1. 为什么选择Miniforge3搭建M1开发环境刚拿到M1芯片MacBook Pro的时候我兴冲冲地准备安装Anaconda结果发现官方版本根本不支持ARM架构。这时候Miniforge3就成了最佳替代方案——它是专门为ARM架构优化的Conda发行版由conda-forge社区维护。实测下来原生ARM版本的Python环境在M1上运行效率比Rosetta转译的x86版本快30%以上。Miniforge3最大的优势在于原生ARM支持所有包都针对M1芯片的ARM架构编译避免性能损耗轻量干净相比Anaconda的臃肿它只包含核心组件conda-forge优先这个社区仓库的包更新更及时完美兼容特别优化了科学计算库的M1支持提示M1用户千万不要安装标准版Anaconda不仅性能差还经常出现奇怪的兼容性问题。我就踩过这个坑折腾半天才发现是架构问题。2. 从零开始安装Miniforge32.1 下载正确的安装包首先到Miniforge的GitHub仓库https://github.com/conda-forge/miniforge找到Miniforge3-MacOSX-arm64这个版本。我见过有人下错x86版本结果所有命令都报错。下载完成后打开终端进入下载目录cd ~/Downloads2.2 执行安装脚本给安装文件添加执行权限chmod x Miniforge3-MacOSX-arm64.sh然后运行安装脚本./Miniforge3-MacOSX-arm64.sh安装过程有几个注意点按回车查看许可协议时别按太快容易错过确认步骤建议安装到默认路径~/miniforge3最后询问是否初始化conda时一定要选yes安装完成后需要重启终端或者执行source ~/.zshrc2.3 验证安装输入以下命令检查是否安装成功conda --version python --version如果显示conda 4.12和Python 3.9就说明没问题。我遇到过conda命令找不到的情况一般是shell配置没加载重新source一下.zshrc就好。3. 配置Python数据科学环境3.1 创建专属环境强烈建议不要直接用base环境而是为数据科学项目创建独立环境conda create -n datascience python3.9 conda activate datascience这样能避免包冲突。我有次在base环境乱装包结果连conda自己都挂掉了最后只能重装。3.2 安装核心科学计算包激活环境后安装数据科学全家桶conda install numpy scipy pandas matplotlib scikit-learn jupyterM1芯片需要注意一定要通过conda安装不要用pip确保安装的是arm64架构的包可以先用conda search 包名查看是否有arm版本3.3 解决常见安装问题有时候会遇到PackagesNotFoundError这是因为有些包还没适配ARM。我的解决方案是先尝试conda-forge频道conda install -c conda-forge 包名实在没有就使用pip安装x86版本性能会下降arch -x86_64 pip install 包名4. Jupyter Notebook终极配置4.1 基础安装与启动在datascience环境中安装Jupyterconda install jupyter启动Notebookjupyter notebook第一次启动可能会报错缺少依赖根据提示安装即可。我推荐用Jupyter Lab界面更现代conda install jupyterlab jupyter lab4.2 性能优化技巧M1芯片上这样启动Jupyter能提升性能OBJC_DISABLE_INITIALIZE_FORK_SAFETYYES jupyter lab还可以在~/.jupyter/jupyter_notebook_config.py中添加c.ServerApp.iopub_data_rate_limit 1000000004.3 实用插件推荐安装这些插件能极大提升效率conda install -c conda-forge jupyter_contrib_nbextensions jupyter contrib nbextension install --user特别有用的插件Table of Contents自动生成目录Variable Inspector实时查看变量ExecuteTime显示单元格执行时间Autopep8代码自动格式化5. 深度学习环境配置5.1 TensorFlow安装M1芯片需要使用Apple专门优化的版本conda install -c apple tensorflow-deps pip install tensorflow-macos pip install tensorflow-metal验证GPU加速是否生效import tensorflow as tf print(tf.config.list_physical_devices(GPU))5.2 PyTorch安装通过官方命令安装ARM版本conda install -c pytorch pytorch torchvision torchaudio测试Metal加速import torch print(torch.backends.mps.is_available())5.3 常见问题解决如果遇到非法指令错误试试export GRPC_PYTHON_BUILD_SYSTEM_OPENSSL1 export GRPC_PYTHON_BUILD_SYSTEM_ZLIB1我在跑CV项目时发现有些OpenCV函数会崩溃解决方案是安装特定版本conda install -c conda-forge opencv4.5.56. 环境管理与维护6.1 Conda常用命令列出所有环境conda env list复制环境conda create --clone old_env --name new_env导出环境配置conda env export environment.yml导入环境conda env create -f environment.yml6.2 清理空间技巧Conda容易占用大量空间定期执行conda clean --all查看各包占用空间conda list --size6.3 环境迁移方案跨设备迁移时我习惯用pip导出requirementspip freeze requirements.txt在新设备上conda create -n new_env python3.9 conda activate new_env pip install -r requirements.txt7. 生产力提升技巧7.1 Jupyter快捷键大全命令模式按ESCA/B在上/下方插入单元格M/Y转Markdown/代码单元格DD删除单元格编辑模式按EnterCtrlEnter运行当前单元格ShiftEnter运行并跳转到下一单元格AltEnter运行并在下方插入新单元格7.2 魔术命令这些命令能极大提升效率%timeit # 测量执行时间 %prun # 性能分析 %debug # 进入调试器 %load_ext autoreload # 自动重载修改的模块7.3 与VS Code联动安装Jupyter插件后VS Code可以完美支持创建.ipynb文件选择datascience环境的Python解释器直接运行单元格我最喜欢的功能是可以把Notebook导出为Python脚本还能保持单元格结构。