Anaconda迁移Miniforge3细节补充|kuuhaku的博客

先安装Miniforge3，迁移完env 目录再卸载Anaconda

迁移之后再配置env目录的完全权限

Jupyter可以单独装

删除环境的指令还是使用conda的不然删不干净

conda remove -n temp --all -y

# mamba删不干净
mamba remove -n temp --all

卸载Anaconda

安装官方推荐的卸载库，执行库的命令（这一步就把散落在用户目录下的相关目录或删除或放在%USERPROFILE%\.anaconda_backup\了）

conda install anaconda-clean
anaconda-clean --yes  # 会清理用户目录的配置

使用geek.exe卸载Anaconda，（没有的话，直接使用自带的卸载程序也可以）
%USERPROFILE%\.anaconda_backup\ 目录的东西挑选需要的留，不需要就全部删掉

.condarc文件

原来Anaconda的是在用户目录下%USERPROFILE%\.condarc，Miniforge3的是在安装根目录下C:\ProgramData\miniforge3\.condarc

使用chsrc set conda，获取到的镜像，经过ChatGPT转换为适合Miniforge3的（因为chsrc暂时还没有支持Miniforge3）

可用.condarc配置（需要验证一下）不要在配置文件中写中文注释，不然conda命令将不可用

# ----------------------------------------
# 主要使用的 channels（软件包来源）
# Miniforge 的理念：只使用 conda-forge
# ----------------------------------------
channels:
  - conda-forge    # 优先从 conda-forge 获取所有包

# ----------------------------------------
# 显示包的真实来源渠道，避免混用渠道导致冲突
# 建议保持 true
# ----------------------------------------
show_channel_urls: true

# ----------------------------------------
# strict：严格优先级，不允许跨渠道混装同名包
# 这是 conda-forge 官方推荐的安全模式
# 能避免 95% 的依赖冲突
# ----------------------------------------
channel_priority: strict

# ----------------------------------------
# 替代默认仓库（Miniforge 默认只有 conda-forge）
# 这里使用南京大学镜像的 conda-forge 作为默认源
# ----------------------------------------
default_channels:
  - https://mirror.nju.edu.cn/anaconda/cloud/conda-forge

# ----------------------------------------
# 自定义渠道（cloud 下的子仓库）
# 如果你需要 bioconda 或 pytorch，可以加上
# 南京大学镜像同时支持这些 cloud 子仓库
# ----------------------------------------
custom_channels:
  conda-forge: https://mirror.nju.edu.cn/anaconda/cloud
  bioconda: https://mirror.nju.edu.cn/anaconda/cloud
  pytorch: https://mirror.nju.edu.cn/anaconda/cloud

# ----------------------------------------
# Miniforge3 包缓存目录
# 建议放到全局的 C:\ProgramData，避免用户权限问题
# ----------------------------------------
pkgs_dirs:
  - C:\ProgramData\miniforge3\pkgs\

# ----------------------------------------
# Miniforge3 环境目录
# 所有 conda/mamba 环境都会放在这里
# ----------------------------------------
envs_dirs:
  - C:\ProgramData\miniforge3\envs\

.condarc原文件备份

channels:
  - conda-forge
mirrored_channels:
  conda-forge:
    - https://conda.anaconda.org/conda-forge
    - https://prefix.dev/conda-forge

Anaconda的.condarc

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirror.nju.edu.cn/anaconda/pkgs/main
  - https://mirror.nju.edu.cn/anaconda/pkgs/r
  - https://mirror.nju.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirror.nju.edu.cn/anaconda/cloud
  pytorch: https://mirror.nju.edu.cn/anaconda/cloud

`pkgs_dirs` 与`envs_dirs`

在 conda 配置中，加上 pkgs_dirs 和 envs_dirs 与不加的主要区别在于包和环境的存储位置控制。

不加这两个配置的情况

# 默认行为
channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirror.nju.edu.cn/anaconda/pkgs/main
  - https://mirror.nju.edu.cn/anaconda/pkgs/r
  - https://mirror.nju.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirror.nju.edu.cn/anaconda/cloud
  pytorch: https://mirror.nju.edu.cn/anaconda/cloud
# 没有指定 pkgs_dirs 和 envs_dirs

conda 会使用默认位置：

Windows：C:\Users\<用户名>\.conda\pkgs\
Linux/Mac：~/.conda/pkgs/

加上这两个配置的情况

# 显式指定
pkgs_dirs:
  - D:\tools\miniforge3\pkgs\
envs_dirs:
  - D:\tools\miniforge3\envs\

主要区别：

方面	不加配置（默认）	加上配置（自定义）
存储位置	系统盘（C盘）	D盘指定目录
空间管理	可能占用系统盘	可避开系统盘空间不足
多用户共享	用户独立	可配置共享位置
路径长度	可能路径较长	可设更短路径
性能	依赖系统盘速度	可放更快磁盘（如SSD）
备份管理	分散在不同位置	集中管理

具体用途：

避免系统盘空间不足

# 把conda包移到非系统盘
pkgs_dirs:
  - D:\anaconda\pkgs\
envs_dirs:
  - D:\anaconda\envs\

多路径配置（优先级顺序）

pkgs_dirs:
  - D:\fast_ssd\conda_pkgs\    # 优先使用SSD
  - E:\hdd\conda_pkgs\         # 备选HDD
  - C:\Users\me\.conda\pkgs\   # 最后使用默认

团队共享配置

# 局域网内共享环境
pkgs_dirs:
  - \\server\shared\conda\pkgs\
  - D:\local\conda\pkgs\

建议配置：

Windows用户（特别是C盘空间有限）：

pkgs_dirs:
  - D:\conda\pkgs\
envs_dirs:
  - D:\conda\envs\
  - C:\Users\用户名\.conda\envs\  # 备选

Linux/Mac用户：

pkgs_dirs:
  - /opt/conda/pkgs/
  - /home/用户名/.conda/pkgs/

注意事项：

修改后已存在的包不会自动移动
需要手动迁移或重新安装
确保路径存在且有写入权限
使用conda info查看当前配置

总结： 加上这两个配置是为了更好地管理磁盘空间和存储位置，特别适合C盘空间有限的Windows用户，或者是需要集中管理环境的团队场景。

mamba命令的使用

遇到初始化报错

C:\Users\Administrator\Desktop\ip-checker>mamba activate py311

critical libmamba Shell not initialized

'mamba' is running as a subprocess and can't modify the parent shell.
Thus you must initialize your shell before using activate and deactivate.


To automatically initialize all future (cmd.exe) shells, run:
    $ mamba shell init --shell cmd.exe --root-prefix=~/.local/share/mamba
If your shell was already initialized, reinitialize your shell with:
    $ mamba shell reinit --shell cmd.exe
Otherwise, this may be an issue. In the meantime you can run commands. See:
    $ mamba run --help

Supported shells are {bash, zsh, csh, posix, xonsh, cmd.exe, powershell, fish, nu}.

报错中提到的路径--root-prefix=~/.local/share/mamba 是linux的，Windows就放在miniforge3安装目录就行

应该以管理员身份打开cmd，然后执行

mamba shell init --shell cmd.exe --root-prefix="C:\ProgramData\miniforge3"

如果想拥有完整 shell init/reinit 功能

需要升级 Mamba：

conda install -n base -c conda-forge mamba=2.5

或：

mamba update -n base -c conda-forge mamba

升级后，你就可以使用：

mamba shell reinit --shell cmd.exe

实际操作

C:\Users\Administrator>mamba --version
2.4.0

C:\Users\Administrator>mamba update -n base -c conda-forge mamba
conda-forge/noarch                                  23.7MB @   9.2MB/s  2.5s
conda-forge/win-64                                  31.9MB @   8.4MB/s  3.7s

Pinned packages:

  - python=3.12

Transaction

  Prefix: C:\ProgramData\miniforge3

  All requested packages already installed


Transaction starting

Transaction finished

C:\Users\Administrator>mamba --version
2.4.0

现在遇到的问题是： base 环境被固定（pinned）到 Python 3.12，导致 Mamba 无法升级。
这使得执行：

mamba update -n base -c conda-forge mamba

但结果是：

All requested packages already installed

即使服务器上已有更新版本（例如 2.5+），Mamba 也无法升级，因为它会破坏你的 pinned Python 3.12 约束。

一、为什么 Mamba 无法升级？

输出里有关键提示：

Pinned packages:
  - python=3.12

这意味着 base 环境中的 python=3.12 是硬性约束（pinned）。
如果新版本 Mamba 依赖更高版本的 Python（或依赖包需要重新解决依赖），则升级会被阻止。

因此 Mamba 2.4.0 看起来“被锁住”了。

二、如何确认 pin 文件？

查看 pinned 文件：

type C:\ProgramData\miniforge3\conda-meta\pinned

如果里面有：

python=3.12

那就解释完全了。

三、解决方案（你可以选择其一）

方案 A：允许升级（推荐）

Step 1：移除 pin

del C:\ProgramData\miniforge3\conda-meta\pinned

或仅删除里面的 python 行。

Step 2：重新尝试升级 Mamba

mamba update -n base -c conda-forge mamba

如果依赖能解决，你将获得 2.5+ 可以使用 mamba shell reinit --shell cmd.exe。

方案 B：不动 base，用新环境安装新版 Mamba（更安全）

在 base 保持不变的情况下，新建一个环境：

mamba create -n mamba25 -c conda-forge mamba

激活：

mamba activate mamba25

然后使用这套“升级版的 Mamba”去管理所有环境。

这是专业推荐的方式，因为 base 环境保持稳定最重要。

方案 C：保持现状（不升级）

如果只是为了能使用 reinit，其实没有必要。

当前版本支持：

mamba shell init --shell cmd.exe

这已经足够让使用 mamba activate。

如果 可以激活目标虚拟环境，那么完全不需要升级 Mamba，也不需要 reinit。

reinit 只是重新写配置文件，一般根本不会用到。

PyCharm添加解释器区别

5种解释器区别

类型	轻量级	科学计算	隔离性	自动化	适用
System Python	⭐⭐⭐⭐	⭐	⭐	⭐	小脚本
venv	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐	Web 项目标准
Conda	⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐	AI / 科学计算
Pipenv	⭐⭐⭐	⭐⭐	⭐⭐⭐⭐	⭐⭐⭐	有 Pipenv 的旧项目
Poetry	⭐⭐⭐⭐⭐	⭐⭐～⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	现代 Web 项目最佳

python长期支持版2025年排行

✅ Python 3 长期支持（LTS-like）版本对比表（2025 更新）

说明：Python 官方没有“LTS”概念，但业界通常把“生命周期长 + 大量项目采用的稳定版本”视为 LTS-like。

Python 版本	状态（2025）	官方支持结束	使用热度（开发者社区）	大型项目支持度	推荐指数	推荐原因	不适合原因
3.8	已进入安全修复阶段	2025-10	⭐⭐⭐⭐（仍大量企业用）	⭐⭐⭐⭐⭐（Django、Numpy 全支持）	⭐⭐	企业老项目多、非常稳定	生命周期快结束，不适合新项目
3.9	正常维护+安全修复	2026-10	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	极其稳定，许多框架长期支持	PurePath 类型提示等功能偏旧
3.10	正式维护中，高热度	2027-10	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	新旧兼容最佳，项目迁移性强	无 pattern matching 高级特性扩展（在 3.11 才提升性能）
3.11	当前主流版本（稳定 + 高性能）	2028-10	⭐⭐⭐⭐⭐⭐（最受欢迎）	⭐⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐⭐（强推）	性能比 3.10 提升 25%-60%，生态全面跟进	某些老项目可能存在兼容性问题
3.12	新版，高性能，但生态仍在补齐	2029-10	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	性能继续提升、语法更严格	某些依赖 C 扩展的包刚刚完成适配
3.13	最新版，性能大幅增强（解释器微线程）	2030-10	⭐⭐⭐	⭐⭐	⭐⭐	实验性特性强、未来方向	生态适配中，不推荐生产使用

🌟 最佳选择（2025）推荐

🥇 第一名：Python 3.11（最推荐）

为什么？

性能大幅提升（平均 +35%）
几乎所有主流科学包已完全适配：
NumPy、Pandas、PyTorch、TensorFlow、FastAPI、Django……
官方支持时间足（到 2028）
大量公司迁移的主流版本

📌 适合：新项目 / 服务端 / AI 项目 / 教育环境

🥈 第二名：Python 3.10（最安全、兼容性最强）

为什么？

生态最成熟，没有几乎任何兼容性坑
企业级项目大量采用（2021–2024 的默认标准）
官方维护到 2027，寿命足够

📌 适合：依赖较多 C/C++ 扩展的项目 / 保守型研发

🥉 第三名：Python 3.12（展望未来）

生态逐渐完善，但仍不如 3.10/3.11 稳定。

🔥 使用热度（根据 GitHub / StackOverflow 2025 趋势）

排名	版本	热度占比
1	Python 3.11	~46%
2	Python 3.10	~28%
3	Python 3.12	~10%
4	Python 3.9	~8%
5	Python 3.8	~6%

🔧 各版本适合场景简述

场景	推荐版本
Web 服务（Django/FastAPI）	3.10 / 3.11
数据科学	3.11 / 3.10
深度学习（PyTorch / TensorFlow）	3.10 或 3.11
生产环境（需稳定）	3.10
未来项目（追新）	3.12
老企业项目	3.8 / 3.9