conda环境下独占使用PIP有什么坑？

Question

官方文档和这个博客在同一个网站——推荐尽可能多的用conda安装requirement然后使用pip。显然这是因为conda不会意识到pip对依赖项所做的任何更改因此将无法解析依赖关系正确。

现在，如果一个人专门使用pip和 go 而没有使用conda安装任何东西，那么期望conda不需要知道pip conda成为隔离依赖项和管理版本的单纯工具。 但是，这违背了官方建议，因为不会使用conda安装尽可能多的要求。

所以问题仍然存在：在conda环境中专门使用pip是否有任何已知的缺点？

中的类似主题在此处有所涉及，但未涵盖在conda环境中专门使用pip的情况。 我也来过这里：

Answer 1

不确定是否可以对此给出全面的答案，但我想到的一些主要事情是：

缺乏对非 Python 依赖解析的深度支持。 随着时间的推移，越来越多的捆绑非 Python 资源的轮子变得可用，但它远不及 Conda 作为通用 package 管理器而不是特定于 Python 的管理器提供的覆盖范围。 对于任何进行互操作计算（例如， reticulate ）的人，我希望 Conda 会受到青睐。
优化库。 有点与第一点相关，但 Anaconda 团队已努力构建优化版本的包（例如，MKL for numpy ）。 不确定是否可以通过 PyPI 获得等效项。 ^1个
跨环境的浪费冗余。 当包和环境位于同一卷上时，Conda 使用硬链接，并支持跨卷的软链接。 这有助于最大限度地减少复制安装在多个环境中的任何包。
使出口复杂化。 导出时 ( conda env export ) Conda 不会选择所有pip安装的包 - 只有来自 PyPI 的包。 也就是说，它会错过从 GitHub 等安装的东西。如果有人做了 go pip-only 路由，我认为更可靠的导出策略是使用pip freeze > requirements.txt ，然后制作一个 YAML 之类的
```
channels: - defaults dependencies: - python=3.8 # specify the version - pip - pip: - -r requirements.txt
```
用它来重建环境。

综上所述，我可以很容易地想象这些对某些人来说都不重要（大多数都是为了方便），尤其是那些倾向于纯粹在 Python 中工作的人。然而，在这种情况下，我不明白为什么人们不会简单地完全放弃 Conda 并使用特定于 Python 的虚拟环境管理器。

_{[1]如有不明之处请指正。}