Azure ML Studio创建环境为何同时使用conda与pip安装包？

分渠道安装的核心原因 #

conda和pip属于不同的包管理生态，适配场景有明确区别，示例写法是Azure ML官方推荐的通用实践，兼顾环境构建速度、运行稳定性和依赖兼容性：

• conda是跨语言包管理器，除Python包外还可直接安装C/C++编写的底层二进制依赖（比如MKL数学加速库、OpenBLAS等），无需本地编译，对数据科学类重型依赖的适配性更好。示例中把pip加入conda包列表，是因为conda环境需要先预装pip工具，才能执行后续pip包的安装流程，属于固定配置项。
• pip是Python官方包管理器，覆盖PyPI仓库全量Python包，大量Azure SDK组件、小众Python包仅在PyPI发布，公共conda源要么没有收录，要么版本更新严重滞后。

两种修改方案的实际运行差异 #

方案1：将azureml-defaults加入conda安装列表 #

绝大多数情况会直接导致环境构建失败：
azureml-defaults是Azure ML Python SDK的核心组件，微软并未将全量版本同步到公共conda默认源，仅少数旧版本存在于第三方conda源，默认配置下conda会直接报"包不存在"错误。即使手动添加微软私有conda源，conda安装的SDK版本也容易和Azure ML运行时内置组件产生版本冲突，导致训练脚本无法正常启动。

方案2：将scikit-learn加入pip安装列表 #

不会直接报安装错误，但会明显影响使用体验：
pip安装scikit-learn时，如果找不到和计算环境匹配的预编译wheel包，会触发源码编译，环境构建时间会拉长数倍；即便成功安装预编译版本，pip不会自动匹配安装优化版底层数学依赖，scikit-learn的训练、推理性能会比conda安装版本低30%~50%，部分依赖底层C库的功能还可能出现随机运行崩溃。

包安装渠道的判断规则 #

按优先级从高到低判断即可：

• 第一优先级遵循官方要求：所有azureml-*开头的Azure ML SDK包，官方明确要求通过pip安装，直接放入pip_packages列表
• 重型数据科学依赖优先选conda：包含大量C/C++底层依赖的机器学习、数据处理包，比如numpy、pandas、scikit-learn、PyTorch、TensorFlow、PyArrow等，优先用conda安装，能获得更好的性能、兼容性和更快的安装速度
• 剩余包按需选pip：纯Python实现的工具包、小众包、对版本有最新要求的包，如果conda源没有收录，或者conda源版本过旧无法满足需求，就通过pip安装
• 固定注意项：pip本身必须放在conda_packages列表中，否则conda环境不会预装pip工具，所有pip_packages列表内的包都会安装失败。

内容的提问来源于stack exchange，提问作者Luis Ramon Ramirez Rodriguez