刚开始学 Python 或生物信息学时,最让人困惑的往往不是代码,而是“明明已经安装,运行时却说找不到”。同一台电脑上可能有系统 Python、软件附带的 Python,还有 Conda 环境里的 Python。安装软件和运行程序如果用了不同入口,就像把书放进甲房间,却到乙房间寻找。本系列用一个很小的序列统计项目,把这件事从头讲清楚。
五篇的学习路线是:创建独立环境、正确安装软件、定位常见报错、保存并重建环境、让脚本稳定运行。每篇都能单独阅读,连续练习效果更好。第一篇完成后,你应当能回答三个问题:我的环境叫什么,当前 Python 在哪里,如何证明这个环境确实能运行我的代码。

一、先分清三个容易混在一起的名字
Conda 是管理软件包和运行环境的工具。你可以用它安装 Python,也可以安装很多带有底层依赖的软件。Miniforge、Miniconda 等则是取得 Conda 的不同安装发行方式。环境是你后来创建的一个个独立软件集合,环境名称由你自己决定。不要把“我安装了某个发行版”和“我的分析项目已配置完成”当成同一件事。
本文选择 Miniforge 作为新电脑的安装入口,是为了让系列示例使用同一个起点;已有正常运行的 Conda 不需要为了练习再装一套。具体平台安装文件以 Miniforge 官方页面为准,先确认操作系统和处理器架构,再选择安装文件。苹果芯片和 Intel 芯片不能只看电脑品牌,服务器也不能只凭“都是 Linux”就随便下载。
已经安装的读者,先打开终端执行下面两行。Windows 初学者优先打开安装器提供的 Miniforge Prompt;Linux、macOS 使用自己的终端。代码框里的命令逐行执行,不要把说明文字一起复制进去。
conda --version
conda info --envs
第一行显示 Conda 的版本,第二行列出环境名称与位置。输出中的星号通常表示当前活动环境。若第一行就提示找不到命令,应先解决终端如何找到 Conda,暂时不要输入后续安装命令。已有安装但普通终端不能使用时,进入安装器提供的终端,或按实际 shell 初始化;具体行为见 conda init 文档。
# 仅在你使用 Bash 且需要初始化时执行
conda init bash
初始化会修改对应 shell 的启动配置,执行后通常需要关闭并重新打开终端。使用 zsh 或 PowerShell 的读者应选对应的 shell,不要照抄 bash。服务器上已有共享配置时,先理解管理员提供的登录方式,不要反复运行初始化,把多个安装目录叠在一起。
二、给练习项目建立自己的工具箱
我们把环境命名为 conda-lab,选择 Python 3.11 作为教学版本。这里的版本选择是为了统一练习,不代表所有软件都应该使用这一版本。真实项目应先看软件要求;老工具可能需要更早的 Python,新工具可能已有不同的支持范围。
conda create -n conda-lab --override-channels -c conda-forge python=3.11
conda activate conda-lab
python --version
python -c "import sys; print(sys.executable)"
创建命令会先给出计划,显示需要安装的软件和下载量,确认后才继续。参数 -n 后面是环境名,python=3.11 表示限定 Python 的次版本系列。渠道参数暂时理解为“这次从明确的软件仓库取包”,第二篇再详细拆解。命令和选项依据 conda create 文档。
激活以后,命令行前面通常会出现环境名,但真正值得保存的证据是 sys.executable 输出的解释器路径。它应指向刚创建的环境,而不是系统目录或者另一个项目。不同安装位置会产生不同路径,所以不要拿自己的整段路径与截图逐字比较;比较的是它是否属于目标环境。
有读者会问:为什么不把所有东西装进默认的 base?因为多个项目往往需要不同版本。一个项目升级依赖,可能影响另一个项目。让 base 主要承担管理工作,让项目在各自环境里运行,后续定位问题会清楚得多。环境隔离也有边界:它不会自动复制项目数据,不会代替操作系统权限,更不会替你保存分析结果。
| 对象 | 本系列例子 | 负责什么 |
|---|---|---|
| 管理入口 | conda 命令 | 创建、查看、安装与导出环境 |
| 项目环境 | conda-lab | 提供本项目的 Python 和依赖 |
| 项目目录 | conda-lab-project | 保存脚本、示例输入与结果 |
| 当前工作目录 | 终端所在位置 | 决定相对路径从哪里寻找文件 |
三、把代码放在项目目录,不要塞进环境目录
环境目录是软件仓库,项目目录是工作台。二者分开以后,重建环境不会连带丢失自己的脚本。下面用几行简单命令新建项目目录;如果目录已经存在,直接进入即可,不要为了重新练习而删除其中的文件。
mkdir conda-lab-project
cd conda-lab-project
在文本编辑器中创建 check_env.py,保存到刚才的项目目录,内容如下。Windows 要确认文件没有被自动保存成 check_env.py.txt。脚本只使用 Python 自带功能,所以这一节不需要额外安装生信软件,也不需要下载实验数据。
import sys
sequence = "ACGTTGCA"
gc_count = sequence.count("G") + sequence.count("C")
gc_percent = gc_count / len(sequence) * 100
print("Python:", sys.version.split()[0])
print("Executable:", sys.executable)
print("Length:", len(sequence))
print(f"GC: {gc_percent:.1f}%")
python check_env.py
这个例子有意选了一条能手工检查的序列:总长度为八,其中 G 和 C 一共四个,因此长度应为 8,GC 比例应为 50.0%。前两行会随你的 Python 小版本与安装路径变化,后两项则是本例的确定性检查值。这里仅统计给定字符串,不涉及测序质控、碱基质量或生物学推断。
这种小脚本的作用不是展示复杂算法,而是把“程序找到了、解释器对了、计算结果对了”连成一条证据链。以后安装大型分析软件,也应保留类似的小样例。仅看到安装过程最后没有报错,还不足以证明软件适合当前输入,更不足以证明整个科研流程已经可靠。

四、激活环境与进入目录是两件事
conda activate conda-lab 主要改变当前终端使用软件的方式,cd conda-lab-project 改变当前所在目录。激活环境不会把你送进项目文件夹,进入项目文件夹也不会自动选择对应 Python。初学者遇到“找不到脚本”,经常把这两个动作混为一谈。
如果错误里出现 can't open file,先检查脚本是否在当前目录;如果出现 ModuleNotFoundError,才继续检查运行环境及依赖。两类问题的处理方向不同。文件名也要仔细核对,Linux 通常区分大小写,Check_env.py 与 check_env.py 不应混用。
conda info --envs
python -c "from pathlib import Path; print(Path.cwd()); print(Path('check_env.py').exists())"
第二行会打印工作目录,并告诉你该位置是否存在脚本。看到 False 时,说明你首先需要修正目录或文件名,重装 Python 通常没有帮助。这种先缩小问题范围再动手的习惯,会贯穿后面四篇。
练习完成后可以退出环境。退出只改变当前终端的活动状态,不会卸载包,也不会删除项目目录。下次重新打开终端时,应重新确认当前环境,再运行项目。不要因为昨天在一个窗口激活过,就假设今天所有窗口都已经激活。
conda deactivate
conda run -n conda-lab python check_env.py
最后一行演示不手动激活也能指定环境运行,但仍要求当前目录能找到脚本。第五篇会把这个办法用于自动化运行,让环境选择直接写在启动命令里。此时只要理解它的用途即可,不必一下子记住所有参数。
五、第一天练习的验收标准
请自己重新打开一个终端,从查看环境开始,再进入项目目录并执行脚本。你应能说出环境名称、项目位置、解释器位置以及那两个确定输出。如果中途要依赖某个没有记录的窗口或临时手工操作,说明流程还没有真正整理清楚,值得把缺失步骤补进项目说明。
还可以把序列改成 GGCC 再运行,此时长度应为四,GC 比例应为百分之百。这是一个简单的正向测试。随后改回原始序列,保留标准示例,避免第二天接着练习时忘了自己曾改过输入。不要把空字符串当作本脚本支持的输入,因为分母为零会报错;后续写通用程序时需要显式检查这种边界。
至此你已经具备一个可运行的最小项目。下一篇会在同一个环境里安装 Biopython,用标准序列文件替代手工字符串,并解释渠道、版本和 pip 的关系。遇到环境部署困难时,可以整理操作系统、环境名、软件版本和完整错误,再联系云生信咨询环境与资源需求,这些信息比单独截取最后一行报错更有助于判断。
下载全系列练习代码、示例数据与环境文件(ZIP;含操作说明与预期输出)
