Python 虚拟环境设置（venv 与 uv）

在开始量化之前，先解决一个所有 Python 项目都绕不开的问题：环境隔离。

本篇介绍两个轻量工具——Python 内置的 venv 和新一代极速工具 uv，并用它们为量化课程准备好环境。

为什么需要虚拟环境

想象一个常见场景：你半年前写的一个策略脚本依赖 pandas 1.x，今天新学的教程要求 pandas 2.x，而它们无法共存于同一个系统环境。

直接在系统 Python 里反复装卸不同版本的包，最终往往把环境搅成一团乱麻，俗称"依赖地狱"。

虚拟环境的思路很简单：给每个项目一个独立的包安装目录，互不干扰。

量化项目尤其需要它——回测、机器学习、数据抓取可能各自依赖不同版本的库，一个独立的 quant 环境能保证后续教程的代码始终按预期运行。

三种方案怎么分工

Python 生态里常用的环境方案有三个，定位各不相同：

三者解决的是同一类问题，实际使用中选其一即可。

本篇先讲内置的 venv 建立概念，再讲效率更高的 uv，下一篇介绍 Anaconda。

venv：Python 内置方案

venv 是 Python 官方自带的虚拟环境模块，Python 3.3 及以上版本无需安装任何东西就能使用。

创建虚拟环境

在项目目录下执行：

命令执行后没有任何输出，就表示创建成功。

当前目录会多出一个 quant-env 文件夹，里面是一套独立的 Python 解释器和包目录，之后这个环境里安装的所有包都存放在这里。

激活与退出

创建好的环境需要"激活"后使用，不同平台的命令不同：

激活成功后，命令行提示符前面会出现环境名称：

(quant-env) $ which python
/private/tmp/qt_venv_demo/quant-env/bin/python

(quant-env) $ python -V
Python 3.9.6

注意 which python 的输出：激活后 python 命令指向虚拟环境内部的解释器，此时 pip 安装的所有包都只进入这个环境。

退出环境只需一条命令：

(quant-env) $ deactivate

退出后命令行提示符恢复原样，python 命令也回到系统环境。

易错点：虚拟环境与目录绑定而非与终端绑定，换了终端窗口要先重新激活；删除环境则直接删除 quant-env 文件夹即可，不会影响系统 Python。

安装依赖与复现环境

激活环境后，用 pip 安装包，建议同时指定国内镜像加速下载：

输出结果如下所示：

Collecting six
  Using cached six-1.17.0-py2.py3-none-any.whl.metadata (1.7 kB)
Using cached six-1.17.0-py2.py3-none-any.whl (11 kB)
Installing collected packages: six
Successfully installed six-1.17.0

把当前环境的依赖清单导出到 requirements.txt，是分享和复现环境的标准做法：

输出结果如下所示：

six==1.17.0

别人拿到这份清单后，创建一个新环境并用一条命令即可装齐全部依赖：

pip install -r requirements.txt

venv 的局限

venv 解决了"隔离"问题，但有两个日常痛点：

一是慢：每个新环境安装依赖都要从网络重新下载，多项目并行时等待时间可观。

二是裸：没有依赖锁文件（requirements.txt 里不含依赖的依赖），没有 Python 版本管理，团队协作时环境复现经常出现偏差。

这些痛点正是下面 uv 的用武之地。

uv：新一代极速方案

uv 是 Astral 公司（知名工具 Ruff 的开发方）用 Rust 编写的 Python 环境与包管理工具。

它兼容 pip 的使用习惯，同时把虚拟环境、依赖管理、Python 版本管理整合到一个工具里，速度远超传统方案。

安装 uv

macOS / Linux 用官方脚本安装：

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows PowerShell 用对应脚本：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

如果装有 Homebrew，也可以直接：

brew install uv

安装完成后验证版本：

$ uv --version
uv 0.10.0 (0ba432459 2026-02-05)

创建环境与安装依赖

uv 创建虚拟环境的命令是 uv venv：

输出结果如下所示：

Using CPython 3.12.11
Creating virtual environment at: quant-uv-env
Activate with: source quant-uv-env/bin/activate

注意第一行：venv 只能使用当前系统的 Python 版本，而 uv 会自动选择（必要时自动下载）合适的 Python 版本，相当于自带了 Python 版本管理。

激活方式与 venv 相同，激活后用 uv pip 安装包，命令习惯与 pip 一致：

输出结果如下所示：

Resolved 1 package in 6ms
Prepared 1 package in 442ms
Installed 1 package in 4ms
 + six==1.17.0

查看已安装的包：

$ uv pip list
Using Python 3.12.11 environment at: /tmp/qt_venv_demo/quant-uv-env
Package Version
------- -------
six     1.17.0

速度到底快在哪

uv 的速度优势需要分情况看，下面是一次本机实测（macOS，清华镜像，安装 pandas）：

结论很清晰：受网络下载限制时，两者差距有限；而 uv 的本质优势在于全局缓存——新建环境、重装依赖时几乎瞬时完成。

项目越多、环境越多，这项优势越明显。

说明：表中为一次实测数据，绝对值随网络状况浮动，但量级关系是稳定的。尤其多环境批量装依赖的场景，uv 的缓存优势会进一步放大。

项目管理模式

除了充当"更快的 pip"，uv 还提供基于 pyproject.toml 的现代项目管理工作流：

uv init 会在当前目录生成标准的项目结构：

.git  .gitignore  .python-version  main.py  pyproject.toml  README.md

其中 pyproject.toml 是项目的依赖声明文件，初始内容如下：

执行 uv add six 后，dependencies 会自动写入 "six>=1.17.0"，同时生成锁文件 uv.lock，精确记录每个依赖的版本。

uv add 与 uv run 的输出如下所示：

$ uv add six
Resolved 2 packages in 5ms
Prepared 1 package in 10.75s
Installed 1 package in 3ms
 + six==1.17.0

$ uv run python -c "import six; print('six 版本:', six.__version__)"
six 版本: 1.17.0

有了 pyproject.toml 和 uv.lock，团队成员拿到代码后一条 uv sync 就能还原出完全一致的环境，这是 venv + requirements.txt 做不到的。

提示：本教程只需要 uv venv 加 uv pip 这一组兼容命令即可跟上进度；项目管理模式供有兴趣的读者进阶。

venv 与 uv 怎么选

给初学者的建议：系统里装一个 uv，把它当作更快的 pip 来用，其余概念与 venv 完全互通。

实战：为量化课程准备环境

用今天学的方式创建量化专用环境，装好后续章节需要的库。venv 与 uv 两套命令任选其一即可：

输出结果如下所示：

环境就绪