Ambientes virtuais são a base do gerenciamento de dependências Python. Este guia cobre as quatro ferramentas principais: venv, conda, pipenv e Poetry.
Por que ambientes virtuais são importantes
Cada projeto Python tem suas próprias dependências com requisitos de versão específicos. Ambientes virtuais resolvem isso criando instalações Python isoladas por projeto.
venv: Biblioteca padrão integrada
venv está incluído no Python 3.3+ e é a opção mais simples. Não requer instalação adicional.
# venv — Built-in (Python 3.3+)
# Create a virtual environment
python -m venv .venv
# Activate (macOS/Linux)
source .venv/bin/activate
# Activate (Windows)
.venv\Scripts\activate
# Install packages
pip install django requests
# Save dependencies
pip freeze > requirements.txt
# Install from requirements.txt
pip install -r requirements.txt
# Deactivate
deactivate
# Delete the environment
rm -rf .venv
# Recommended: add .venv to .gitignore
echo ".venv" >> .gitignorePoetry: Gerenciamento moderno de dependências
Poetry é o gerenciador de dependências Python mais moderno e completo.
# Poetry — Modern Dependency Management (Recommended 2026)
# Install Poetry
curl -sSL https://install.python-poetry.org | python3 -
# Create a new project
poetry new my-project
cd my-project
# Add dependencies
poetry add django
poetry add --group dev pytest black ruff
# Install all dependencies (from poetry.lock)
poetry install
# Run commands in the virtual environment
poetry run python manage.py runserver
poetry run pytest
# Open a shell in the virtual environment
poetry shell
# Update dependencies
poetry update
# Export to requirements.txt (for compatibility)
poetry export -f requirements.txt --output requirements.txt
# Build and publish a package
poetry build
poetry publish
# Show dependency tree
poetry show --tree
# pyproject.toml (auto-generated)
# [tool.poetry]
# name = "my-project"
# version = "0.1.0"
# description = ""
# [tool.poetry.dependencies]
# python = "^>=3.11"
# django = "^>=5.0"
# [tool.poetry.group.dev.dependencies]
# pytest = "^>=8.0"conda: Potência para ciência de dados
conda é um gerenciador de pacotes completo que pode instalar dependências não Python.
# conda — Data Science / ML (Anaconda/Miniconda)
# Install Miniconda (minimal)
# https://docs.conda.io/projects/miniconda/
# Create environment with specific Python version
conda create -n myproject python=3.11
# Activate environment
conda activate myproject
# Install packages (conda packages first)
conda install numpy pandas scikit-learn matplotlib
# Install packages not in conda
pip install some-pytorch-extension
# Export environment
conda env export > environment.yml
# Create from environment.yml
conda env create -f environment.yml
# List environments
conda env list
# Deactivate
conda deactivate
# Remove environment
conda env remove -n myproject
# Update conda
conda update conda
# environment.yml example:
# name: myproject
# channels:
# - conda-forge
# - defaults
# dependencies:
# - python=3.11
# - numpy=1.26
# - pandas=2.1
# - pip:
# - custom-package==1.0Comparação de ferramentas
A escolha da ferramenta certa depende do seu caso de uso.
Tool Installation Lockfile Non-Python Build/Publish Best For
------------------------------------------------------------------------
venv Built-in No No No Simple scripts, learning
pipenv pip install Yes No No Legacy projects
Poetry curl install Yes No Yes General apps, libraries
conda Installer Yes Yes No Data science, ML, AI
uv cargo/pip Yes No Yes Fast pip replacement (2026)Perguntas frequentes
Qual ferramenta usar em 2026?
Para desenvolvimento Python geral use Poetry. Para ciência de dados use conda.
Diferença entre pip e conda?
pip só instala do PyPI. conda pode instalar pacotes não Python.
Posso usar pip em um ambiente conda?
Sim, mas com cuidado. Misturar pip e conda pode causar conflitos.
Como compartilhar o ambiente?
Com Poetry: pyproject.toml e poetry.lock. Com pip: requirements.txt. Com conda: environment.yml.