一般投研写代码开始，环境会固定下来，生产时的环境更是如此。但是一旦需要新建更新迁移环境，添加删除更新相关的库，还是会耗费不少时间精力。我写几个目前为止可能有用的实践经验。

管理工具
conda 用于环境创建管理是最好，对库的安装管理就未必（确实比较慢）。pip 的资源最全面，较新mamba的管理也很全面，逻辑更优化速度会快很多。

库源
就我们金融量化领域最重的几个库源：-c conda-forge -c pytorch 还有英伟达。
添加到默认路径里 conda config --add channels -conda-forge
如果慢，可以把清华和阿里的也添加进去，但优先级设置低一点。

安装更新
确定本次针对环境的安装删除升级的目的是什么（调整某个库版本以使用另一个库。配置能应用就可以，免得花太多时间精力）。

1. 最关键几个使用的库优先安装，依据需求先写明库的版本。numpy pandas scipy pytroch 这些一起安装。甚至可以在创建环境时就一次性尝试安装，例如：

   mamba create -n mynewenv python=3.12 scikit-learn statsmodels matplotlib tqdm prophet holidays lightgbm xgboost seaborn pytorch torchvision torchaudio -c conda-forge -c pytorch

   库管理工具自己会考虑他们的依赖和兼容情况，以取交集的情况安装，但有指定版本也需要注明。

2. 多使用强制重新下载安装和更新，即时清除库缓存，免得依赖库老是用缓存，具体语法找deepseek/bing，例如：force-reinstall ignore-installed。

3. 多建几个环境，特别是生产环境要有备份，留requirement文档，以及每个成功配置的环境用到的具体安装命令可以用文档记下来，以便下次又要重新来一遍。

有的东西的安装和环境配置有时成功有时不成功，我现在还没找到原因，很诡异（例如cuda）。在多个环境上多试几次，有能用的就可以，然后clone几个备份。

还有一个重要的，minicoda的安装多用默认设置（用户权限这些），默认c盘可以的，c盘要设置得足够大。

大致就是这些，大家有疑问或者什么好的实践，欢迎评论区留言。