Windows数据科学环境搭建：10年自动化测试工程师的避坑与高效配置

2026年1月，我花了一整周在Windows上搭建数据科学环境——这活儿可比写自动化测试脚本麻烦十倍。别看现在Anaconda、WSL2这些工具成熟了，实际踩的坑能装满三个硬盘：比如用Chocolatey包管理器装Python时，它居然把系统PATH搞崩了，导致VS Code终端连`dir`命令都报错——最后发现是Chocolatey默认安装的Python 3.13和某些旧版C++库冲突，得手动卸载后用官方安装包重装。

说到Anaconda，这货在Windows上的坑更隐蔽。我试过用`conda create -n ds_env python=3.11`建环境，结果安装pandas时卡在`Solving environment`步骤整整20分钟——后来发现是默认镜像源太慢，换成清华源后速度提升8倍。更离谱的是，用`conda activate`切换环境时，Jupyter Notebook居然还是调用基环境的kernel——查了半天才发现得先装`ipykernel`包，再执行`python -m ipykernel install --user --name=ds_env`才能关联上。这些细节，官方文档可不会明说。

新技术？当然得提WSL2——但别以为装了就万事大吉。我最初用WSL1跑TensorFlow，训练ResNet50时GPU利用率只有5%（后来才知道WSL1不支持CUDA加速）。升级到WSL2后，又遇到文件系统性能问题：从Windows复制1GB数据到WSL2的`/mnt/c`目录，速度只有20MB/s——后来改用`wsl --import`把数据盘直接挂载到Linux文件系统，速度飙到300MB/s。还有，WSL2的默认内存分配是50%，我8GB内存的笔记本跑PyTorch时直接OOM——得手动修改`.wslconfig`文件，把`memory`设成6GB才稳。

失败案例？太多了——比如用Docker Desktop跑数据科学容器时，我忘了开启Windows的“虚拟化平台”功能，结果容器启动报错`Cannot enable nested virtualization`，折腾半天才发现得在BIOS里开VT-x。还有次用PowerShell装CUDA Toolkit，脚本里有个隐藏的`-y`参数自动覆盖了旧版驱动，导致NVIDIA控制面板直接消失——最后只能用DDU工具彻底卸载驱动，再从官网下历史版本重装。

文章配图，仅供参考

下一步该试试用Windows Subsystem for Android跑数据科学APP？或者等微软把WSL2的GPU加速支持扩展到更多框架？——反正这坑，我是还没踩够。

（编辑：PHP编程网 - 钦州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!