模块都有 sum 函数）。 代码可读性差，无法判断成员来自哪个模块。  例如：

from math import *

print(pi)       # 输出3.141592653589793
print(cos(0))   # 输出1.0

自定义模块

自定义模块是你自己编写的 .py 文件，用于封装自己的代码逻辑，方便在不同项目 / 脚本中复用。

创建自定义模块详细步骤如下：

（1）创建一个 .py 文件（如 my_module.py），写入以下内容：

# my_module.py - 自定义模块示例

# 定义常量
PI = 3.1415926

# 定义函数
def circle_area(radius):
    """计算圆的面积"""
    if radius < 0:
        raise ValueError("半径不能为负数")
    return PI * radius * radius

# 定义类
class Calculator:
    """简单计算器类"""
    def add(self, a, b):
        return a + b
    
    def subtract(self, a, b):
        return a - b

步骤 2：在同一目录下创建另一个脚本（如 main.py），导入并使用自定义模块：

# main.py - 使用自定义模块

# 导入整个自定义模块
import my_module

# 使用模块中的常量
print("圆周率：", my_module.PI)

# 使用模块中的函数
try:
    area = my_module.circle_area(5)
    print("半径为5的圆面积：", area)
except ValueError as e:
    print("错误：", e)

# 使用模块中的类
calc = my_module.Calculator()
print("3 + 5 =", calc.add(3, 5))
print("10 - 4 =", calc.subtract(10, 4))

# 也可以选择性导入
from my_module import circle_area, Calculator
print("半径为3的圆面积：", circle_area(3))

创建成功后，目录结构如下图：

运行 main.py 文件，输出如下：

圆周率： 3.1415926
半径为5的圆面积： 78.539815
3 + 5 = 8
10 - 4 = 6
半径为3的圆面积： 28.274333400000003

运行成功后，会自动在当前文件所在的目录创建一个名为 __pycache__ 文件夹，其中多了一个 my_module.cpython-313.pyc 文件，如下图：

__pycache__ 是 Python 运行时自动生成的文件夹，核心作用是提升模块导入效率。Python 是解释型语言，但并非直接解释源码执行，而是分两步：

• 第一步：编译：将 .py 源码文件编译成 Python 字节码（.pyc 文件），字节码是一种介于源码和机器码之间的中间代码；

• 第二步：Python 解释器（CPython）执行字节码，而非直接执行源码。

当你第一次导入某个模块（如 import my_module）时：

• Python 会编译 my_module.py 生成对应的字节码文件（如 my_module.cpython-310.pyc，后缀中的 310 代表 Python 版本）；

• 自动将这些 .pyc 文件存入当前目录下的 __pycache__ 文件夹；

• 当你再次导入该模块时，Python 会先检查：

• 源码文件（.py）是否有修改（通过时间戳对比）。

• 如果源码未修改，直接加载 __pycache__ 中的 .pyc 字节码文件，跳过编译步骤。

• 如果源码已修改，重新编译并更新 .pyc 文件。

简单来说，__pycache__ 是 Python 的字节码缓存目录，目的是避免重复编译，加速模块导入。

Python广告

模块搜索路径

Python 执行 import 语句时，会按照固定的搜索路径顺序查找对应的模块文件（.py/.pyc/.so 等）。

模块搜索路径本质是一个字符串列表，Python 会按列表顺序依次查找模块，找到第一个匹配的模块就停止；如果遍历完都没找到，就抛出 ModuleNotFoundError。

这个列表可以通过 sys.path 查看和修改，例如：

import sys

print(sys.path)
# 结果：
# ['/home/cloudlab', '/home/cloudlab', '/usr/local/lib/python312.zip', 
# 	'/usr/local/lib/python3.12', '/usr/local/lib/python3.12/lib-dynload', 
#  	'/usr/local/lib/python3.12/site-packages', '/opt/pvc_site_packages']

列表中包含以下几类路径（优先级从高到低）：

（1）执行脚本的当前目录（最高优先级）

当你运行 python3 test.py 时，test.py 所在的目录会被优先加入搜索路径。例如：

import sys
import os

# 打印当前脚本所在目录
print("当前脚本目录:", os.path.abspath("."))	# 输出：当前脚本目录: /home/cloudlab

# 打印搜索路径列表的第一个元素（通常就是当前目录）
print("sys.path[0]:", sys.path[0])	# 输出：sys.path[0]: /home/cloudlab

（2）PYTHONPATH 环境变量指定的目录

PYTHONPATH 是 Python 专属的环境变量，你可以手动添加自定义路径，让 Python 能找到这些路径下的模块。

（3）Python 标准库目录

Python 内置模块（如 math、os、sys）所在的目录，由 Python 安装路径决定，无需手动配置。例如：

import sys

# 查找标准库目录（通常包含 site-packages 上级目录）
for path in sys.path:
    if "lib/python3." in path and "site-packages" not in path:
        print("标准库目录:", path)
# 输出：
# 标准库目录: /usr/local/lib/python3.12
# 标准库目录: /usr/local/lib/python3.12/lib-dynload

（4）site-packages 目录（第三方库目录）

这是安装第三方库（如 numpy、pandas）的默认目录，pip install 安装的包都会放在这里，Python 会自动将其加入搜索路径。例如：

import site

# 打印 site-packages 目录路径
print("第三方库目录:", site.getsitepackages())

# 输出：
# 第三方库目录: ['/usr/local/lib/python3.12/site-packages']

（5）虚拟环境的路径

如果使用虚拟环境（venv/conda），Python 会优先使用虚拟环境内的 site-packages 目录，隔离全局环境的依赖。

修改搜索路径

临时修改搜索路径

通过修改 sys.path 列表，可以临时添加自定义路径（程序退出后失效），这是解决模块找不到的常用临时方案。例如：

import sys
import os

# 添加自定义模块目录（绝对路径）
my_module_path = "/home/user/my_custom_modules"
if my_module_path not in sys.path:
    sys.path.append(my_module_path)  # 追加到列表末尾（优先级低）
    # sys.path.insert(0, my_module_path)  # 插入到列表开头（优先级最高）

# 现在可以导入 /home/user/my_custom_modules 下的模块了
import my_module

永久修改搜索路径

永久修改修改搜索路径有两种方式：

（1） 修改 PYTHONPATH 环境变量  

• Linux/Mac：编辑 ~/.bashrc 或 ~/.zshrc，添加路径，如下：

export PYTHONPATH="/home/user/my_modules:$PYTHONPATH"

执行 source ~/.bashrc 生效。

• Windows：右键「此电脑」→「属性」→「高级系统设置」→「环境变量」，新建 / 编辑 PYTHONPATH，添加路径。

（2）创建 .pth 文件

在 site-packages 目录下创建一个 .pth 文件（如 my_paths.pth），内容为要添加的路径（每行一个）：

/home/user/my_modules
/opt/another_modules

Python 启动时会自动加载 .pth 文件中的路径到 sys.path。

Python广告

安装第三方模块

第三方模块是由社区 / 开发者开发的、非 Python 内置的模块，需要手动安装后才能使用。

在 Python 中，pip 是官方推荐的包管理工具，用于安装、升级和卸载第三方模块，和 Linux 中 的 apt 类似。

pip 命令简单用法：

（1）安装指定模块，语法如下：

pip install 模块名

例如： 安装数据分析库 pandas ，自动安装当前最新稳定版。

$ pip install pandas

（2）安装指定版本的模块，如果需要固定模块版本（避免版本兼容问题），语法如下：

pip install 模块名==版本号

例如：安装 pandas 2.0.0 版本

$ pip install pandas==2.0.0
Defaulting to user installation because normal site-packages is not writeable
Collecting pandas==2.0.0
  Downloading pandas-2.0.0.tar.gz (5.3 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 5.3/5.3 MB 2.2 MB/s eta 0:00:00
  Installing build dependencies ... done
...

（3）升级已安装的模块，语法如下：

pip install --upgrade 模块名

# 简写

pip install -U 模块名

示例：升级 pandas 到最新版本

$ pip install -U pandas

Defaulting to user installation because normal site-packages is not writeable
Requirement already satisfied: pandas in d:\anaconda3\lib\site-packages (2.2.3)
Collecting pandas
  Downloading pandas-3.0.1-cp313-cp313-win_amd64.whl.metadata (19 kB)
Requirement already satisfied: numpy>=1.26.0 in d:\anaconda3\lib\site-packages (from pandas) (2.1.3)
Requirement already satisfied: python-dateutil>=2.8.2 in c:\users\administrator\appdata\roaming\python\python313\site-packages (from pandas) (2.9.0.post0)
Requirement already satisfied: tzdata in d:\anaconda3\lib\site-packages (from pandas) (2025.2)
Requirement already satisfied: six>=1.5 in c:\users\administrator\appdata\roaming\python\python313\site-packages (from python-dateutil>=2.8.2->pandas) (1.17.0)
Downloading pandas-3.0.1-cp313-cp313-win_amd64.whl (9.7 MB)
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 9.7/9.7 MB 1.3 MB/s eta 0:00:00
Installing collected packages: pandas
...
Successfully installed pandas-3.0.1

pip 的基础命令总结：

# 检查 pip 版本（确认是否安装）
# 或 pip3 --version（区分 Python2/3）
pip --version

# 安装指定模块（最新版本）
pip install 模块名							# 如：pip install requests

# 安装指定版本
pip install 模块名==版本号			# 如：pip install requests==2.31.0

# 升级模块
pip install --upgrade 模块名		# 如：pip install --upgrade requests

# 卸载模块
pip uninstall 模块名						# 如：pip uninstall requests

# 查看已安装的第三方模块
$ pip list
Package                   Version
------------------------- -----------
annotated-types           0.7.0
anyio                     4.9.0
astor                     0.8.1
asttokens                 3.0.0
attrs                     25.3.0
beautifulsoup4            4.13.4
black                     22.8.0
...

# 查看指定模块的信息
pip show 模块名								# 如：pip show requests
$ pip show requests
Name: requests
Version: 2.32.4
Summary: Python HTTP for Humans.
Home-page: https://requests.readthedocs.io
Author: Kenneth Reitz
Author-email: me@kennethreitz.org
License: Apache-2.0
Location: D:\Program Files\Python313\Lib\site-packages
Requires: certifi, charset_normalizer, idna, urllib3
Required-by: mcp-server-fetch

解决下载慢的问题

由于网络原因，推荐使用国内镜像源安装，这样安装的速度将会更快：

（1）临时使用，通过 pip 命令临时指定镜像地址，如下：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requests

（2）永久配置，通过配置文件指定镜像地址，如下：

# Windows：在用户目录下创建 pip/pip.ini，写入：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

# Linux/Mac：在用户目录下创建 .pip/pip.conf，写入同上内容

包（Package）

包（Package）是 Python 中组织代码的方式，本质上是一个包含 __init__.py 文件的文件夹，用于将相关的模块（.py 文件）分组管理，解决模块命名冲突、代码结构混乱的问题。

包的构成

一个包有下面部分构成：

• 文件夹：包的物理载体，名称就是包名（遵循 Python 标识符规则，小写 + 下划线）。

• __init__.py：包的标识文件（Python 3.3+ 支持“隐式命名空间包”，可省略，但建议始终保留），可以是空文件，也可用于初始化包、导出模块 / 变量等。

• 模块文件：包内的 .py 文件，比如 utils.py、core.py 等，是实际存放代码的地方。

• 子包：包内的子文件夹（同样包含 __init__.py），形成嵌套结构。

包的作用

使用包，主要作用如下：

• 避免模块名冲突：不同包下的模块可以同名（比如 pkg1/utils.py 和 pkg2/utils.py 互不冲突）。

• 模块化管理代码：将功能相关的代码归到同一个包，比如 requests 包处理 HTTP 请求，numpy 包处理数值计算。

• 方便代码复用：包可以被其他项目导入使用，是第三方库的基础形式。

包的基本使用

先搭建一个典型的包结构，以数据分析工具包“ data_analysis”为例，如下图：

各个文件的作用说明：

data_analysis/          # 根包
├── __init__.py         # 包初始化文件
├── data_process.py     # 数据处理模块
├── visualization.py    # 可视化模块
└── utils/              # 子包
    ├── __init__.py
    └── common.py       # 通用工具模块

其中，各个文件内容如下：

• data_process.py（数据处理模块）

def clean_data(df):
    """清洗数据：去除空值"""
    return filter(lambda x: x % 2 == 0, df)

def normalize_data(df):
    """数据标准化"""
    return map(lambda x: x * 2, df)

• visualization.py（可视化模块）

def plot_line_chart():
    print('Plotting line chart...')

• utils/common.py（通用工具模块）

def print_info(msg):
    """打印带时间戳的信息"""
    from datetime import datetime
    print(f"[{datetime.now()}] {msg}")

__init__.py 文件

__init__.py 是 Python 中标识包（Package） 的核心文件，它的核心作用是将普通文件夹转换为 Python 可识别的包，让文件夹内的 .py 文件可以被 import 导入。

如果存在一个目录：

• 没有 __init__.py 的文件夹，Python 仅视为普通文件夹，无法通过 import 导入其中的模块；

• 空的 __init__.py 也能生效，仅用于标记 “这是一个 Python 包”；

__init__.py 不仅是 “标记文件”，还可以编写代码，实现以下功能：

（1）控制对外暴露的接口

默认情况下，导入包时需要写完整路径（如 from my_package.module1 import func1），通过 __init__.py 可以简化导入，让用户直接从包名导入核心功能。例如：

# 1.导出当前模块中的函数，让外部可以直接从当前包导入的函数
# 用来控制 from...import 语句能够导入的函数
# 相当于对外暴露出哪些函数能够被使用
from .data_process import clean_data, normalize_data
from .utils.common import print_info

# 2.定义 __all__（配合 from package import * 使用）
# 该配置用来控制 “from 模块 import *” 语句能够导入的函数
# 如果不指定 __all__，则 from ... import * 可以导入上面 from import 导出的所有函数
# 如果指定了 __all__，则 from ... import * 则仅仅能导入 __all__ 指定的函数
__all__ = ["clean_data", "normalize_data", "print_info"]

（2）初始化包的全局变量/资源

可以在 __init__.py 中定义包级别的常量、初始化配置等，包内所有模块均可访问。例如：

# my_package/__init__.py
# 定义包的版本号（全局常量）
__version__ = "1.0.0"

# 初始化配置
DEFAULT_CONFIG = {
    "timeout": 30,
    "encoding": "utf-8"
}

# 导入时执行初始化逻辑
print(f"正在加载 my_package v{__version__}")

__init__.py 内容如下：

from .data_process import clean_data, normalize_data
from .visualization import plot_line_chart
from .utils.common import print_info

__all__ = ["print_info"]

utils/__init__.py 内容如下：

from .common import print_info

__all__ = ["print_info"]

使用自定义包

在 use_data_analysis.py 文件中编写如下代码，导入 data_analysis 包暴露的函数，如下：

# 从 data_analysis 包中导入函数
from data_analysis import clean_data, normalize_data, print_info

# 使用包中的函数
val1 = clean_data([1,2,3,4,5])
print(list(val1))

val2 = normalize_data([1,2,3,4,5])
print(list(val2))

print_info("hello world")

运行结果：

[2, 4]
[2, 4, 6, 8, 10]
[2026-03-23 17:43:48.726446] hello world

如果将上面代码的“from data_analysis import clean_data, normalize_data, print_info”语句改为“from data_analysis import print_info”，如下：

from data_analysis import *

# 使用包中的函数
# 不能使用，在 __all__ 中没有声明
# val1 = clean_data([1,2,3,4,5])
# print(list(val1))

# 不能使用，在 __all__ 中没有声明
# val2 = normalize_data([1,2,3,4,5])
# print(list(val2))

print_info("hello world")

Python广告

虚拟环境（Virtual Environment）

虚拟环境（Virtual Environment）是 Python 中隔离不同项目依赖的核心工具，解决了一个系统中多个项目需要不同版本模块的经典问题。

例如项目 A 需要 requests 2.20，项目 B 需要 requests 3.0，如下图：

注意，虚拟环境本质是一个独立的文件夹，包含：

• 一个精简版的 Python 解释器副本

• 独立的 pip 工具

• 专属的 site-packages 目录（存放该环境的第三方模块）

当激活虚拟环境时，系统会临时修改环境变量（如 PATH），让终端优先使用该环境内的 Python/pip，而非系统全局的。

Python 3.4 及以上版本内置了 venv 模块，无需额外安装，是官方推荐的虚拟环境工具。

创建虚拟环境

# 语法：python -m venv 虚拟环境目录名
# -m 表示运行 Python 的内置模块，这里运行的是 venv 模块（虚拟环境模块）
# 最后一个 venv 是虚拟环境的文件夹名称（可自定义，比如 myenv）
python -m venv venv

注意，目录名推荐用 venv 或 .venv（隐藏目录），是行业通用规范。

当上述命令执行成功后，会在用户主目录中创建一个名为 venv 的目录，如下图：

打开 venv 目录，目录中的内容如下图：

进入到 Scripts 目录，其中包含了 pip.exe、pip3.exe、python.exe 和 activate.bat 等命令，如下图：

激活虚拟环境

上面成功创建了一个名为 venv 的环境，下面来激活 venv 环境。环境激活后，终端提示符会显示环境名（如 (venv)），表示当前操作生效于该环境。

例如：执行如下命令

C:\Users\Administrator\venv> Scripts\activate.bat

激活后，命令提示符如下图：

使用虚拟环境

虚拟环境激活后，python/pip 命令会指向该环境内的版本，安装的模块仅存于该环境，例如：

(venv) C:\Users\Administrator\venv> pip install pandas
Collecting pandas
  Using cached pandas-3.0.1-cp313-cp313-win_amd64.whl.metadata (19 kB)
Collecting numpy>=1.26.0 (from pandas)
  Using cached numpy-2.4.3-cp313-cp313-win_amd64.whl.metadata (6.6 kB)
Collecting python-dateutil>=2.8.2 (from pandas)
  Using cached python_dateutil-2.9.0.post0-py2.py3-none-any.whl.metadata (8.4 kB)
Collecting tzdata (from pandas)
  Downloading tzdata-2025.3-py2.py3-none-any.whl.metadata (1.4 kB)
Collecting six>=1.5 (from python-dateutil>=2.8.2->pandas)
  Using cached six-1.17.0-py2.py3-none-any.whl.metadata (1.7 kB)
Using cached pandas-3.0.1-cp313-cp313-win_amd64.whl (9.7 MB)
Using cached numpy-2.4.3-cp313-cp313-win_amd64.whl (12.3 MB)
Using cached python_dateutil-2.9.0.post0-py2.py3-none-any.whl (229 kB)
Using cached six-1.17.0-py2.py3-none-any.whl (11 kB)
Downloading tzdata-2025.3-py2.py3-none-any.whl (348 kB)
Installing collected packages: tzdata, six, numpy, python-dateutil, pandas
Successfully installed numpy-2.4.3 pandas-3.0.1 python-dateutil-2.9.0.post0 six-1.17.0 tzdata-2025.3

[notice] A new release of pip is available: 25.1.1 -> 26.0.1
[notice] To update, run: python.exe -m pip install --upgrade pip

执行上面语句，将在 venv 环境中安装最新版本的 pandas。然后，访问 venv\Lib\site-packages 目录，下面存放的就是我们刚才安装的库。

导出 / 导入依赖清单

为了确保项目在不同环境下面拥有相同版本的依赖项，我们可以通过 pip freeze 命令把当前项目已经装好的所有包和版本号，保存到一个文件里（通常是 requirements.txt）。如下：

pip freeze > requirements.txt

这样别人就能知道你用了哪些版本，避免环境不一致。

当要其他人也需要运行该项目时，可以通过 pip install -r 命令一次性安装项目所有的依赖，而且依赖的版本项和你完全一致，另一个环境就复刻出来了。如下：

pip install -r requirements.txt

上面命令就会自动把项目依赖一起装上，避免手动一个一个的安装，requirements.txt 类似 java 项目中的 pom.xml 文件。

总结起来：导出，即把当前环境“拍照存档”；导入，即按存档恢复一模一样的环境。

退出虚拟环境

执行 deactivate 命令退出虚拟环境，虚拟环境退出后，终端提示符的 (venv) 消失，恢复使用系统全局 Python。例如：

# 任意系统通用命令
deactivate

删除虚拟环境

当虚拟环境不再需要时，可以直接删除虚拟环境文件夹即可，例如：

# Linux/Mac
rm -rf venv

# Windows（CMD）
rmdir /s /q venv

Python广告

其他虚拟环境工具

除了内置的 venv，还有更便捷的第三方工具，适合复杂项目：

virtualenv（兼容 Python2/3）

virtualenv 是一个用于创建独立 Python 环境的工具。它可以帮助我们在同一台机器上同时拥有多个不同版本的 Python 环境，并且每个环境之间相互隔离，不会互相影响。

virtualenv 解决了以下问题:

• 依赖冲突：不同的项目可能依赖于相同包的不同版本，virtualenv 允许每个项目拥有独立的包依赖，避免版本冲突。

• 环境隔离：virtualenv 允许我们创建干净的 Python 环境，可以用于测试或实验新的包或代码，而不会影响全局 Python 环境。

• 权限问题：virtualenv 可以在没有管理员权限的情况下安装 Python 包。

自 Python 3.3 起，标准库中包含了 venv 模块，它也用于创建虚拟环境。但是，virtualenv 提供了一些 venv 没有的功能：

• 更高的性能（因为它具有 app-data 种子方法）。

• 支持为任意安装的 Python 版本创建虚拟环境，并能自动发现它们。

• 能够通过 pip 升级。

• 提供更丰富的编程 API，可以在不创建虚拟环境的情况下描述它们。

virtualenv 的安装和使用：

安装 virtualenv

首先，确保你已经安装了 Python 和 pip。然后可以通过以下命令安装 virtualenv：

$ pip install virtualenv

Collecting virtualenv
  Downloading virtualenv-21.2.0-py3-none-any.whl.metadata (3.5 kB)
Collecting distlib<1,>=0.3.7 (from virtualenv)
  Downloading distlib-0.4.0-py2.py3-none-any.whl.metadata (5.2 kB)
Collecting filelock<4,>=3.24.2 (from virtualenv)
  Downloading filelock-3.25.2-py3-none-any.whl.metadata (2.0 kB)
Requirement already satisfied: platformdirs<5,>=3.9.1 in C:\Users\Administrator\AppData\Roaming\Python\Python313\site-packages (from virtualenv) (4.3.8)
Collecting python-discovery>=1 (from virtualenv)
  Downloading python_discovery-1.2.0-py3-none-any.whl.metadata (5.4 kB)
Downloading virtualenv-21.2.0-py3-none-any.whl (5.8 MB)
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 5.8/5.8 MB 85.6 kB/s  0:00:58
Downloading distlib-0.4.0-py2.py3-none-any.whl (469 kB)
Downloading filelock-3.25.2-py3-none-any.whl (26 kB)
Downloading python_discovery-1.2.0-py3-none-any.whl (31 kB)
Installing collected packages: distlib, filelock, python-discovery, virtualenv
Successfully installed distlib-0.4.0 filelock-3.25.2 python-discovery-1.2.0 virtualenv-21.2.0

安装完成后，可以通过 virtualenv --version 来确认安装是否成功，例如：

$ virtualenv --version
virtualenv 21.2.0 from D:\Program Files\Python313\Lib\site-packages\virtualenv\__init__.py

创建虚拟环境

使用 virtualenv 命令可以轻松创建虚拟环境，并指定环境目录：

virtualenv <环境目录名>

例如，创建一个名为 myenv 的虚拟环境：

$ virtualenv myenv
could not migrate app data from C:\Users\Administrator\AppData\Local\pypa\virtualenv to C:\Users\Administrator\AppData\Local\pypa\virtualenv\Cache: Error("Cannot move a directory 'C:\\Users\\Administrator\\AppData\\Local\\pypa\\virtualenv' into itself 'C:\\Users\\Administrator\\AppData\\Local\\pypa\\virtualenv\\Cache'."), using old location
created virtual environment CPython3.13.5.final.0-64-x86_64 in 658ms
  creator CPython3Windows(dest=C:\Users\Administrator\myenv, clear=False, no_vcs_ignore=False, global=False)
  seeder FromAppData(download=False, pip=bundle, via=copy, app_data_dir=C:\Users\Administrator\AppData\Local\pypa\virtualenv)
    added seed packages: pip==26.0.1
  activators BashActivator,BatchActivator,FishActivator,NushellActivator,PowerShellActivator,PythonActivator

这会在当前目录下创建一个名为 myenv 的文件夹，包含 Python 解释器和常见的包管理工具。

激活虚拟环境

在 Linux/macOS 中，使用 source 命令激活虚拟环境：

source myenv/bin/activate

在 Windows 中，使用以下命令：

.\myenv\Scripts\activate.bat

激活后，命令提示符会变成如下所示，显示虚拟环境的名称：

(myenv) C:\Users\Administrator>

此时，所有的 Python 包安装操作都将在该虚拟环境中进行，而不会影响全局环境。

停用虚拟环境

完成工作后，你可以使用 deactivate 命令来停用虚拟环境：

.\myenv\Scripts\deactivate.bat

停用后，命令行会恢复到系统的全局环境。

Anaconda

Anaconda 是一个面向数据科学与机器学习的 Python 发行版，核心作用就是：

一键装好 Python + 常用科学计算库（NumPy、Pandas、Matplotlib 等）+ 环境管理工具，不用自己一个个配依赖。

使用浏览器访问 https://www.anaconda.com/ 地址，如下图：

根据需要，下载需要的版本，然后成功安装 Anaconda。

启动 Anaconda，界面如下图：

点击“Environments”查看当前创建的所有 Python 虚拟环境，如下图：

点击底部的 按钮，管理虚拟环境。

下面是 Anaconda 的管理命令，如下：

# 验证 Anaconda 是否安装成功（查看版本）
conda --version
conda -V

# 激活环境
conda activate 环境名称

# 升级 conda 本身（建议定期升级）
conda update conda -y  # -y 自动确认所有提示

# 查看 conda 所有命令帮助
conda --help

# 查看某个命令的详细用法（如 create）
conda create --help

# 列出所有已创建的虚拟环境
conda info --envs
conda env list  # 简写，更常用

# 基础语法：conda create -n 环境名 python=版本号 -y
conda create -n my_env python=3.10 -y  # 创建名为 my_env、Python3.10 的环境

# 创建时直接安装指定包
conda create -n ml_env python=3.9 numpy pandas -y

# 复制环境（基于已有环境创建新环境）
conda create -n new_env --clone my_env -y

# 删除环境
conda remove -n my_env --all -y

# 基础语法：conda install 包名=版本号 -y
conda install numpy -y  # 安装最新版 numpy
conda install pandas=2.0.0 -y  # 安装指定版本 pandas

# 从指定频道（源）安装（如清华源）
conda install -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ scipy -y

# 安装多个包
conda install numpy pandas matplotlib -y

# 也可使用 pip（环境内）
pip install requests  # 适合 conda 仓库没有的包

# 查看当前环境已安装的所有包
conda list

# 查看指定包的信息（如 numpy）
conda list numpy

# 搜索 conda 仓库中的包
conda search tensorflow

# 更新指定包
conda update numpy -y

# 更新当前环境所有包
conda update --all -y

# 卸载包
conda remove numpy -y

更多 Python3 知识，请继续学习后续章节。