1、将安装包进行解压

2、打开解压后的文件夹

3、以管理员身份运行

4、点Next

5、点I Agree

6、点Next

7、择安装路径，然后Next

9、安装中，请等待

10、点Next

11、点Next

12、取消勾选，然后点Finish

13、打开开始菜单，找到Spyder(Anaconda2)，左键按住，拉到桌面。

14、在桌面找到此软件并打开

15、OK软件打开界面如下图所示

做数据分析、跑Python模型的，基本人手一个Anaconda。看似是一站式环境管理工具，省心又全能。但真正长期做项目、迭代代码就会发现，这软件的隐性问题，远比代码bug更耽误进度。

很多新手入门只知道用它配环境、装库，根本不会打理。用到后面环境乱套、库版本冲突、终端命令失效，一堆问题扎堆爆发，却完全找不到原因。

最头疼的绝对是环境混乱的问题。

最开始做小作业、简单爬虫，大家都习惯直接在base基础环境里装库、跑代码。省事是一时的，后续但凡要跑两个不同版本依赖的项目，直接崩盘。

我之前踩过一个大坑：一个旧机器学习项目需要python3.8，新做的数据分析项目适配3.10。全都塞在base环境里，结果就是库版本互相覆盖，旧项目直接报错闪退，新项目各种函数无法调用。

更离谱的是，有时候明明用pip装了对应库，终端就是提示模块不存在。排查半天，才发现是Anaconda自带的pip和系统pip路径冲突，环境变量乱套了。这种问题不会弹窗报错，就是静默失效，极其磨人。

现在不管项目大小，我都会单独新建虚拟环境。哪怕是简单的小脚本，也不会再用base环境跑了。

顺带吐槽一下它的启动速度和内存占用。

Anaconda真的很吃配置，尤其是自带的Navigator图形界面。配置一般的笔记本，打开都要等半天，偶尔还会卡死黑屏。后台常驻的进程特别多，哪怕关闭窗口，后台也在悄悄占用内存，电脑开多几个项目软件就会明显卡顿。

我身边很多同学、同行，最后都干脆弃用图形界面，只靠命令行操作。轻便太多，也少了很多莫名的bug。

还有个新手百分百踩的坑：环境迁移报错。

自己电脑调试好的完整虚拟环境，导出打包后放到实验室电脑、服务器，大概率直接用不了。

不是库版本对不上，就是系统架构不匹配。Windows打包的环境，放到Linux服务器上直接报错，一堆依赖无法解析。哪怕都是Windows系统，版本不一样、系统补丁不同，都可能出现环境导入失败的问题。

之前组队做比赛，队友的环境在自己电脑完美运行，拷到我电脑直接全线报错，排查了一整晚，最后发现就是Anaconda小版本差异导致的兼容问题。真的特别耽误事。

库安装的玄学问题也得说一句。

很多人分不清conda安装和pip安装的区别，随便混用。同一个库，两种方式反复装、覆盖装，最后环境直接紊乱。

最常见的就是torch、tensorflow这类深度学习库。conda源下载的版本经常滞后，要么装不上，要么版本老旧，适配不了新代码。换成pip安装，又容易和conda管理的依赖冲突，出现能用但报错、功能缺失的诡异情况。

行业里默认的小规矩基本都是：深度学习库用pip，基础数据分析库用conda，尽量不混用，能避开八成冲突问题。

另外还有个很细节的问题，路径中文报错。

安装路径、项目文件夹一旦带中文、空格、特殊符号，后期跑大型数据集、训练模型的时候，会莫名中断、闪退。报错提示还特别模糊，根本不会指向路径问题，纯靠经验排查。

用得越久越明白，Anaconda好用的前提，是会规整、会避坑。

不用追求装最新版本，也不用堆砌各种库。干净、独立、适配项目的环境，才是最稳的。