Conda-Umgebungsverwaltung: Der vollständige Leitfaden für Data Scientists

Conda ist der Paket- und Umgebungsmanager, der moderne Data Science antreibt. Ob du Python-Versionen jonglierst, GPU-beschleunigte Bibliotheken installierst oder reproduzierbare Umgebungen mit deinem Team teilst – conda erledigt das alles, ohne die Abhängigkeitsprobleme, die reine pip-Workflows plagen.

Warum conda statt pip + venv?

Pip installiert Python-Pakete. Conda installiert alles – Python, R, C-Bibliotheken, CUDA-Toolkits und Abhängigkeiten auf Systemebene. Das ist wichtig, weil Data-Science-Bibliotheken wie NumPy, SciPy und PyTorch auf kompilierten C/Fortran-Code angewiesen sind, den pip nicht immer korrekt auflösen kann.

Funktion	pip + venv	conda
Python-Pakete	✅	✅
Nicht-Python-Abhängigkeiten (C, CUDA)	❌	✅
Python-Versionsverwaltung	❌ (benötigt pyenv)	✅
Umgebungsisolierung	✅	✅
Abhängigkeitslöser	Einfach	SAT-Solver
Plattformübergreifende Binärdateien	Nur Wheels	Vollständige Unterstützung

Einstieg: Miniconda vs. Anaconda

Miniconda liefert conda + Python in ~80 MB. Du installierst nur, was du brauchst. Anaconda enthält 250+ vorinstallierte Pakete (~3 GB) – praktisch, aber für die meisten Workflows überladen.

Für die meisten Entwickler ist Miniconda die bessere Wahl:

# Miniconda installieren (Linux/macOS)
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

# Installation überprüfen
conda --version

Grundlagen der Umgebungsverwaltung

Umgebungen erstellen

Erstelle immer eine dedizierte Umgebung für jedes Projekt. Installiere niemals Pakete in base:

# Mit bestimmter Python-Version erstellen
conda create -n myproject python=3.11

# Mit vorinstallierten Paketen erstellen
conda create -n ml-project python=3.11 numpy pandas scikit-learn

# Aus einer Umgebungsdatei erstellen
conda env create -f environment.yml

Aktivieren und Wechseln

conda activate myproject    # Zur Umgebung wechseln
conda deactivate            # Zu base zurückkehren
conda env list              # Alle Umgebungen anzeigen

Pakete installieren

# Aus dem Standard-Channel
conda install numpy pandas matplotlib

# Von conda-forge (Community-Pakete)
conda install -c conda-forge polars duckdb

# Bestimmte Version
conda install pytorch=2.2 -c pytorch

# pip-Pakete installieren, wenn conda sie nicht hat
pip install some-niche-package

Profi-Tipp: Versuche immer zuerst conda install. Greife nur auf pip install zurück, wenn ein Paket auf keinem conda-Channel verfügbar ist. Das Mischen beider kann zu Abhängigkeitskonflikten führen, wenn es nicht sorgfältig verwaltet wird.

Entfernen und Aufräumen

# Ein Paket entfernen
conda remove scipy

# Eine gesamte Umgebung löschen
conda env remove -n old-project

# Gecachte Pakete bereinigen (Speicherplatz freigeben)
conda clean --all

Channels und Prioritäten

Channels sind die Quellen, aus denen conda Pakete herunterlädt. Die Reihenfolge ist entscheidend:

# conda-forge als höchste Priorität hinzufügen
conda config --add channels conda-forge
conda config --set channel_priority strict

# Aktuelle Channels anzeigen
conda config --show channels

Empfohlene Einrichtung für Data Science:

channels:
  - conda-forge
  - defaults

Das Setzen von channel_priority: strict bedeutet, dass conda immer conda-forge bevorzugt und Abhängigkeitsprobleme durch gemischte Channels vermieden werden.

Reproduzierbare Umgebungen mit environment.yml

Die environment.yml-Datei ermöglicht das Teilen von Umgebungen mit Teammitgliedern:

name: ml-pipeline
channels:
  - conda-forge
  - pytorch
dependencies:
  - python=3.11
  - numpy=1.26
  - pandas=2.2
  - scikit-learn=1.4
  - pytorch=2.2
  - jupyter
  - pip:
    - wandb
    - some-pip-only-package

Exportieren und Wiederherstellen

# Aktuelle Umgebung exportieren (plattformübergreifend)
conda env export --from-history > environment.yml

# Mit exakten Versionen exportieren (nur gleiches Betriebssystem)
conda env export > environment-lock.yml

# Auf einem anderen Rechner wiederherstellen
conda env create -f environment.yml

Das Flag --from-history exportiert nur explizit installierte Pakete und macht die Datei betriebssystemübergreifend portierbar.

Fortgeschrittene Tipps für Power-User

conda mit libmamba beschleunigen

Der Standard-conda-Solver kann langsam sein. Wechsle zu libmamba für 10- bis 50-mal schnellere Auflösungen:

conda install -n base conda-libmamba-solver
conda config --set solver libmamba

Ab conda 23.10+ ist libmamba der Standard-Solver – überprüfe jedoch, ob du eine ältere Version verwendest.

Umgebungen stapeln

Du kannst Umgebungen für gemeinsame Basisabhängigkeiten stapeln:

conda activate base-ml
conda activate --stack experiment-42

So hast du Zugriff auf Pakete aus beiden Umgebungen, ohne große Installationen zu duplizieren.

conda in Docker verwenden

FROM continuumio/miniconda3:latest

COPY environment.yml .
RUN conda env create -f environment.yml && conda clean -afy

SHELL ["conda", "run", "-n", "myenv", "/bin/bash", "-c"]
CMD ["python", "app.py"]

conda in CI/CD verwenden

# GitHub Actions Beispiel
- uses: conda-incubator/setup-miniconda@v3
  with:
    environment-file: environment.yml
    python-version: "3.11"
    activate-environment: myproject

Häufige Fallstricke und Lösungen

1. „Solving environment" dauert ewig

Wechsle zum libmamba-Solver (siehe oben) oder fixiere weniger Paketversionen.

2. Das Mischen von conda und pip verursacht Probleme

Installiere zuerst alle conda-Pakete, dann pip-Pakete. Wenn du später weitere conda-Pakete hinzufügen musst, erstelle die Umgebung aus environment.yml neu.

3. Umgebung ist zu groß

Verwende conda clean --all regelmäßig. Erwäge die Nutzung von Miniconda statt Anaconda und installiere nur, was du benötigst.

4. „Package not found"-Fehler

Suche nach dem Paket: conda search package-name. Versuche conda-forge: conda install -c conda-forge package-name. Falls es sich um ein reines Python-Paket handelt, verwende pip als Fallback.

Kurzreferenz

Benötigst du eine schnelle Nachschlagemöglichkeit für conda-Befehle? Nutze unser Conda Cheat Sheet – es enthält 90+ Befehle, nach Kategorien geordnet, mit Ein-Klick-Kopieren, Suche und Filterung.

Fazit

Conda-Umgebungen sind unverzichtbar für reproduzierbare Data Science. Die wichtigsten Praktiken sind:

1. Eine Umgebung pro Projekt — base niemals verschmutzen
2. environment.yml verwenden — Abhängigkeiten versionieren
3. conda-forge bevorzugen — größter Community-Channel
4. Mit --from-history exportieren — plattformübergreifend portierbar
5. libmamba-Solver verwenden — deutlich schnellere Installationen

Beherrsche diese Muster und du wirst nie wieder „Bei mir funktioniert es aber" hören.