Всем привет! Я - практикующий исследователь данных, и на этом канале делюсь тем, что реально работает в IT. Никакой сухой теории (только в редких подборках как этот🙃), только личный опыт, рабочие инструменты и грабли, на которые я уже наступил за вас. Рад, что вы здесь!
На рабочем удаленном компе я работаю с PyCharm и Jupyter Notebook, на личном в основном Jupyter Notebook и neovim с плагинами, и я их устанавливал (точнее автоматически они установились) путем установки Анаконды.
Так вот, недавно я наткнулся на статью в котором затронули тему памяти которые занимают всякие инструменты для Python-а. Ну я и решил проверить у себя эту память, и действительно обнаружил, что память действительно занимает больше 19 Гб... Ну какбэ... Как-будто многовато.
Разобравшись, понял (да, разработчикам на Python, которые постоянно пишут, это само собой разумеющееся, да даже я с этим уже разбирался пару раз, года два назад, но не суть, главное зафиксировать этот момент и помнить): Anaconda тянет за собой гору библиотек, половину из которых ты никогда не откроешь.
Ну а так как я человек достаточно дотошный в этом плане, решил чуток почистить у себя память, заодно и законспектировать всё.
Так появился этот список - семь самых полезных и современных менеджеров пакетов Python, которые помогут держать твою систему в порядке, а установку библиотек - быстрой и предсказуемой, возможно удобной 🙃.
1. Uv - молниеносный менеджер на Rust
Uv - относительно новая штука, но уже активно набирает популярность.
Это менеджер пакетов и окружений, написанный на Rust, который работает заметно быстрее, чем классические pip или Poetry.
Он полностью совместим с экосистемой Python и просто летает при установке зависимостей. Особенно классно показывает себя внутри виртуальных окружений - легкий, компактный, никаких “приветов” от старых пакетов.
📦 Установка:
curl -LsSf https://astral.sh/uv/install.sh | sh
2. Pip - старый добрый стандарт
Если ты хоть раз ставил библиотеку через pip install, ты уже знаком с ним.
Pip - это дефолтный менеджер пакетов Python, который умеет ставить, обновлять и удалять зависимости из PyPI.
Он прост, проверен временем, и без него не обходится ни один проект.
Да, он не самый быстрый, но это тот случай, когда лучше иметь что-то надёжное, чем модное.
📦 Установка:
sudo apt update
sudo apt install python3-pip -y
3. Poetry - порядок и красота в одном файле
Poetry - инструмент для тех, кто любит, когда всё под контролем.
Он не просто ставит пакеты, а управляет зависимостями, виртуальными окружениями и сборкой проекта. Всё хранится в одном файле pyproject.toml, и это реально удобно.
Poetry часто выбирают разработчики, которые ценят чистоту и структуру в коде. А ещё он упрощает публикацию библиотек - если ты планируешь делиться своими проектами, это must-have. Затестил, понравилось, но не для меня.
📦 Установка:
curl -sSL https://install.python-poetry.org | python3 -
или
pip install poetry
4. Conda (Anaconda) - всё в одном, но тяжеловато
Conda - старожил мира дата-сайенса.
Менеджер пакетов и окружений, который умеет работать не только с Python-библиотеками, но и с системными зависимостями - от R до CUDA.
Для новичков это идеальный вариант: поставил Anaconda - и сразу всё готово. Но есть нюанс: она весит как хороший шутер и ставит кучу пакетов, которыми ты не воспользуешься.
📦 Установка:
wget https://repo.anaconda.com/archive/Anaconda3-2025.06-1-Linux-x86_64.sh
bash Anaconda3-2025.06-1-Linux-x86_64.sh
Ну или просто скачать установочный с сайта и установить.
5. Miniconda - тот же Conda, но без лишнего жира
Если Anaconda - это “всё включено”, то Miniconda - это “собери сам”.
Она устанавливает только базовые инструменты, а всё остальное ты добавляешь вручную.
Результат - лёгкая, быстрая система без тонн ненужных пакетов. Идеально, если ты хочешь контролировать окружение и не тратить 20 ГБ под воздух. Мне нравится.
📦 Установка:
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
6. Mamba - быстрая альтернатива Conda
Mamba - это тот же Conda, только на C++.
Работает значительно быстрее, особенно при решении зависимостей и создании окружений. Многие дата-сайентисты уже перешли на Mamba - просто потому что она экономит время.
Если ты работаешь с большими проектами или моделями машинного обучения - попробуй Mamba, она реально легкая.
📦 Установка:
curl micro.mamba.pm/install.sh | bash
или, если Conda уже стоит:
conda install mamba -n base -c conda-forge
7. Pixi - менеджер будущего
Pixi - свежий инструмент, написанный тоже на Rust и созданный сообществом Conda.
Он задумывался как универсальный менеджер пакетов - не только для Python, но и для других языков. Поддерживает кроссплатформенность, полностью воспроизводимые окружения и очень быстро работает.
Пока Pixi не стал массовым, но потенциал у него огромный - особенно если ты работаешь в команде, где смешаны разные технологии.
📦 Установка:
curl -fsSL https://pixi.sh/install.sh | bash
Итого
Если ты только начинаешь путь в аналитике или дата-сайенсе - ставь Anaconda.
Она тяжеловата, зато избавит от боли с настройкой окружений. Ну это конечно до поры до времени...
Когда почувствуешь уверенность - переходи на uv или Mamba: они быстрее, аккуратнее и позволяют держать всё под контролем.
А если хочешь полную гибкость и эксперименты - попробуй Poetry или Pixi.
Я не претендую на истину в последней инстанции, просто рассказываю, как иду по пути аналитика. Спасибо, что дочитали! Подписывайтесь 👇👇👇, лайкайте 👍🏽👍🏽, и расскажите в комментах, чем вы пользуетесь🔬!