1. WSL2 环境准备与基础配置在 Windows 系统上使用 WSL2 运行 Linux 子系统能够让你在熟悉的 Windows 界面下获得完整的 Linux 开发体验。我实测下来WSL2 的性能已经非常接近原生 Linux特别是在文件系统性能方面有了显著提升。对于 Python 开发者来说这简直是完美的开发环境解决方案。首先需要确认你的系统已经启用了 WSL2 功能。打开 PowerShell 管理员窗口执行以下命令wsl --install这个命令会自动安装 WSL2 所需的所有组件。安装完成后建议从 Microsoft Store 安装 Ubuntu 22.04 LTS 版本这是目前最稳定的选择。安装完成后首次启动会提示你创建用户名和密码这个账号将拥有 sudo 权限。接下来我们需要做一些基础配置。打开 WSL 终端首先更新系统软件包sudo apt update sudo apt upgrade -y这个步骤很重要我遇到过好几次因为系统包版本过旧导致的依赖冲突问题。更新完成后建议安装一些基础开发工具sudo apt install -y build-essential git curl wgetWSL2 默认会把你的 Windows 文件系统挂载在 /mnt 目录下这个设计非常贴心。我经常直接在 /mnt/c/Users/ 下访问 Windows 用户目录的文件省去了来回拷贝的麻烦。2. Miniconda 安装与配置详解Miniconda 是 Anaconda 的轻量版只包含 conda 和 Python 等基础组件非常适合在 WSL2 这种资源有限的环境中使用。我对比过两者的启动速度Miniconda 明显更快特别是在创建新环境时优势更加明显。安装 Miniconda 的第一步是下载安装脚本。在 WSL 终端中执行wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh这里有个小技巧如果你发现下载速度很慢可以尝试使用清华镜像源wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh下载完成后先给安装脚本添加执行权限chmod x Miniconda3-latest-Linux-x86_64.sh然后运行安装脚本./Miniconda3-latest-Linux-x86_64.sh安装过程中会有几个关键选择需要注意阅读完许可协议后需要输入 yes 确认安装路径建议保持默认 (~/miniconda3)最后会询问是否初始化 conda这里一定要选 yes安装完成后关闭并重新打开终端或者执行source ~/.bashrc这时候你应该能在命令行提示符前看到 (base) 字样表示 conda 的基础环境已经激活。验证安装是否成功conda --version如果显示版本号如 conda 23.7.4说明安装成功。我建议立即更新 conda 到最新版本conda update -n base conda3. Anaconda 安装与深度对比如果你需要更完整的 Python 科学计算环境或者不想手动安装各种数据科学库Anaconda 会是更好的选择。不过要注意Anaconda 的安装包体积大约是 Miniconda 的 50 倍安装时间也会更长。下载 Anaconda 安装脚本wget https://repo.anaconda.com/archive/Anaconda3-2023.03-Linux-x86_64.sh同样地你也可以使用清华镜像加速下载wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.03-Linux-x86_64.sh安装过程与 Miniconda 类似chmod x Anaconda3-2023.03-Linux-x86_64.sh ./Anaconda3-2023.03-Linux-x86_64.sh安装完成后同样需要刷新终端或执行source ~/.bashrc现在让我们做个详细对比帮助你选择更适合自己的工具特性对比MinicondaAnaconda安装包大小~70MB~3-5GB默认包含包数量仅 conda 和 Python250 数据科学常用库安装时间2-5分钟10-20分钟磁盘占用400-500MB (初始)5-10GB (初始)启动速度约 0.2秒约 0.5秒适用场景轻量级、自定义环境预装完整工具链适合新手从我的使用经验来看如果你主要做 Web 开发或者只需要少量 Python 包Miniconda 是更好的选择。但如果你经常进行数据分析和机器学习项目Anaconda 预装的 Jupyter Notebook、NumPy、Pandas 等工具能节省大量配置时间。4. Conda 环境管理与最佳实践无论是 Miniconda 还是 Anacondaconda 的环境管理功能都是核心优势。我强烈建议为每个项目创建独立的环境这样可以避免包版本冲突的问题。创建一个新环境conda create -n myenv python3.11激活环境conda activate myenv在这个环境中安装包conda install numpy pandas查看已安装的包conda list退出当前环境conda deactivate删除不再需要的环境conda env remove -n myenv我整理了几个 conda 使用中的实用技巧环境导出与共享你可以导出环境配置方便在其他机器上复现相同的环境conda env export environment.yml然后在其他机器上创建相同环境conda env create -f environment.yml加速包安装conda 的依赖解析有时会比较慢可以尝试使用 mambaconda install -n base -c conda-forge mamba mamba create -n fast_env python3.11镜像源配置国内用户建议配置清华镜像加速下载创建 ~/.condarc 文件并添加以下内容channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud配置完成后记得清理索引缓存conda clean -i服务条款问题新版本的 conda (24.x) 需要手动接受 Anaconda 官方源的服务条款否则会遇到安装错误conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r5. 常见问题与解决方案在实际使用中我遇到过不少坑这里分享几个典型问题的解决方法问题1conda 命令找不到解决方案这通常是因为 shell 没有正确初始化执行以下命令source ~/.bashrc如果问题依旧检查你的 ~/.bashrc 文件是否包含类似内容export PATH$HOME/miniconda3/bin:$PATH问题2创建环境时报权限错误解决方案这通常是因为安装时使用了 sudo导致普通用户没有写入权限。修复方法sudo chown -R $USER:$USER ~/miniconda3问题3Jupyter Notebook 无法在 Windows 浏览器中打开解决方案WSL2 需要特殊配置才能访问本地网络服务。启动 Jupyter 时使用jupyter notebook --ip0.0.0.0 --no-browser然后在 Windows 浏览器中访问 http://localhost:8888问题4conda 环境激活后提示符不显示环境名解决方案编辑 ~/.bashrc 文件确保包含以下内容conda activate base # 或者你的默认环境问题5conda 运行缓慢解决方案WSL2 的内存可能不足在 Windows 用户目录下创建 .wslconfig 文件[wsl2] memory4GB然后重启 WSLwsl --shutdown6. 与 VS Code 的完美集成VS Code 是目前对 WSL2 支持最好的 IDE我日常开发都是这个组合。以下是配置步骤在 Windows 上安装 VS Code安装 Remote - WSL 扩展在 WSL 终端中输入 code . 启动 VS CodeVS Code 会自动在 WSL 中安装服务器组件之后你就可以像在 Windows 上一样使用 VS Code但所有操作实际上都是在 WSL 环境中进行的。几个实用技巧使用 Ctrl 快速打开集成终端左下角可以切换 Python 解释器选择 conda 环境中的 Python安装 Python 扩展后可以获得代码补全、调试等完整功能我特别喜欢的一个功能是你可以在 WSL 中开发但使用 Windows 的浏览器测试 Web 应用两者无缝衔接。7. 性能优化与资源管理WSL2 虽然强大但也需要注意资源管理。以下是我总结的几个优化建议限制内存使用默认情况下 WSL2 会占用最多 50% 的物理内存对于大内存机器可能造成浪费。在 %USERPROFILE% 下创建 .wslconfig 文件[wsl2] memory4GB swap2GB localhostForwardingtrue文件系统性能WSL2 的 Linux 文件系统性能比访问 Windows 文件系统 (/mnt/c) 快很多建议将项目放在 Linux 文件系统中。GPU 加速如果你做机器学习开发可以启用 WSL2 的 GPU 支持sudo apt install -y nvidia-cuda-toolkit然后在 Windows 上安装对应的 NVIDIA 驱动。定期清理conda 会缓存大量包文件定期清理可以节省空间conda clean --all环境精简对于不常用的环境可以导出 environment.yml 后删除需要时再重建。8. 实际开发场景示例让我们通过一个实际的数据科学项目场景看看如何利用这个开发环境创建项目环境conda create -n datascience python3.11 conda activate datascience安装必要的数据科学包conda install numpy pandas matplotlib seaborn jupyter scikit-learn启动 Jupyter Notebookjupyter notebook --ip0.0.0.0 --no-browser在 Windows 浏览器中打开 http://localhost:8888创建新 notebook测试环境import numpy as np import pandas as pd import matplotlib.pyplot as plt data pd.DataFrame({ x: np.random.randn(1000), y: np.random.randn(1000) }) data.plot.scatter(x, y) plt.show()这个工作流我已经使用了很长时间特别是在教学和快速原型开发时特别高效。WSL2 提供了 Linux 的开发体验同时又能无缝使用 Windows 的浏览器和办公软件确实是最佳的组合。
WSL2 极速搭建 Python 开发环境：Miniconda 与 Anaconda 安装全攻略
1. WSL2 环境准备与基础配置在 Windows 系统上使用 WSL2 运行 Linux 子系统能够让你在熟悉的 Windows 界面下获得完整的 Linux 开发体验。我实测下来WSL2 的性能已经非常接近原生 Linux特别是在文件系统性能方面有了显著提升。对于 Python 开发者来说这简直是完美的开发环境解决方案。首先需要确认你的系统已经启用了 WSL2 功能。打开 PowerShell 管理员窗口执行以下命令wsl --install这个命令会自动安装 WSL2 所需的所有组件。安装完成后建议从 Microsoft Store 安装 Ubuntu 22.04 LTS 版本这是目前最稳定的选择。安装完成后首次启动会提示你创建用户名和密码这个账号将拥有 sudo 权限。接下来我们需要做一些基础配置。打开 WSL 终端首先更新系统软件包sudo apt update sudo apt upgrade -y这个步骤很重要我遇到过好几次因为系统包版本过旧导致的依赖冲突问题。更新完成后建议安装一些基础开发工具sudo apt install -y build-essential git curl wgetWSL2 默认会把你的 Windows 文件系统挂载在 /mnt 目录下这个设计非常贴心。我经常直接在 /mnt/c/Users/ 下访问 Windows 用户目录的文件省去了来回拷贝的麻烦。2. Miniconda 安装与配置详解Miniconda 是 Anaconda 的轻量版只包含 conda 和 Python 等基础组件非常适合在 WSL2 这种资源有限的环境中使用。我对比过两者的启动速度Miniconda 明显更快特别是在创建新环境时优势更加明显。安装 Miniconda 的第一步是下载安装脚本。在 WSL 终端中执行wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh这里有个小技巧如果你发现下载速度很慢可以尝试使用清华镜像源wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh下载完成后先给安装脚本添加执行权限chmod x Miniconda3-latest-Linux-x86_64.sh然后运行安装脚本./Miniconda3-latest-Linux-x86_64.sh安装过程中会有几个关键选择需要注意阅读完许可协议后需要输入 yes 确认安装路径建议保持默认 (~/miniconda3)最后会询问是否初始化 conda这里一定要选 yes安装完成后关闭并重新打开终端或者执行source ~/.bashrc这时候你应该能在命令行提示符前看到 (base) 字样表示 conda 的基础环境已经激活。验证安装是否成功conda --version如果显示版本号如 conda 23.7.4说明安装成功。我建议立即更新 conda 到最新版本conda update -n base conda3. Anaconda 安装与深度对比如果你需要更完整的 Python 科学计算环境或者不想手动安装各种数据科学库Anaconda 会是更好的选择。不过要注意Anaconda 的安装包体积大约是 Miniconda 的 50 倍安装时间也会更长。下载 Anaconda 安装脚本wget https://repo.anaconda.com/archive/Anaconda3-2023.03-Linux-x86_64.sh同样地你也可以使用清华镜像加速下载wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.03-Linux-x86_64.sh安装过程与 Miniconda 类似chmod x Anaconda3-2023.03-Linux-x86_64.sh ./Anaconda3-2023.03-Linux-x86_64.sh安装完成后同样需要刷新终端或执行source ~/.bashrc现在让我们做个详细对比帮助你选择更适合自己的工具特性对比MinicondaAnaconda安装包大小~70MB~3-5GB默认包含包数量仅 conda 和 Python250 数据科学常用库安装时间2-5分钟10-20分钟磁盘占用400-500MB (初始)5-10GB (初始)启动速度约 0.2秒约 0.5秒适用场景轻量级、自定义环境预装完整工具链适合新手从我的使用经验来看如果你主要做 Web 开发或者只需要少量 Python 包Miniconda 是更好的选择。但如果你经常进行数据分析和机器学习项目Anaconda 预装的 Jupyter Notebook、NumPy、Pandas 等工具能节省大量配置时间。4. Conda 环境管理与最佳实践无论是 Miniconda 还是 Anacondaconda 的环境管理功能都是核心优势。我强烈建议为每个项目创建独立的环境这样可以避免包版本冲突的问题。创建一个新环境conda create -n myenv python3.11激活环境conda activate myenv在这个环境中安装包conda install numpy pandas查看已安装的包conda list退出当前环境conda deactivate删除不再需要的环境conda env remove -n myenv我整理了几个 conda 使用中的实用技巧环境导出与共享你可以导出环境配置方便在其他机器上复现相同的环境conda env export environment.yml然后在其他机器上创建相同环境conda env create -f environment.yml加速包安装conda 的依赖解析有时会比较慢可以尝试使用 mambaconda install -n base -c conda-forge mamba mamba create -n fast_env python3.11镜像源配置国内用户建议配置清华镜像加速下载创建 ~/.condarc 文件并添加以下内容channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud配置完成后记得清理索引缓存conda clean -i服务条款问题新版本的 conda (24.x) 需要手动接受 Anaconda 官方源的服务条款否则会遇到安装错误conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r5. 常见问题与解决方案在实际使用中我遇到过不少坑这里分享几个典型问题的解决方法问题1conda 命令找不到解决方案这通常是因为 shell 没有正确初始化执行以下命令source ~/.bashrc如果问题依旧检查你的 ~/.bashrc 文件是否包含类似内容export PATH$HOME/miniconda3/bin:$PATH问题2创建环境时报权限错误解决方案这通常是因为安装时使用了 sudo导致普通用户没有写入权限。修复方法sudo chown -R $USER:$USER ~/miniconda3问题3Jupyter Notebook 无法在 Windows 浏览器中打开解决方案WSL2 需要特殊配置才能访问本地网络服务。启动 Jupyter 时使用jupyter notebook --ip0.0.0.0 --no-browser然后在 Windows 浏览器中访问 http://localhost:8888问题4conda 环境激活后提示符不显示环境名解决方案编辑 ~/.bashrc 文件确保包含以下内容conda activate base # 或者你的默认环境问题5conda 运行缓慢解决方案WSL2 的内存可能不足在 Windows 用户目录下创建 .wslconfig 文件[wsl2] memory4GB然后重启 WSLwsl --shutdown6. 与 VS Code 的完美集成VS Code 是目前对 WSL2 支持最好的 IDE我日常开发都是这个组合。以下是配置步骤在 Windows 上安装 VS Code安装 Remote - WSL 扩展在 WSL 终端中输入 code . 启动 VS CodeVS Code 会自动在 WSL 中安装服务器组件之后你就可以像在 Windows 上一样使用 VS Code但所有操作实际上都是在 WSL 环境中进行的。几个实用技巧使用 Ctrl 快速打开集成终端左下角可以切换 Python 解释器选择 conda 环境中的 Python安装 Python 扩展后可以获得代码补全、调试等完整功能我特别喜欢的一个功能是你可以在 WSL 中开发但使用 Windows 的浏览器测试 Web 应用两者无缝衔接。7. 性能优化与资源管理WSL2 虽然强大但也需要注意资源管理。以下是我总结的几个优化建议限制内存使用默认情况下 WSL2 会占用最多 50% 的物理内存对于大内存机器可能造成浪费。在 %USERPROFILE% 下创建 .wslconfig 文件[wsl2] memory4GB swap2GB localhostForwardingtrue文件系统性能WSL2 的 Linux 文件系统性能比访问 Windows 文件系统 (/mnt/c) 快很多建议将项目放在 Linux 文件系统中。GPU 加速如果你做机器学习开发可以启用 WSL2 的 GPU 支持sudo apt install -y nvidia-cuda-toolkit然后在 Windows 上安装对应的 NVIDIA 驱动。定期清理conda 会缓存大量包文件定期清理可以节省空间conda clean --all环境精简对于不常用的环境可以导出 environment.yml 后删除需要时再重建。8. 实际开发场景示例让我们通过一个实际的数据科学项目场景看看如何利用这个开发环境创建项目环境conda create -n datascience python3.11 conda activate datascience安装必要的数据科学包conda install numpy pandas matplotlib seaborn jupyter scikit-learn启动 Jupyter Notebookjupyter notebook --ip0.0.0.0 --no-browser在 Windows 浏览器中打开 http://localhost:8888创建新 notebook测试环境import numpy as np import pandas as pd import matplotlib.pyplot as plt data pd.DataFrame({ x: np.random.randn(1000), y: np.random.randn(1000) }) data.plot.scatter(x, y) plt.show()这个工作流我已经使用了很长时间特别是在教学和快速原型开发时特别高效。WSL2 提供了 Linux 的开发体验同时又能无缝使用 Windows 的浏览器和办公软件确实是最佳的组合。
