01 - 虚拟环境管理¶

# 项目A需要tensorflow 2.0
# 项目B需要tensorflow 1.x
# 没有虚拟环境？冲突！

# 另一个常见问题：
# 项目A需要requests 2.25.0
# 项目B需要requests 2.28.0
# 全局安装只能有一个版本

# 创建环境
conda create -n myproject python=3.11

# 创建环境时指定多个包
conda create -n datascience python=3.11 numpy pandas matplotlib

# 激活环境
conda activate myproject

# 退出环境
conda deactivate

# 安装包
conda install numpy pandas
pip install package-name  # conda没有的包可以用pip

# 查看已安装的包
conda list

# 更新包
conda update numpy

# 删除包
conda remove numpy

# 列出所有环境
conda env list

# 克隆环境
conda create -n new_env --clone old_env

# 删除环境
conda env remove -n myproject

# 导出环境（精确版本）
conda env export > environment.yml

# 导出环境（仅显式安装的包）
conda env export --from-history > environment.yml

# 从文件创建环境
conda env create -f environment.yml

# 创建虚拟环境
python -m venv myenv

# 激活环境（Windows）
myenv\Scripts\activate

# 激活环境（Linux/Mac）
source myenv/bin/activate

# 退出环境
deactivate

# 删除环境（直接删除文件夹）
rm -rf myenv  # Linux/Mac
rmdir /s myenv  # Windows

# 生成requirements.txt
pip freeze > requirements.txt

# 安装依赖
pip install -r requirements.txt

# pip 不支持区分生产/开发依赖，需使用独立的文件管理
pip install -r requirements.txt          # 生产依赖
pip install -r requirements-dev.txt      # 开发依赖（可选）

# 安装poetry
pip install poetry

# 或使用官方安装脚本
curl -sSL https://install.python-poetry.org | python3 -

# 创建新项目
poetry new myproject
cd myproject

# 在现有项目初始化
poetry init

# 添加依赖
poetry add numpy pandas

# 添加开发依赖
poetry add --group dev pytest black

# 安装所有依赖
poetry install

# 激活shell
poetry shell

# 运行命令
poetry run python script.py

# 更新依赖
poetry update

# 导出requirements.txt
poetry export -f requirements.txt --output requirements.txt

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 通过 pip 安装（也可以，但推荐上面的独立安装方式）
pip install uv

# 通过 Homebrew
brew install uv

# 查看可安装的 Python 版本
uv python list

# 安装指定版本的 Python
uv python install 3.12

# 安装多个版本
uv python install 3.11 3.12

# 固定项目使用的 Python 版本
uv python pin 3.12

# 创建新项目（自动生成 pyproject.toml 和虚拟环境）
uv init myproject
cd myproject

# 在现有项目初始化
uv init

# 添加依赖
uv add numpy pandas

# 添加开发依赖
uv add --dev pytest black ruff

# 移除依赖
uv remove pandas

# 同步环境（安装 lock 文件中的所有依赖）
uv sync

# 更新所有依赖
uv lock --upgrade

# 运行命令（自动使用项目虚拟环境）
uv run python script.py
uv run pytest

# 创建虚拟环境
uv venv

# 指定 Python 版本创建
uv venv --python 3.12

# 指定目录名
uv venv .venv

# 激活（与 venv 相同）
# Windows:
.venv\Scripts\activate
# Linux/Mac:
source .venv/bin/activate

# 用法与 pip 几乎完全一致，只是快得多
uv pip install numpy pandas
uv pip install -r requirements.txt
uv pip uninstall numpy
uv pip freeze > requirements.txt
uv pip list
uv pip show numpy

# 编译锁定文件（替代 pip-tools）
uv pip compile requirements.in -o requirements.txt
uv pip sync requirements.txt

# 无需安装，直接运行 CLI 工具
uv tool run ruff check .
uvx ruff check .          # uvx 是 uv tool run 的简写

uvx black --check .
uvx jupyter lab
uvx cookiecutter gh:audreyfeldroy/cookiecutter-pypackage

# 策略1：锁定版本（生产环境推荐）
# requirements.txt
numpy==1.24.3
pandas==2.0.2

# 策略2：最小版本约束
# requirements.txt
numpy>=1.24.0
pandas>=2.0.0,<3.0.0

# 策略3：使用poetry（推荐新项目）
# 自动管理依赖和虚拟环境

# setup.sh - 快速设置开发环境
#!/bin/bash

# 创建环境
conda env create -f environment.yml -n myproject

# 激活环境
conda activate myproject

# 安装预提交钩子
pre-commit install

echo "环境设置完成！"

# 1. 为你的数据分析项目创建一个conda环境
# 2. 安装numpy, pandas, matplotlib, jupyter
# 3. 导出environment.yml
# 4. 删除环境并重新从文件创建

# 1. 创建一个requirements.txt，包含3个包
# 2. 创建虚拟环境并安装依赖
# 3. 添加一个新依赖并更新requirements.txt

# 1. 安装poetry
# 2. 创建一个新项目
# 3. 添加几个依赖
# 4. 运行一个简单的Python脚本

# 1. 安装uv
# 2. 使用 uv init 创建一个新项目
# 3. 用 uv add 添加 numpy, pandas, matplotlib
# 4. 用 uv run python -c "import numpy; print(numpy.__version__)" 验证
# 5. 用 uvx ruff check . 体验一次性工具运行
# 6. 对比 pip install 和 uv pip install 的速度差异