一年半以前写了关于 Python 包管理及虚拟环境系列
其中历数了 virtualenv, python3 -m venv, pipenv, 并提到了 pyenv 和 conda。但对 pyenv 和 conda 未作介绍，其中 conda 似乎不该错过。 Anaconda 着力于为数据分析提供支撑，并与 Jupyter Notebook 有更完美的结合，而且 PyCharm 中对它也有很好支持。因此本文来了解一下 conda 以及 Anaconda。
首先 Anaconda 是什么，它是一个用于科学计算的，跨平台的包管理与 Python 环境的工具，它方便的解决了多版本 Python 并存，切换及第三方包安装的问题。所以 Anaconda 不只是像 venv, pipenv 那样的创建管理 Python 虚拟环境，还承担了系统软件的安装管理，像 Mac 下的 brew 那样的功能。一般来说我们没有必要安装 Anaconda, 只需要安装 Miniconda 获得 conda 这个命令行工具即可。 阅读全文 >>
前两篇分别学习了 Python 如何进行依赖的管理，以及结合虚拟环境来使用 pip 进行依赖管理。而有人觉得把 virtualenv 与 pip 分开来操作太麻烦了，而且 requirements.txt 描述依赖的方式十分笨拙，所以在前两者之上创建了 pipenv, 也谈不上重新发明了轮子吧。
倘若不是经由 virtualenv, venv 而来到 pipenv，没有对比也就无法体会到 pipenv 的妙处的。pipenv 在总结了 virtualenv/venv 的缺点之后由 Kenneth Reitz 于 2017 年 1 月发布的新型 Python 依赖管理器。
virtualenv 和 pip，只要一条命令 pipenv 完成所有的事requirements.txt 文件，而是由 pipenv 自动维护 Pipfile 和 Pipfile.lock 文件pipenv graph)，像 mvn dependency:tree 那样显示依赖树 原本想在一篇之内覆盖到 Python 的包管理以及各类虚拟环境的应用，没想根本就是一发不可收拾，恐怕两篇都完不了，所以也要进行重构。这里只涉及到 Python 的虚拟环境 venv 和 virtualenv，至于标题的话，也不想再改了，只作一，二，三编号，必要时仍能连缀成长篇。最后一篇将单独学习 pipenv 的应用。
以下序号也是承接上一篇 Python 包管理及虚拟环境的应用(一)。
关于创建 Python 项目的虚拟环境，有三个工具可用, venv, virtualenv, 以及后面单独要学到的 pipenv
venv , 即 python3 -m venv 命令，Python 3.3 及新版本自带了，为 Python 3.4 及以后的版本创建的虚拟环境会有 pip 和 setuptools 命令virtualenv 需要单独安装，但是它支持 Python 2.7 和 Python 3.3+， 创建的虚拟环境中带有 pip, setuptools 和 wheel 命令pyvenv 脚本也可用来创建 Python 虚拟环境，不过它自 Python 3.6 不推荐使用，建议用 python3 -m venv 命令 话说 Python 的哲学之一就是: 用一种方法，最好是只有一种方法来做一件事。可以用 python -m this 或在 python 交互界面下 import this 看到 The Zen of Python 有一句：
There should be one-- and preferably only one --obvious way to do it.
然而 Python 在关于包管理(依赖管理)一事上却让人面临了众多的选择。
即使是 Java 日趋发展庞大的今天，包管理工具也没有如今的 Python 复杂，Java 的包管理工具经历了手工下载 jar 包，Maven, Ant+Ivy, Gradle, sbt, 但主流的也就 Maven 和 Gradle, 并且它们兼具项目构建的功能。
这里有一个 Python 包管理工具变迁的视频: Kenneth Reitz - Pipenv: The Future of Python Dependency Management - PyCon 2018。再更早的 Python 依赖管理的方式不说，视频中提到了 阅读全文 >>