Ubuntu Python 安装环境怎么配置

Ubuntu Python 环境配置全流程

一 基础安装与验证

先把该补的补上。运行下面两行，更新系统索引并安装 Python 3、pip 和 venv——这三样是后续一切操作的基础：

sudo apt update
sudo apt install -y python3 python3-pip python3-venv

安装完成后，验证一下版本：

python3 --version
pip3 --version

这里有个小细节：建议立刻将 pip 升级到最新稳定版，而且最好用用户级升级，避免权限问题。命令是：

python3 -m pip install --upgrade pip --user

Ubuntu 其实大部分版本都预装了 Python 3，上面这轮操作主要是补齐 pip 和 venv 这两个关键工具——它们是后续开发的标准配置。

二 项目级虚拟环境

虚拟环境几乎是每个 Python 项目必备的隔离手段。用内置的 venv 创建，简单靠谱：

在项目目录下执行：

python3 -m venv .venv

然后激活环境：

source .venv/bin/activate

想退出时，直接输 deactivate 就行。激活的环境中可以用 pip install -r requirements.txt 一键安装依赖。

为什么要这么做？不同项目对依赖版本的要求常常互相打架——比如项目A要 Django 3.2，项目B要 Django 4.0。有了虚拟环境，各玩各的，互不干扰。

如果你用 VS Code 或 PyCharm，记得把项目解释器指向虚拟环境里的 .venv/bin/python，这样 IDE 就能自动识别了。

三 多版本管理与切换

真要在同一台机器上折腾多个 Python 版本，pyenv 是首选方案。它让你随时切换全局默认版本，也能为单个项目锁定特定版本。

安装 pyenv 前，先把编译依赖装好：

sudo apt install -y build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev

然后直接用官方安装脚本：

curl https://pyenv.run | bash

装完后需要配置 shell。把下面这几行加到 ~/.bashrc（或 ~/.zshrc）里：

export PYENV_ROOT="$HOME/.pyenv"
export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init --path)"
eval "$(pyenv init -)"
eval "$(pyenv virtualenv-init -)"

然后 source ~/.bashrc 刷新一下。

常用的 pyenv 命令：

pyenv install --list 查看可安装版本
pyenv install 3.11.0 安装指定版本
pyenv global 3.11.0 设置全局默认版本
pyenv local 3.10.12 为当前项目设置本地版本

如果你倾向于更保守的切换方式，系统级的 update-alternatives 也是个好选择——它可以管理 /usr/bin/python 的多个候选版本，不会乱动系统关键链接。

四 安装特定版本与从源码编译

有时候你想用某个较新的 Python 版本，但官方源里没有。这时有两个途径：

第一，用 deadsnakes PPA。比如装 Python 3.11：

sudo apt update
sudo apt install -y software-properties-common
sudo add-apt-repository ppa:deadsnakes/ppa
sudo apt update
sudo apt install -y python3.11 python3.11-dev python3.11-venv

这个 PPA 维护得不错，提供大多数主流版本的预编译包，省时省力。

第二，从源码编译。如果你需要自定义编译选项，或者想打特定补丁，就自己动手。先装好编译依赖（就是前面 pyenv 那套），然后下载源码：

wget https://www.python.org/ftp/python/3.10.14/Python-3.10.14.tgz
tar -xf Python-3.10.14.tgz && cd Python-3.10.14
./configure --enable-optimizations
make -j$(nproc)
sudo make altinstall

注意这里用的是 altinstall 而不是 make install，前者不会覆盖系统默认的 python3 可执行文件，避免翻车。

五 数据科学与容器化方案

如果你做数据科学或机器学习，Anaconda/Miniconda 几乎是标配。它们自带 conda 包管理器，对复杂依赖和环境管理非常友好：

bash Anaconda3-2024.02-1-Linux-x86_64.sh

按提示完成安装后，运行 conda -V 验证。创建环境也简单：

conda create -n py310 python=3.10
conda activate py310

如果追求极致的环境隔离和可复现性，Docker 是终极方案。用官方镜像启动不同版本：

docker run -it python:3.11 bash
docker run -it python:3.9 bash

这种方法在 CI/CD 流水线里最常用——保证开发、测试、生产环境高度一致，交付起来省心很多。