How to Manage Python Environments with uv Instead of venv and pip
TL;DR · AI 摘要
uv vs. venv and pip for Managing Python Environments Programming How to Manage Python Environments with uv Instead of ve...
核心要点
- 主题聚焦:How to Manage Python Environments with uv Instea
- 来源:Towards Data Science,建议结合原文判断细节。
- AI 分析暂不可用,本条为保底评分与摘要。
uv 与 venv 及 pip 在管理 Python 环境中的对比
编程
使用 uv 替代 venv 和 pip 管理 Python 环境
逐步对比 venv 加 pip 与 uv init、uv add、uv run 和 uv sync 的使用方式,包含一个锁文件,可在其他机器上重新创建项目。
Sara A. Metwalli
2026 年 11 月 6 日
7 分钟阅读
图片由 Daniil Komov 提供,来自 Pexels
想象一下:你花费数小时为要解决的问题编写数学公式;你编写代码;代码运行正常;你感到非常兴奋;你将代码分享给同事;但依赖项却无法正常运行。
我们有多少次听到(或说过)“但在我的笔记本电脑上运行正常!”?我大胆猜测,这种情况不止一次。即使是你自己编写的代码,几个月后,之前运行完美的项目可能在导入时突然失败。你安装了缺失的包,但又导致其他问题。你为新项目更新了一个库,却发现旧项目依赖于之前的版本。
突然间,你不得不调试 Python 安装问题,而不是解决最初要解决的问题。环境问题耗费的时间远超程序员愿意承认的程度。
Python 的灵活性使得安装库和开始实验变得简单。但一旦你处理多个项目或希望与他人共享项目时,依赖管理就会成为独立的问题。
我知道你在想什么……但 Python 已经提供了解决方案:“虚拟环境”!我同意:venv 很棒,但维护它们并不总是令人愉快,这就是为什么像 uv 这样的工具能显著简化管理过程。
我是 uv 的忠实粉丝,在本文中我将展示它如何使你的工作空间更易于维护和复现。
回顾基础
让我们从根本问题开始,构建两个独立的 Python 项目,并探讨从 venv 和 pip 转向 uv 时会发生哪些变化。
想象你正在处理两个数据科学项目。项目 A 使用较旧版本的 pandas,因为其分析流程依赖该版本;而项目 B 使用较新版本以利用最近引入的功能。
对于新手和中级开发者来说,一个常见问题是:如果两个项目共享相同的包安装,为项目 B 升级 pandas 可能会破坏项目 A。
这里的区别在于,虚拟环境并不一定安装完全独立的操作系统或 Python 运行时。它通过使用底层 Python 安装,隔离项目的 Python 包和执行上下文。
这对于数据科学、机器学习、Web 开发和研究项目来说非常有用(我敢说,这是必不可少的)。现在你已经认识到 venv 的重要性,让我们讨论为什么在新工作流程中 uv 是必不可少的。
venv 与 uv 对比
venv + pip
当你下载 Python 时,它(通常)会附带 venv,这是一个用于创建虚拟环境的标准库模块。因此,它非常方便;让我们创建一个使用 venv 的小型项目。
步骤 1:创建项目
mkdir weather-analysis
cd weather-analysis步骤 2:创建虚拟环境
python -m venv .venv在某些系统上,我们可能需要使用 python3 而不是 python。这会创建一个包含环境 Python 可执行文件和支持文件的 .venv 目录。
.name .venv 是一种约定,而非强制要求。它只是一个许多 Python 工具和代码编辑器都能识别的可读名称。
第 3 步:激活环境
在 macOS 或 Linux 上:
source .venv/bin/activate在 Windows PowerShell 上:
.venv\Scripts\Activate.ps1您的终端提示符通常会显示 (.venv)。
现在安装 pandas:
python -m pip install pandas您可以检查当前使用的 Python 可执行文件路径:
python -c "import sys; print(sys.executable)"路径应指向 .venv 目录内的 Python 可执行文件。
第 4 步:运行 Python 代码
创建一个名为 main.py 的文件:
import pandas as pd
temperatures = pd.DataFrame({
"city": ["London", "Cairo", "Tokyo"],
"temperature": [15, 29, 22],
})
print(temperatures)运行它:
python main.py到此为止,您已拥有一个带有独立环境和依赖项的 Python 项目。
但想象一下将该项目发送给同事时的情形。您的代码存在,但环境不存在。他们如何重现您的环境?
第 5 步:记录依赖项
您可以将已安装的包导出到 requirements.txt 文件:
python -m pip freeze > requirements.txt其他开发者可以创建环境、激活它并安装这些包:
激活环境后:
python -m pip install -r requirements.txt这个工作流程看起来是有效的;您甚至可以在 requirements.txt 文件中指定包版本。我的问题是,您需要自己管理多个步骤:创建环境、安装依赖项、记录包版本以及保持依赖文件更新。对我来说,这需要大量管理工作,而且需要最初编写代码的人进行维护。
而且,记录已安装的包并不等同于保证项目在每台机器上的行为都完全一致!
两个项目可以使用不同版本的 pandas 吗?
让我们测试虚拟环境的核心理念。为此,我们将创建两个小型项目。一个使用 pandas 2.2.3,另一个使用 pandas 2.3.3。这些是本次实验的示例固定版本,而非新生产项目的推荐版本。
首先,创建两个目录:
mkdir project-a project-b在每个目录中创建独立的环境:
python -m venv project-a/.venv
python -m venv project-b/.venv在每个环境中安装不同版本的 pandas:
project-a/.venv/bin/python -m pip install "pandas==2.2.3"
project-b/.venv/bin/python -m pip install "pandas==2.3.3"在 Windows 上使用对应的可执行文件路径:
project-a\.venv\Scripts\python.exe -m pip install "pandas==2.2.3"
project-b\.venv\Scripts\python.exe -m pip install "pandas==2.3.3"现在检查已安装的版本:
project-a/.venv/bin/python -c "import pandas; print(pandas.__version__)"
project-b/.venv/bin/python -c "import pandas; print(pandas.__version__)"每个命令应输出其对应环境中安装的版本(假设安装对您的 Python 版本和平台成功)。我们试图展示两个项目如何能够在不覆盖彼此安装的情况下拥有不同的依赖项。
当然,手动创建环境和管理依赖项并不是唯一的方式。我敢说,这确实是最繁琐的方式!那么,管理依赖项的高效方式是什么?
引入 uv
uv 是由 Astral 开发的 Python 包和项目管理工具。它可以用一个工具完成虚拟环境创建、包安装、Python 版本管理、依赖解析、锁定文件维护以及在项目环境中运行命令等操作(尽管并非所有场景都适用)。这意味着与手动管理环境相比,uv 的效率更高且更加快捷。
让我们用 uv 重新创建天气分析项目,看看它能简化多少流程。
第 1 步:初始化项目
uv init --bare weather-analysis
cd weather-analysis--bare 选项会创建一个最小的项目配置。这样可以让我们的示例保持简单,因为我们将自行创建 main.py 文件。
第 2 步:添加依赖项
uv add pandas这会将 pandas 添加到项目依赖中,解析依赖关系,并更新项目的锁定文件和环境。
项目目录现在将包含以下内容:
weather-analysis/
├── .venv/
├── main.py
├── pyproject.toml
└── uv.lock环境和锁定文件并非总是被创建,但重要文件包括:
.venv/:项目的虚拟环境。pyproject.toml:项目的元数据、配置和声明的依赖项。uv.lock:用于重现项目环境的解析依赖信息。
区别在于 uv 会将这些内容作为项目工作流的一部分为你进行管理!
第 3 步:运行项目
创建与上一个示例相同的 main.py 文件,然后运行:
uv run python main.pyuv run 会在运行命令前检查项目锁定文件和环境是否同步(除非你通过适当选项显式禁用此行为)。你仍然可以选择激活 .venv,但重点是你可以不这样做。
第 4 步:重建环境
想象一下在另一台电脑上克隆这个项目。仓库中包含 pyproject.toml 和 uv.lock。
运行:
uv sync这会将环境与项目的依赖项同步,并在不存在时创建 .venv。
venv 与 uv:实际差异是什么?
将这些工具直接对比为竞争对手可能有些误导,它们并不完全相同。venv 创建虚拟环境,pip 安装包,而 uv 将环境创建、依赖管理、Python 版本管理和项目执行整合到一个工具中。
你现在可能在想:我应该使用哪个工具?
答案取决于具体情况。你无需放弃 venv 来成为更好的 Python 开发者。
使用 venv + pip 的场景包括:
- 你正在学习 Python 并希望理解基础概念。
- 你正在跟随使用 requirements.txt 的教程。
- 你在维护一个依赖项较少的小型脚本。
- 你在无法安装额外工具的环境中工作。
使用 uv 的场景包括:
- 你经常启动新的 Python 项目。
- 你希望在一个工作流中实现依赖解析和锁定文件。
- 你频繁在项目间切换,需要管理不同的 Python 版本。
- 你希望有一个简单的方法在多台机器间同步依赖项。
你也可以将 uv 应用于现有项目!但不要假设迁移是自动或零风险的,因为遗留的依赖约束和项目配置仍需测试验证。
最后思考
虚拟环境解决了一个看似简单但实际复杂的问题:防止一个项目的依赖项干扰另一个项目的依赖项。传统的 venv + pip 工作流程仍然具有实用价值,理解它能为你打下坚实的基础。uv 在此基础上进一步优化,使环境创建、依赖解析、锁定和执行感觉像是同一个流程中的不同环节。
我的建议是先掌握基础知识,然后在下一个小型项目中尝试使用 uv。你不需要一夜间将所有仓库都切换过来。目标不是收集 Python 工具,而是减少在修复环境上耗费的时间,将更多精力投入到用 Python 解决原本问题的过程中。