最近正好在整理相关资料，在此分享一下我的理解。相信读完这篇回答，你就能了解conda和pip的所有区别啦！

整篇内容比较长，如果一时读不完，可以直接拉到conda vs pip部分，我整理了一个完整的对照表，更直观的显示了两者的区别。

那么接下来就让我们深入了解一下conda和pip。在下划之前，记得给老K点个赞和关注哦~

深度讲解conda和pip的区别

很多人以为conda和pip几乎相同，在功能和使用上没有差别。

虽然两者在功能上基本是重叠的，但实际上它们的设计目标是不同的。pip就是为Python服务的，而conda是为了科学计算和研究设计的，因此它两在使用上是会有些许差别的。

让我们来仔细看一看。

安装包

• pip[1] 是python官方推荐的包管理工具，他的安装包源是PyPI[2]。其安装包一般是wheel或者源文件的形式。
• conda[3]是属于第三方的包管理工具，底层会调用到pip的部分接口，在使用前可能会需要配置其兼容的环境编译器和依赖库才行。conda是一个跨平台的包管理工具，他的安装包资源来自anaconda repository[4]和anaconda cloud[5]。conda安装包是二进制文件，通过conda安装不需要做编译。

支持语言

在支持的语言上，两者也有较显著的差别。

• pip是Python的官方软件包管理工具，因此只能安装Python语言的软件包。比如，运行pip前所需要的python解释器，就需要通过操作系统下载和安装，不能通过pip直接安装。
• conda安装的软件包可以是任何语言，它不仅可以用来安装Python的软件包，还可以安装包括c/c++、R语言在内的其它各种语言的安装包。比如，conda就可以直接安装上面提到的python解释器。

虚拟环境

独立的虚拟环境在很多项目，尤其是数据科学相关项目来说尤为重要，依赖软件之间如果有版本冲突，可能会影响到环境的正常运行甚至崩溃。因此，这一点在使用时也需要被考虑进去。

• pip内置功能并不支持创建独立的虚拟环境，如果要用pip创建独立环境，则需要依赖诸如virtualenv[6]或venv[7] 的第三方库。通过pipenv[8]、poetry[9]、hatch[10]等工具可以实现pip和virtualenv的集成。
• conda内置功能就可以创建独立的虚拟环境，以便于不同项目的运行环境相互独立。可以安装完全不同版本Python和软件包，这一点对于专注于数据科学的研究工具来说非常重要。

依赖检查

pip和conda还有一个不同之处在于，他们在同一个环境下创建存在依赖关系的库的逻辑不一样。

• pip是通过递归循环的方式创建并安装第三方库，这种方式不能确保所有的安装包之间拥有正确的依赖关系，使得在一些情况下可能会出错。比如，当安装列表中排序较前的软件包自动匹配的依赖版本，可能并不能满足后续安装的软件包的依赖要求，这时就会出错。
• conda就好很多，其处理器会先验证所有安装包是否满足当前的开发环境，并匹配合适的依赖版本。虽然这个验证环节可能需要耗费额外的时间，但能帮助我们保护开发环境不出错。只要安装包和依赖配置是正确的，conda就能不出意外地向我们提供合适的开发环境。

实际使用时遇到的情况

很多开发者会在创建开发环境的时候，组合使用conda和pip这两个工具，特别是做数据科学工作的人，主要原因是有些库只能通过pip获取和安装。

anaconda repositary拥有超过1500个软件包，这里几乎囊括了数据科学、机器学习以及AI研究的全部主流框架，另外conda还能通过conda-fonge[11]和bioconda[12]这两个通道从anaconda cloud下载其它数千个软件包。 不过和PyPI上动辄15万+的软件资源相比，conda能提供的数量还是少了。

有时候我们不能用conda安装某个软件包，而只能通过pip获取和安装，但conda在环境搭建方面又更强，两者各有优劣势，所以许多小伙伴会组合使用conda和pip。

conda vs pip

我们来通过以下表格，将两者的区别进行汇总。

以上是我总结的pip install和conda install的区别，希望可以帮助到你。

我也分享过一些其他关于python的信息，有兴趣可以点击以下链接查阅。