miniconda是构建极简科学计算环境最有效的方式，仅含python和conda，按需安装、干净可控；pip install numpy/scipy易因缺失blas/lapack等底层库报错或精度异常，而conda自带mkl/openblas二进制绑定，开箱即用且加速默认启用。
直接用 Miniconda 而不是 anaconda，是构建极简科学计算环境最有效的方式——它不预装几百个用不到的包，只保留 python 和 conda 本身，后续按需安装，干净、可控、启动快。
为什么不能直接 pip install numpy scipy？
因为 numpy、scipy 等科学计算库底层依赖 BLAS/LAPACK 等编译优化库，直接用 pip 安装容易触发：ImportError: dlopen: cannot load any more object with static TLS 或运行时数值精度异常。而 conda 自带 MKL 或 OpenBLAS 二进制绑定，开箱即用且默认启用加速。
- 在 CentOS 7 等旧系统上，
pip install scipy常因缺失gfortran或cblas编译失败 -
conda install numpy自动解决 Fortran 运行时、线性代数后端、ABI 兼容性问题 - 同一台机器上混用
pip和conda安装同一包（如pytorch），可能引发Symbol not found错误
创建环境时必须指定 python=3.8 吗？
是的，尤其在复现老项目或论文时。Python 小版本升级（如 3.8 → 3.9）虽兼容，但部分 C 扩展（如旧版 numba、theano）或 wheel 包可能未及时适配，导致 ImportError: Python version mismatch。
-
conda create -n sci38默认使用当前base的 Python 版本，不可靠 - 务必显式写：
conda create -n sci38 python=3.8 - 若镜像已预装 Python 3.8（如 CSDN 星图的
Miniconda-Python3.8镜像），则该命令会复用已有二进制，秒级完成 - 避免用
conda install python=3.8在已有环境中降级，易破坏 conda 自身依赖
如何让 conda install 快得像本地命令？
默认 conda 源在国外，conda install numpy 卡住十几分钟是常态。必须换国内镜像源，否则“极简”会变成“极慢”。
- 执行：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - 再执行：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - 最后关掉默认源：
conda config --set show_channel_urls true - 验证：
conda config --show channels应看到清华源排在最前 - 注意：不要用
--add多次添加同一源，否则重复条目会拖慢索引速度
极简不等于“最少包”，而是“刚好够用且无冗余”。真正容易被忽略的是：环境导出时若漏掉 --from-history，environment.yml 会包含所有间接依赖（包括 conda 自动装的 mkl、ca-certificates），导致复现时环境臃肿、不可控。需要精确复现时，始终用 conda env export --from-history > environment.yml。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
