Anaconda与Jupyter Notebook安装使用教程：从零搭建Python环境

Anaconda和Jupyter Notebook安装及使用教程（入门级）

如果你已经开始学Python，大概很快会撞上一个特别糟心的场景：今天要用pandas处理数据装了一个包，明天跑别人的代码又提示缺少某个依赖，后天另一个项目需要Python 3.8但你机器上只有3.10，一升级，老脚本全挂了。

我在带新人入门时见过太多次这种混乱：一台电脑上装了三四个Python版本，每个项目依赖的包互相冲突，最后不得不格式化重装系统。而Anaconda这个"Python全家桶"之所以能成为数据科学和机器学习领域的事实标准，就是因为它把Python解释器、包管理器conda、常用科学计算库、Jupyter Notebook这套工具链打包到了一起，并且用虚拟环境把不同项目的依赖彻底隔离。

这篇教程面向的是零基础或者半基础的朋友。我会从Anaconda到底解决什么问题讲起，带你走完下载安装、首次启动Jupyter Notebook、创建管理虚拟环境的完整流程，最后再给一份我踩过的坑的排查清单。全部内容都是我在不同操作系统上实测过的操作，你可以直接照着做。

1. Anaconda到底是什么，以及它帮你绕开了哪些坑

很多初学者有个误解，以为Anaconda只是"一个大点的Python"。这样说对了一半，但不全面。Anaconda本质上是一个Python发行版，在Python解释器之上，额外集成了conda包管理工具、Navigator图形界面、Jupyter Notebook、Spyder，以及300多个科学计算领域最常用的第三方库（比如numpy、pandas、matplotlib、scikit-learn），安装完就能开始干活，不用再一个个去拼装。

1.1 Python环境为什么会"乱"

如果你裸装Python，然后用pip去安装各种包，时间一长一定会遇到下面这些问题：

• 全局安装导致依赖冲突：项目A需要pandas 1.x，项目B需要pandas 2.x，装到同一个全局环境里必然互相覆盖；
• Python版本切换困难：你想同时用Python 3.8和3.10，裸管理基本靠手动改环境变量，改着改着系统就崩了；
• 卸载不干净：Windows上裸装Python想卸载往往残留一堆注册表和脚本，重装又会带来新的问题。

我见过最夸张的一个案例，一个学生为了跑机器学习课作业，在电脑里装了三套Python，最后连系统自带的命令行工具都受到环境变量污染，打不开终端。这类问题在Anaconda体系下几乎不会遇到，因为每个项目的依赖都被锁在独立的虚拟环境里，互不干涉。

1.2 conda与pip的分工差异

这是新手最容易懵的地方。Anaconda自带两个包安装工具，conda和pip，很多人分不清到底用哪个。

简单说，conda是一个环境管理器+包管理器，除了安装Python包，它还能创建独立的Python解释器版本环境。pip则纯粹是Python包管理器，只能安装包到当前环境。

实操中的选择逻辑是：

• 默认优先用conda install，因为Anaconda官方已经帮你验证过不同包之间的依赖兼容性；
• 如果某个包在conda源里没有（比如很多最新版本的库），就用pip install，但要注意这个包会装进当前激活的虚拟环境，不会污染别的环境。

在Windows上有个特别常见的报错是pip install提示"externally-managed-environment"，这是因为新版pip会检测系统包的所属关系。在Anaconda的虚拟环境内一般不会遇到，但如果你在系统Python里强行用pip，就可能被拦。所以我的建议始终是：Python环境管理，直接交给Anaconda。

1.3 谁适合用Anaconda

我通常这样跟人讲：如果你是搞数据分析、机器学习、科学计算，或者你是学生、科研人员，需要快速在实验室和家里电脑之间保持环境一致，Anaconda是最省心的选择。如果你是纯软件工程师，只写Web后端，依赖相对少，用系统自带的虚拟环境也完全OK。

另外，Anaconda自带的Jupyter Notebook对于教学演示和探索性数据分析特别友好，可以边写代码边看到结果，还能穿插文字说明和图表，天然适合做技术笔记。后面我会专门用一整章讲它的上手方法。

提示：Anaconda占用磁盘空间比较大，装完基础版大概需要3~5GB。如果只是图个环境隔离功能，可以装Miniconda（只包含Python和conda，体积小很多）。但第一次上手，我建议直接用完整版Anaconda，省去后续单独安装各种库的麻烦。

2. 从下载到装完：Anaconda安装全流程与容易翻车的三个细节

安装Anaconda的逻辑不复杂，但细节翻车率极高。我实测过Windows、macOS和Ubuntu三种系统的安装，下面按照最常见的Windows流程讲，最后补充macOS和Linux的差异。

2.1 官网下载还是镜像源下载

Anaconda的官方下载地址是anaconda.com/products/distribution，进去之后页面会默认显示Windows版的"Download"按钮。但官网服务器在国外，国内下载速度经常只有几十KB/s，一个600MB的安装包可能要下半小时以上。

我的建议是直接用国内镜像站下载。清华大学的开源软件镜像站（mirrors.tuna.tsinghua.edu.cn/anaconda/archive/）同步了Anaconda官方所有的历史版本安装包。你可以在镜像站的archive目录里挑一个版本，比如2024.06-1版本的Windows x86_64安装包，速度通常能达到几MB/s，一分钟内就能下完。

选版本的时候注意两点：

1. 优先选Anaconda3-2024.xx这种较新的版本，自带的Python版本比较高，兼容性更好；
2. 注意文件名末尾的Windows-x86_64表示64位系统，绝大多数电脑都用这个。32位系统现在很罕见了，但如果你电脑比较老，需要找Windows-x86的版本。

顺便提一句，网上搜Anaconda下载经常先跳出来各种"高速安装助手"之类的第三方站点，我建议一律避开，只用官网或者清华镜像站，避免捆绑软件和流氓插件。

2.2 安装过程中那些必须勾对和选对的地方

安装包下载完成后双击运行，大部分步骤直接点击Next即可，但有几个窗口值得停下来想想。

第一个关键点是安装路径。默认路径是C:\Users\你的用户名\anaconda3，我建议就保留这个默认路径。修改路径的时候切记：路径中不能出现中文和空格。有朋友喜欢装到D:\软件\Anaconda，这个路径本身没毛病，如果非要自定义，就用纯英文字母加数字的组合。

第二个关键点是"Add Anaconda3 to my PATH environment variable"这个勾选框。这里有个广为流传的说法是"千万别勾"，我认为需要分情况。

• 如果你的电脑上没有装过别的Python，我建议勾上。因为不勾的话，在终端里输入conda会提示找不到命令，新手很容易在这一步卡住——明明装好了，命令行却不认；
• 如果你电脑上已经有其他Python应用，或者你以后主要用PyCharm这类集成开发环境，那可以不勾，用Anaconda Prompt进开发环境。

网上很多教程一口咬死"坚决不勾"，然后新人装完想用命令行验证又发现找不到conda，白白多绕一个弯。我的实操经验是：对刚入门的朋友来说，勾上更省心，唯一需要注意的是如果电脑里本来就装了Python，勾选后可能在命令行里需要调整一下环境变量优先级。

第三个关键点是"Advanced Installation Options"界面，里面还有两个勾选框，分别是注册Anaconda为默认Python 3.x和清除缓存。默认情况下这两个框是勾上的，保持默认即可。

安装过程大概需要几分钟到十几分钟，取决于硬盘速度。装完之后，建议顺手把桌面上自动生成的"Anaconda Navigator"和"Jupyter Notebook"快捷方式留着，后面会用到。

2.3 装完之后的第一件事：验证安装

安装完成后，打开你的命令行工具（在Windows上可以用cmd或者PowerShell），输入：

conda --version

如果能看到类似conda 24.7.1的输出，说明conda已经可用。再输入：

python --version

如果输出Python 3.12.4之类的版本信息，说明Anaconda里的Python解释器也生效了。

这里有个极易混淆的点：在勾选了"Add to PATH"之后，命令行里的python命令指向的是Anaconda自带的Python，而不是你以前可能装过的Python。如果输入python --version显示的版本号和Anaconda主页上标注的不一致，多半是环境变量里旧的Python路径排在前面。解决方案是把Anaconda的路径在系统环境变量里往上调整，或者干脆卸载掉旧的Python。

2.4 macOS和Linux安装要点

macOS的安装过程和Windows大同小异，下载的是.pkg格式的安装包，双击后按向导操作，在"Destination Select"步骤建议选择"Install for me only"（只当前用户安装），避免权限问题。安装完成后，在终端里执行：

source ~/.bash_profile

或者如果你用的是zsh（新版macOS默认），执行：

source ~/.zshrc

再输入conda --version验证。

Ubuntu等Linux发行版稍微麻烦点。下载下来的文件是.sh脚本，需要先赋予执行权限再运行：

chmod +x Anaconda3-2024.06-1-Linux-x86_64.sh ./Anaconda3-2024.06-1-Linux-x86_64.sh

安装过程中会问你是否接受许可协议，一路输入yes就行。最后它会问你"Do you wish the installer to initialize Anaconda3 by running conda init?"，这里建议输入yes，这样conda会自动写入你的shell配置文件（比如~/.bashrc或~/.zshrc）。安装完成后重新打开终端，或者执行：

source ~/.bashrc

conda命令就能用了。

在Linux上有个高频出问题的点：如果你已经装了某个系统版本的Python（比如Ubuntu系统自带的3.10），安装Anaconda后执行python命令可能还是指向系统路径。此时可以输入which python看看实际路径，如果指向/usr/bin/python，可以用conda activate base先激活base环境再看。

3. Jupyter Notebook正式上手：网页版Python实验室的打开方式

Jupyter Notebook是Anaconda全家桶里对新手最友好的一个工具。它的本质是一个基于浏览器的交互式Python运行环境，你在网页里写代码，按一下Shift+Enter执行，结果会直接显示在代码块下方，还支持穿插Markdown格式的文字说明、插入图片和渲染公式。

我用它写过课程讲义、做过数据分析报告、跑过机器学习Demo，体验上就是一个"可执行的实验笔记本"。

3.1 三种启动方式，推荐先用第一种

启动Jupyter Notebook有三种途径，我按照推荐程度排个序。

第一种，从Anaconda Navigator启动。打开Navigator，在Home页面上找到"Jupyter Notebook"模块，点击右侧的"Launch"按钮，它会自动打开一个浏览器新标签页。

第二种，在命令行启动。如果你勾选了Add to PATH，可以直接在终端输入：

jupyter notebook

终端会输出一串日志，自动弹出浏览器。如果你设置了Anaconda的路径但终端不认，可以用Anaconda Prompt（Windows下Anaconda自带的命令行工具）来执行同样的命令。

第三种，在虚拟环境里启动。激活某个虚拟环境后再执行jupyter notebook，Jupyter就会以这个环境里的Python作为内核运行。这一步对后面用PyTorch、TensorFlow很重要，因为你在base环境打开Jupyter，是import不到虚拟环境里安装的深度学习框架的。

启动后，浏览器会显示一个类似文件管理器的页面，默认根目录是Anaconda的安装目录或者你的用户主目录。这里可以新建文件夹、上传文件、进入目录，也可以新建一个Notebook文件。

3.2 一个Notebook单元格（Cell）的基本操作

点击界面右上角的"New"，在下拉菜单中选择"Python 3 (ipykernel)"，就会创建一个新的.ipynb文件。这个文件格式适合记录完整的分析思路，比如原理讲解、代码、图表、结论都在同一个文档里。

新建的Notebook里默认有一个空的代码单元格（Cell）。在单元格里输入：

print("Hello, Anaconda!")

然后按Shift+Enter运行，结果会出现在单元格下方，同时光标会自动跳到下一个新单元格。

掌握下面这组快捷键，操作效率会高很多：

• Shift+Enter：运行当前单元格，跳转到下一个单元格；
• Ctrl+Enter：运行当前单元格，不跳转；
• Esc后按M：把当前单元格切换为Markdown格式（可以写文字）；
• Esc后按Y：把当前单元格切换为代码格式；
• Esc后按A：在当前单元格上方插入新单元格；
• Esc后按B：在当前单元格下方插入新单元格；
• Esc后按D D（连按两次D）：删除当前单元格。

补充一个细节：单元格左边的In [ ]符号可以看做执行状态的指示灯。In [*]表示代码正在运行，等待时间长了可能是死循环了，可以点击菜单栏"Kernel"下的"Interrupt"中断执行。

3.3 新手最该知道的几个魔法命令

Jupyter Notebook的灵魂除了灵活的执行方式，还在于它内置了一批"魔法命令"（以百分号开头），我用得最多的是下面这几个：

# 让matplotlib生成的图表直接显示在Notebook里 %matplotlib inline # 在Notebook里执行系统命令（比如查看当前目录） !dir !ls # 测试一行代码的运行耗时 %timeit sum(range(1000)) # 打印当前Notebook使用的Python解释器路径 import sys print(sys.executable)

%matplotlib inline这个命令尤其重要。如果你发现画图不显示、弹出一个空窗口，多半是没有先执行它。新版Jupyter和较新版本的matplotlib有时候会自动归类，但新手最好还是每次运行前显式执行一次。

还有一个概念必须搞清楚：内核（Kernel）。Notebook页面右上角显示的是当前内核，比如"Python 3 (ipykernel)"。你创建的环境不会自动出现在内核列表里，需要在环境里额外装一个ipykernel包并注册。具体操作我放到下一章讲，因为这是虚拟环境和Jupyter结合的核心场景。

3.4 让Notebook不乱：保存、导出与改名

.ipynb文件虽然是以JSON格式存储的，但你可以直接把它当普通笔记文件管理。

• 重命名：在文件管理页面的文件列表里，勾选文件后点击"Rename"按钮；
• 导出：Notebook菜单栏里有"File"→"Download as"，可以导出成.py脚本、HTML网页甚至PDF；
• 自动保存：Jupyter默认开启自动保存功能，默认每120秒保存一次。你也可以随时按Ctrl+S手动保存。

我自己的习惯是每个完整分析项目的Notebook都放在一个独立的文件夹里，文件名用日期_主题的格式，比如20250224_电商数据清洗分析.ipynb。因为Notebook文件天然就是边做边记录的载体，规范命名能在三个月后帮你快速回忆起当时的思路。

4. 虚拟环境是Anaconda的灵魂：创建、切换与绑定PyCharm

如果说Jupyter Notebook是Anaconda的"门面"，那conda管理的虚拟环境就是它的"地基"。

虚拟环境的本质是：在同一个操作系统上，创建多个互相隔离的Python目录，每个环境拥有自己独立的Python解释器版本和第三方包集合。激活某个环境后，命令行和程序里的python和conda就都指向这个环境的路径。

4.1 创建和删除环境，每个项目一套

创建虚拟环境的命令非常简单，关键是先把命名规则想好。

conda create -n pytorch_env python=3.9

这条命令会创建一个名字叫pytorch_env的新环境，并指定使用Python 3.9版本。参数-n是--name的简写，后面跟环境名；最后面可以跟任意你需要的包，比如：

conda create -n data_analysis_env python=3.10 pandas numpy matplotlib

小提示：环境名建议用全小写字母加下划线，不要用中文和空格，因为有些底层工具对非ASCII字符路径支持不好。我见过用中文名字建了环境，结果某个依赖库死活编译不过的案例。

查看当前存在的所有环境：

conda env list

输出中带星号（或者显示括号）的就是当前激活的环境。删除环境：

conda remove -n 环境名 --all

另外补充一个克隆环境的技巧，如果你要在一台新电脑上复现已有环境，最省力的方式是先把原环境导出成配置文件：

conda activate 原环境名 conda env export > environment.yaml

然后在新电脑上执行：

conda env create -f environment.yaml

这样能最大程度复现原环境的包版本和渠道信息。不过要注意，导出的yaml文件里可能包含当前操作系统的具体路径（比如一些包的URL），在跨平台迁移时偶尔会出问题。我在Windows和Ubuntu之间迁移时，一般只保留dependencies部分里顶层声明的包名，去掉所有通过URL链接指定的包，再手动装一次。

4.2 环境的激活、切换与Jupyter内核注册

创建完环境后，使用前必须激活。

Windows下执行：

conda activate pytorch_env

macOS和Linux同理。在较新版本的中文Windows系统控制台中，可能需要先执行conda init保证环境激活脚本正确加载。

激活后你会发现命令行前面出现了环境名，比如(pytorch_env) C:\Users\...。此时再执行：

python --version

显示的版本就是你创建环境时指定的Python版本。这说明当前命令行已经切换到这个虚拟环境了。

接下来就是那种最让人困惑的情况：在PyCharm里用这个环境的解释器运行代码没问题，但在浏览器里打开Jupyter Notebook，却始终导入不了这个环境里的包。

原因在于Jupyter的内核列表独立于conda环境。你需要在你创建的环境里安装ipykernel，并把内核注册到Jupyter。具体步骤：

conda activate pytorch_env conda install ipykernel python -m ipykernel install --user --name=pytorch_env --display-name "Python (pytorch_env)"

最后一条命令的含义是：把当前环境注册为Jupyter的一个内核，显示名称为"Python (pytorch_env)"。注册完成后，打开Jupyter Notebook主页，在"New"下拉菜单里就能看到你注册的内核名字。选中它新建Notebook，遇到import不了包的问题就解决了。

4.3 在虚拟环境里安装包的正确姿势

激活环境后，安装包有两条路：

1. conda install 包名：从Anaconda的软件源安装，自动解决依赖冲突；
2. pip install 包名：从PyPI安装，包通常更新，但可能出现依赖不兼容。

在conda和pip混用的时候，有个容易踩的坑：某些包通过conda安装后，再用pip安装另一个包时，pip会用its own dependency resolver重新解析，可能导致底层包版本被覆盖。我的建议是：尽量在同一个环境里固定用conda或者固定用pip，至少确保每次操作顺序是可复现的。如果你要用PyTorch，最好先按照PyTorch官网给出的conda命令来装全套依赖，不要先pip半个再conda补半个。

有一回帮学生排查环境，她装了十几次PyTorch都报"找不到torch模块"，最后发现原因是在conda虚拟环境里打开了Anaconda Prompt之后，又通过python -m pip install torch安装了CPU版，然后Jupyter里选的还是base内核。最后卸载重来，直接在环境里conda install pytorch ... -c pytorch一次就通了。

4.4 PyCharm中绑定Anaconda环境

很多朋友装Anaconda是为了给PyCharm提供一个省心的Python解释器。绑定步骤在最新版PyCharm中非常直观：

打开PyCharm，进入"File"→"Settings"→"Project"→"Python Interpreter"，点击右上角齿轮图标选择"Add Interpreter"，在弹出的界面左侧选"Conda"，右侧"Environment"栏选择"Existing"，之后在"Interpreter"栏里选择你希望绑定的环境路径，比如C:\Users\你的用户名\anaconda3\envs\pytorch_env\python.exe。点击OK即可。

有一点想特别提醒：如果你在PyCharm里新建项目时直接选择"Conda"作为New environment，PyCharm会让你选择conda可执行文件的位置，这个位置就是Anaconda安装目录下的Scripts\conda.exe（Windows）或者bin\conda（macOS/Linux）。选对了conda，PyCharm才能自动读出你的环境和Python版本。

绑定完成后，写代码时右下角的状态栏会显示当前使用的环境名。如果import某个包时红色波浪线提示找不到，先确认右下角环境切对了，再到Settings里看解释器路径，90%的问题都出在这两步。

5. 爬坑实录：新手最常碰到的十个Anaconda问题

按照我的经验，一个刚开始用Anaconda的人，大概率会在下面这些地方卡住。我把高频问题按出现频率排了个序，并给出可落地的处理方案。

5.1 conda命令找不到

这个问题我在前面提到过。如果你没勾选Add to PATH，在普通命令行里输入conda会提示不是内部或外部命令。处理办法有三个，任选其一：

1. 从开始菜单打开Anaconda Prompt，它已经帮你配置好了conda路径；
2. 在系统环境变量PATH中添加C:\Users\用户名\anaconda3和C:\Users\用户名\anaconda3\Scripts（路径以自己的安装目录为准）；
3. 在Anaconda Prompt里执行conda init cmd.exe，以后普通cmd也能用conda。

5.2 下载安装包慢得无法忍受

Anaconda的包下载默认连接官方仓库，国内速度不稳定。配置清华源是常见的解决办法。

在命令行执行以下命令生成或修改.condarc配置文件：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes

配置完成后可以通过conda config --show channels确认。之后conda安装包时会优先从清华镜像下载，速度提升非常明显。顺带说一句，镜像源只是改变了下载地址，不改变包的内容和依赖规则，不用有顾虑。

5.3 Jupyter Notebook打不开或闪退

如果双击Jupyter图标后浏览器没有自动弹出，常见原因是端口或其他程序被占用。先看命令行窗口输出的报错信息，再检查防火墙是不是把Python进程拦截了。Windows上的解决方案通常是在终端里执行：

jupyter notebook --no-browser

然后用浏览器手动输入http://localhost:8888访问。

另外，http://localhost:8888/tree无法访问时，很可能你的.condarc里配置的SSL证书存在旧设，执行：

conda config --set ssl_verify false

能临时绕开部分证书问题，但这个操作会降低安全性，建议用完后改回来，只在测试环境踩坑时临时使用。

5.4 Notebook里import包报ModuleNotFoundError

这个问题的根因几乎都是内核选错了环境。回到第4章的"Jupyter内核注册"部分，按命令注册一次，然后重启Kernel（菜单栏"Kernel"→"Restart"）再试。

5.5 安装包时提示"Solving environment"卡住

conda在解析依赖关系时可能卡几分钟，这通常不是死机。等待即可，但如果超过十分钟还没反应，可能是有老版本的包和通道信息冲突，按Ctrl+C取消，然后优先尝试conda update conda。

再或者你直接用pip install 包名来绕开conda的求解过程，能缓解90%的等待焦虑。

5.6 Anaconda安装包下到一半就失败

Windows下面的下载容易因为网络波动中断。镜像实现断点续传比较麻烦，最简单粗暴的办法是换一个浏览器下载，或者换个位置的下载节点，比如从清华镜像切到阿里云镜像服务器再试。

5.7 创建环境时提示CondaHTTPError

出现"HTTP 000 CONNECTION FAILED"这类错误，通常是镜像源配置有问题。先检查配置文件路径，然后在命令行执行：

conda clean -i conda config --remove-key channels conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

清掉缓存后重试。

5.8 卸载Anaconda卸不干净

definitely是入门用户的大烦恼。Windows上：开始菜单里找到Anaconda文件夹，运行Uninstall-Anaconda；卸载后手动删除C:\Users\用户名\.conda目录、C:\Users\用户名\.anaconda目录；如果之前勾选了Add to PATH，还要在系统环境变量中手动删除Anaconda相关路径。macOS/Linux直接删除安装目录和.conda文件夹，再检查~/.bashrc或~/.zshrc里是否残留conda init的配置段。

5.9 anaconda和pycharm版本对应关系让人纠结

这个问题其实没有想象中复杂。Anaconda自带的是某个Python版本，PyCharm只是把当前环境里的Python解释器拿过来使用，两者不存在"必须匹配"的关系。只要你在PyCharm的解释器设置里指向Anaconda环境下的python.exe，PyCharm就会自动识别该环境中的所有已安装包。

5.10 装了Anaconda之后原来的Python项目跑不起来了

如果是这样，大概率因为你把Anaconda的Python路径排到了环境变量最前面，原来的项目这时调用的是Anaconda的Python，而项目依赖的第三方包又在原Python环境里。解决方案分两种：

• 项目继续用原Python：把原Python路径移到环境变量最前面，或者不用Anaconda的base环境，直接创建一个专用环境并安装项目的依赖；
• 项目改用Anaconda环境：在项目目录下重新安装依赖包，然后激活对应环境运行。

我的建议是，既然决定用Anaconda，就尽快给每个项目建立独立虚拟环境，不再依赖系统原装的Python。

6. 最后再分享几个让环境越用越顺的管护习惯

安装Anaconda只是开始。我在实际使用中逐渐形成了一套小习惯，这些方法能显著减少后续的问题，分享给你参考。

第一，不把base环境当仓库。base环境相当于Anaconda自带的初始环境，很多教程默认往里装各种各样的包，最后导致base越用越臃肿。我的习惯是按项目粒度建环境，比如数据清洗、机器学习、爬虫各自独立，base环境保持Anaconda自带的状态不动。这样即使某个环境搞崩了，删除重建成本也不高。

第二，定期整理环境列表。项目结束后，或者一个学期结束时，花几分钟用conda env list查看当前所有的环境，把已经用不到的环境删掉。我见过不少人的电脑上躺着十几个名为test、untitled的环境，硬盘占用几十GB，删掉后整个世界都清静了。规则很简单：环境名里带上项目关键词，比如nlp_project、cv_practice，半年后你还是能一眼看出这是什么项目。

第三，Jupyter和虚拟环境结合用。如果你习惯了Notebook，记得在每次新建环境后顺手敲那三行ipykernel注册命令。一套标准操作就是：创建环境→激活→装ipykernel→注册内核。把这四步固定成肌肉记忆，以后就可以放心地在不同环境间自由切换。

第四，善用conda config维护镜像源。如果你换了网络环境或者发现某段时间下载特别慢，先别慌着重装，看一下当前配置文件，清理掉不需要的旧通道。常用命令我再说一遍：

conda config --show channels conda config --remove channels 要删除的源 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

配置完记得执行conda clean -a清理缓存，有时候缓存里的坏家伙会反复导致安装失败。

我在带新人的时候经常讲一句话：Anaconda本身不神奇，神奇的是它让Python环境管理变成了一件"一次性花十分钟设置，之后半年省心"的事。如果你第一次接触这些概念觉得信息量很大，不需要一次全记住，只要先能安装成功、打开Jupyter、创建一个环境并绑定到PyCharm，后面所有功能都是水到渠成的。

遇到具体报错时，也欢迎带着完整报错信息来交流。这些坑我基本都踩过，而且踩完之后发现大部分问题背后都有一个特别朴素的原因，只是大多数人刚入门时缺一个能把前因后果串起来的人。