ModuleNotFoundError: No module named 'xxxx'
总的来说，Python会根据以下5个信息搜索模块：
Python始终会从左至右搜索这个列表以加载模块。因此优先级更高的路径将覆盖低优先级目录中的同名模块。
从上面的表格中我们也看到，Python提供了PYTHONPATH环境变量和.pth文件两种方式让我们配置搜索路径。
因此，通过export PATHONPATH=xxx的方式就可以将目录添加到搜索路径中。
.pth文件的方式相对不那么常用。不过当存在.pth文件时，Python会把文件每行所罗列的目录从头至尾地添加到模块搜索路径列表中。
在Python世界里，“包”有两个含义：
模块包（Module Package）：或者叫做导入包（Import Package），这是大家通常简称的“包”。这是一个Python模块，可以递归的包含其他包或者模块。
分发包（Distribution Package）：这是版本化的存档文件，其中包含用于分发发行版的Python软件包，模块和其他资源文件。最终用户将从互联网下载并安装该该存档文件。
这其中，模块包对应了开发编码时的概念。分发包对应了构建项目环境时的概念。
这里我们先介绍模块包，下文会继续介绍分发包。
对于import来说，除了可以导入模块名之外，还可以指定目录路径。Python代码的目录被称为包，因此这样的导入就称为包导入。
模块包提供了组织多层次大型项目的功能。
如果选择使用包导入，就必须遵循一条约束。那就是：包导入语句的路径中每个目录内都必须有一个__init__.py文件（即便这个文件的内容可能是空的）。
例如，当我们使用import dir1.dir2.mod时。dir1和dir2目录中都必须包含一个__init__.py文件。__init__.py文件承当了包初始化的职责。
当然，dir1所属的父目录还要在sys.path列表列表中。
在开发Python程序时，单单标准库常常并不能完全满足我们的需求。我们还需要依赖其他第三方项目。这些项目以分发包的形式发布产物供我们使用。
这就要提一下PyPA和PyPI了。
PyPA（Python Packaging Authority）是一个工作组，负责维护Python打包中使用的一系列核心项目。
PyPA开发的软件用于打包，共享和安装Python软件，并与可下载的Python软件索引（例如PyPI）进行交互。
PyPA发布了《Python Packaging User Guide》作为有关如何使用当前工具打包，发布和安装Python项目的权威资源。
PyPI（Python Package Index）是Python社区的默认包索引。它对所有Python开发人员开放，使得他们可以使用它来获取和发布分发包。
常用机器学习包
在机器学习中，下面是一些大家常用的包。关于它们的更多信息可以访问官网获取。
jyputer
官网：https://jupyter.org
介绍：Jupyter Notebook（前身是IPython Notebook）是一个基于Web的交互式计算环境，用于创建Jupyter Notebook文档。借助这个工具，我们可以直接在浏览器里面编写和运行Python程序。
keras
官网：https://keras.io
介绍： Keras是一个用Python编写的开源神经网络库，能够在TensorFlow、Microsoft Cognitive Toolkit、Theano或PlaidML之上运行。Keras旨在快速实现深度神经网络，专注于用户友好、模块化和可扩展性。
matplotlib
官网：https://matplotlib.org
介绍：matplotlib是Python编程语言及其数值数学扩展包 NumPy的可视化操作界面。它利用通用的图形用户界面工具包，如Tkinter, wxPython, Qt或GTK+，向应用程序嵌入式绘图提供了应用程序接口。
numpy
官网：https://numpy.org
介绍：NumPy是Python语言的一个扩展程序库。支持高端大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
opencv
官网：http://opencv.org
介绍：OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉库。OpenCV是由英特尔公司发起并参与开发，以BSD许可证授权发行，可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。
pandas
官网：https://pandas.pydata.org
介绍：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
Pillow
官网：https://pillow.readthedocs.io/en/stable/
介绍：Python Imaging Library，Python平台事实上的图像处理标准库。
protobuf
官网：https://developers.google.com/protocol-buffers/
介绍：Google开源的工具。一种数据交换的格式，它独立于语言，独立于平台。Google 提供了多种语言的实现：Java、C#、C++、Go 和 Python，每一种实现都包含了相应语言的编译器以及库文件。由于它是一种二进制的格式，比使用XML进行数据交换快许多。
scikit-image
官网：https://scikit-image.org
介绍：SciKit Image 是一个专门用于图像处理的 Python 包。
scipy
官网：https://www.scipy.org
介绍：SciPy是一个开源的Python算法库和数学工具包。SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
tensorflow
官网：https://www.tensorflow.org
介绍：TensorFlow是一个开源软件库，最初由谷歌大脑团队开发，用于Google的研究和生产。它被用于各种感知和语言理解任务的机器学习。
turicreate
官网：https://github.com/apple/turicreate
介绍：苹果开源的机器学习工具。
分发包打包主要使用setuptools和wheel两个工具。
分发包使用称之为Wheel的格式发布。该格式由PEP 427 – The Wheel Binary Package Format 1.0定义。
打包和发布通常只有分发包的开发者才需要这方面知识，所以这里我们不讨论。接下来我们介绍分发包的安装和虚拟环境的管理。
对于Python来说，使用pip来安装和卸载分发包。
Python 3对应的pip命令为pip3。
在macOS上，无论是通过上面提到的四种方法中的哪一种安装了Python（或者是通过源码安装），pip都会一并安装好。
查看pip版本时就能看到其所属的环境。例如，下面是通过CommandLineTools方式安装的Python。
$ pip3 --version
pip 19.0.3 from /Library/Developer/CommandLineTools/Library/Frameworks/Python3.framework/Versions/3.7/lib/python3.7/site-packages/pip (python 3.7)
下面是通过Xcode方式安装了Python。
pip3 --version
pip 19.0.3 from /Applications/Xcode.app/Contents/Developer/Library/Frameworks/Python3.framework/Versions/3.7/lib/python3.7/site-packages/pip (python 3.7)
但是在Linux上就没这么方便了。你需要手动安装pip。
在Ubuntu系统上，通过下面这条命令安装pip3：
$ sudo apt install python3-pip
其他发行版的Linux安装pip的方法见这里：Installing pip/setuptools/wheel with Linux Package Managers
pip默认从Python Package Index上下载包。使用pip可以查询，安装和卸载包。下面是一些使用示例：
pip3 search查询包信息：
$ pip3 search turicreate
turicreate (5.8) - Turi Create simplifies the development of custom machine learning models.
INSTALLED: 5.8 (latest)
pip3 install安装某个包的最新版本：
$ pip3 install novas
Collecting novas
Downloading novas-3.1.1.3.tar.gz (136kB)
Installing collected packages: novas
Running setup.py install for novas
Successfully installed novas-3.1.1.3
通过==安装某个包的特定版本：
$ pip3 install requests==2.6.0
Collecting requests==2.6.0
Using cached requests-2.6.0-py2.py3-none-any.whl
Installing collected packages: requests
Successfully installed requests-2.6.0
pip3 install --upgrade更新包
$ pip3 install --upgrade requests
Collecting requests
Installing collected packages: requests
Found existing installation: requests 2.6.0
Uninstalling requests-2.6.0:
Successfully uninstalled requests-2.6.0
Successfully installed requests-2.7.0
pip3 show查询包信息：
$ pip3 show scipy
Name: scipy
Version: 1.3.1
Summary: SciPy: Scientific Library for Python
Home-page: https://www.scipy.org
Author: None
Author-email: None
License: BSD
Location: /Library/Frameworks/Python.framework/Versions/3.7/lib/python3.7/site-packages
Requires: numpy
Required-by: turicreate, scikit-learn, scikit-image, resampy, ImageHash
pip3 list列出所有已经安装的包：
$ pip3 list
Package Version
--------------------- ---------
absl-py 0.8.1
astor 0.8.0
awscli 1.16.271
boto3 1.10.7
botocore 1.13.7
certifi 2019.9.11
chardet 3.0.4
Click 7.0
colorama 0.4.1
coremltools 3.0b3
cycler 0.10.0
python -m pip
如果你的系统上同时有多个Python存在。那么直接运行pip命令可能并不是一个好的选择。因为这个时候很难确定使用的是哪一个环境中的。
在这种情况下，通过指定python可执行文件的全路径来运行pip会比较好。例如：
/Library/Frameworks/Python.framework/Versions/3.7/bin/python3 -m pip list
之所以可以这么做，是因为pip是Python一个模块。Python可执行文件提供了这样一个参数：
-m mod : run library module as a script (terminates option list)
关于这个参数的详细说明，请看这里：-m <module-name>。
尽管不是必须的，但在一些时候，我们可能同时需要多个Python环境并存。
例如：某些项目需要专门的Python版本，或特定包的特定版本。又或者，某些包只在某个项目中使用，不希望它出现在全局的环境中。这个时候就可以通过虚拟环境来管理。
虚拟环境使得我们可以创建一个或多个隔离的环境，环境中包含了Python以及一系列的包，我们可以方便的在不同的环境之间切换，并且互不干扰。虚拟环境可以自由的创建和删除（这和我们电脑上使用的虚拟机是非常类似的）。
围绕这个方面的工具非常多，包括下面这些：
virtualenv
pyenv
pyenv-virtualenv
virtualenvwrapper
pyenv-virtualenvwrapper
pipenv
pyvenv
我们当然不会每个都介绍，关于它们的区分可以看下面的两个链接：
What is the difference between venv, pyvenv, pyenv, virtualenv, virtualenvwrapper, pipenv, etc?。
接下来仅仅介绍大家最为常用的两个。
从Python 3.3开始，venv已经是Python标准的一部分。
但是即便如此，在Ubutnu上还是需要手动安装venv。并且安装时的版本号要与Python版本号一致。例如，安装Python时指定了3.7版本。则安装venv也要指定同样的版本：
sudo apt install python3.7-venv
venv模块提供了创建轻量级虚拟环境的功能。虚拟环境位于专门的目录中，可以与系统主目录相隔离。每个虚拟环境都有自己的Python二进制文件（与用于创建该环境的二进制文件的版本匹配），并且虚拟环境可以在其站点目录中拥有自己独立安装的Python软件包集。
创建虚拟环境的命令非常简单：
python3 -m venv <VENV_DIR>
这里的<VENV_DIR>是你可以任意指定的目录。如果该目录不存在，则会自动创建。
这条命令执行完成之后，<VENV_DIR>中会出现关于虚拟环境的一系列文件。你可以通过tree命令查看其目录结构:
$ tree venv_dir
venv_dir
├── bin
│ ├── activate
│ ├── activate.csh
│ ├── activate.fish
│ ├── easy_install
│ ├── easy_install-3.7
│ ├── pip
│ ├── pip3
│ ├── pip3.7
│ ├── python -> python3
│ └── python3 -> /Library/Frameworks/Python.framework/Versions/3.7/bin/python3
├── include
├── lib
│ └── python3.7
│ └── site-packages
│ ├── __pycache__
│ │ └── easy_install.cpython-37.pyc
│ ├── easy_install.py
│ ├── pip
│ │ ├── __init__.py
│ │ ├── __main__.py
Mac上默认没有tree命令。如果你安装了Homebrew，你可以通过它来安装：brew install tree。
刚创建的虚拟环境是没有生效的，你还需要通过下面这条命令将其生效：
source <VENV_DIR>/bin/activate
执行完成之后，命令提示符会包含虚拟环境名称的前缀。同时，你也可以通过which命令查看新的Python可执行文件路径：
(venv_dir) $ which python3
/Users/paul/Downloads/venv_dir/bin/python3
在这之后，你再通过pip3来安装包将安装在虚拟环境所在的目录中。
如果你想退出虚拟环境回到系统主环境，输入deactivate即可。
virtualenv
virtualenv是一个第三方包，所以通过pip安装即可：
pip3 install virtualenv
如果出现Permission denied，则需要带上--user参数，只为当前用户安装：
pip3 install --user virtualenv
venv和virtualenv有稍许不一样的地方，对比如下：
事实上，venv的实现很大程度上是基于virtualenv的，因此两者非常相似。virtualenv虚拟环境的生效和退出与venv是完全一样的。
如果你通过diff工具（例如：diffmerge)对比两者生成的文件夹，你会发现文件列表都是几乎一样的。
Conda
有不少的Python开发者会使用Conda。
这是一个开源的包管理系统，它支持Windows，macOS和Linux。它支持的语言远不只是Python，还有R, Ruby, Lua, Scala, Java, JavaScript, C/C++, FORTRAN。
Conda作为软件包管理器可以查找和安装软件包。如果需要一个使用不同版本的Python的软件包，则无需切换到其他环境管理器，因为conda也是环境管理器。仅需几个命令，就可以设置一个完全独立的环境来运行该不同版本的Python，同时继续在正常环境中运行通常的Python版本。
Conda有三个产品可供选择：
Anaconda：免费，适合新手。自带了超过150个科学计算包。占用空间较大。
Miniconda：免费，占用空间小，可以方便的自行安装软件包。
Anaconda Enterprise：收费的商业版本产品。
另外，安装包会有带界面的版本和命令行版本。使用Conda，你不用再自己安装Python，Anaconda和Miniconda自带了Python 2.7，Anaconda3和Miniconda3自带了Python 3.7。
以下以Miniconda为例，介绍如何使用。
对于Miniconda来说，提供了macOS和Ubuntu的.sh安装脚本。下载安装脚本之后赋予可执行权限，然后运行该脚本即可完成安装：
$ chmod a+x Miniconda3-latest-MacOSX-x86_64.sh
$ ./Miniconda3-latest-MacOSX-x86_64.sh
默认的安装目录是用户Home目录下，会新建一个miniconda3目录。在安装之后选择激活，然后重启命令行就可以使用了。可以通过下面的命令确认：
$ which python3
/home/paul/miniconda3/bin/python3
conda的激活方式其实就是在shell启动脚本中插入了一些conda的初始化脚本。例如，在Ubuntu上查看~/.bahrc可以看到这部分内容：
# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/home/paul/miniconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
eval "$__conda_setup"
if [ -f "/home/paul/miniconda3/etc/profile.d/conda.sh" ]; then
. "/home/paul/miniconda3/etc/profile.d/conda.sh"
export PATH="/home/paul/miniconda3/bin:$PATH"
unset __conda_setup
# <<< conda initialize <<<
激活Conda之后，你就有了conda命令。使用该命令可以轻松的管理软件包。当然，Conda也支持类似虚拟环境的功能。其帮助说明如下：
$ conda --help
usage: conda [-h] [-V] command ...
conda is a tool for managing and deploying applications, environments and packages.
Options:
positional arguments:
command
clean Remove unused packages and caches.
config Modify configuration values in .condarc. This is modeled
after the git config command. Writes to the user .condarc
file (/home/paul/.condarc) by default.
create Create a new conda environment from a list of specified
packages.
help Displays a list of available conda commands and their help
strings.
info Display information about current conda install.
init Initialize conda for shell interaction. [Experimental]
install Installs a list of packages into a specified conda
environment.
list List linked packages in a conda environment.
package Low-level conda package utility. (EXPERIMENTAL)
remove Remove a list of packages from a specified conda environment.
uninstall Alias for conda remove.
run Run an executable in a conda environment. [Experimental]
search Search for packages and display associated information. The
input is a MatchSpec, a query language for conda packages.
See examples below.
update Updates conda packages to the latest compatible version.
upgrade Alias for conda update.
optional arguments:
-h, --help Show this help message and exit.
-V, --version Show the conda version number and exit.
conda要比pip更加强大，以下是两者的对比：
Virtual Environments and Packages
PEP 405 – Python Virtual Environments
PEP 427 – The Wheel Binary Package Format 1.0
Learning Python 5th Edition
What is the difference between venv, pyvenv, pyenv, virtualenv, virtualenvwrapper, pipenv, etc?
venv — Creation of virtual environments
Virtualenv
Why you should use python -m pip
Python Virtual Environments: A Primer
Python Virtual Environments made easy
