I use both and (as of Jan, 2020) they have some superficial differences that lend themselves to different usages for me. By default Conda prefers to manage a list of environments for you in a central location, whereas virtualenv makes a folder in the current directory. The former (centralized) makes sense if you are e.g. doing machine learning and just have a couple of broad environments that you use across many projects and want to jump into them from anywhere. The latter (per project folder) makes sense if you are doing little one-off projects that have completely different sets of lib requirements that really belong more to the project itself.

Conda创建的空环境大约是122MB，而virtualenv的大约是12MB，所以这是另一个你可能不喜欢到处散布Conda环境的原因。

最后，Conda更喜欢集中式env的另一个表面迹象是(同样是默认情况)，如果您在自己的项目文件夹中创建了Conda env并激活它，那么出现在shell中的名称前缀就是该文件夹的绝对路径(太长了)。你可以通过给它一个名字来解决这个问题，但是默认情况下virtualenv做的是正确的事情。

我预计随着两个包管理器争夺主导地位，这些信息将很快变得陈旧，但这些是今天的权衡:)

编辑:我在2021年4月再次审查了情况，情况没有变化。使用conda安装本地目录仍然很尴尬。

简单地说，你只需要康达。

Conda在一个包中有效地结合了pip和virtualenv的功能，因此如果使用Conda，则不需要virtualenv。 conda支持的软件包数量之多，你会感到惊讶。如果还不够，可以在conda下使用pip。

这里是conda, pip和virtualenv对比页面的链接:

https://docs.conda.io/projects/conda/en/latest/commands.html conda-vs-pip-vs-virtualenv-commands。

Conda取代virtualenv。在我看来，这样更好。它不局限于Python，也可以用于其他语言。根据我的经验，它提供了更流畅的体验，特别是对于科学软件包。我第一次在Mac上正确安装MayaVi是用conda。 你仍然可以使用pip。事实上，conda会在每个新环境中安装pip。它知道pip安装包。

例如:

conda list

列出当前环境中所有已安装的包。 conda安装的包显示如下:

sphinx_rtd_theme          0.1.7                    py35_0    defaults

通过PIP安装的有< PIP >标记:

wxpython-common           3.0.0.0                   <pip>

I use both and (as of Jan, 2020) they have some superficial differences that lend themselves to different usages for me. By default Conda prefers to manage a list of environments for you in a central location, whereas virtualenv makes a folder in the current directory. The former (centralized) makes sense if you are e.g. doing machine learning and just have a couple of broad environments that you use across many projects and want to jump into them from anywhere. The latter (per project folder) makes sense if you are doing little one-off projects that have completely different sets of lib requirements that really belong more to the project itself.

Conda创建的空环境大约是122MB，而virtualenv的大约是12MB，所以这是另一个你可能不喜欢到处散布Conda环境的原因。

最后，Conda更喜欢集中式env的另一个表面迹象是(同样是默认情况)，如果您在自己的项目文件夹中创建了Conda env并激活它，那么出现在shell中的名称前缀就是该文件夹的绝对路径(太长了)。你可以通过给它一个名字来解决这个问题，但是默认情况下virtualenv做的是正确的事情。

我预计随着两个包管理器争夺主导地位，这些信息将很快变得陈旧，但这些是今天的权衡:)

编辑:我在2021年4月再次审查了情况，情况没有变化。使用conda安装本地目录仍然很尴尬。

安装Conda将使您能够按照您的意愿创建和删除python环境，从而为您提供与virtualenv相同的功能。

在这两种发行版的情况下，您可以创建一个隔离的文件系统树，在那里您可以按照自己的意愿安装和删除python包(可能是使用pip)。如果您想为不同的用例使用相同库的不同版本，或者您只是想尝试一些发行版，然后在节省磁盘空间后删除它，那么这可能会派上用场。

差异:

许可协议。虽然virtualenv使用的是最自由的MIT许可证，但Conda使用的是3条款BSD许可证。

Conda为您提供了自己的包控制系统。这个包控制系统通常提供流行的非python软件的预编译版本(对于大多数流行的系统)，这可以很容易地让一些机器学习包工作。也就是说，你不需要为你的系统编译优化的C/ c++代码。虽然这对我们大多数人来说是一种解脱，但它可能会影响此类库的性能。

与virtualenv不同，Conda至少在Linux系统上复制了一些系统库。这些库可能会不同步，导致程序的行为不一致。

结论:

Conda很棒，应该是您开始学习机器学习时的默认选择。这将为您节省一些处理gcc和大量包的时间。然而，Conda并不能取代virtualenv。它引入了一些可能并不总是需要的额外复杂性。它有不同的许可。您可能希望避免在分布式环境或HPC硬件上使用conda。

另一个新的选择，也是我目前最喜欢的启动和运行环境的方法是Pipenv

它目前是Python.org官方推荐的Python打包工具