Python 3.15 安装与升级指南：用 uv 安装、延迟导入提速、数据科学库兼容性实测

Name

Soren Atelier

更新于 2026/10/11

先说结论： Python 3.15.0 已于 2026 年 10 月 9 日正式发布。如果你用 uv (opens in a new tab)，先升级 uv，再安装：

uv self update
uv python install 3.15

然后新建一个测试项目，用你真实的依赖试一遍，确认没问题再迁移重要项目：

uv init --python 3.15 py315-test
cd py315-test
uv add numpy pandas scikit-learn matplotlib

常用的科学计算库目前都有现成的 wheel，可以直接装。PyTorch 和 TensorFlow 还装不上。 DuckDB 需要从源码编译。如果你的项目依赖其中任何一个，先留在 3.14（uv python pin 3.14）。

最值得为之升级的新特性是延迟导入（lazy import）。只加一个关键字，写成 lazy import pandas as pd，测试脚本的 --help 路径就从 2.7 秒降到了 0.01 秒。

测试说明： 下文标注"实测"的内容，均于 2026 年 10 月 11 日在 Apple M4 Max（macOS）上完成，使用 uv 0.13.0，以及通过 uv python install 安装的 CPython 3.15.0 / 3.15.0t。Windows 和 Linux 上的行为、python.org 安装包、pyenv 和 conda 的内容来自官方文档，没有实测。

3.15 里你会实际碰到的变化

更新日志很长。如果你写数据脚本或命令行工具，下面这五项最可能遇到：

完整列表见 官方 What's New in Python 3.15 (opens in a new tab)。本文后面只讲要动手做的事：安装、检查兼容性、使用延迟导入、处理编码变化，以及要不要用自由线程版本。

第 1 步：安装 Python 3.15

用 uv 安装（实测）

安装前先更新 uv。 这是这周最容易犯的错。旧版 uv 只认识 alpha 版本。我们原来装的 uv 0.9.25 上，uv python list 3.15 只显示 cpython-3.15.0a4。这时运行 uv python install 3.15，装上的是 alpha，不是正式版。

uv self update          # 需要 0.13.0 或更高版本
uv --version
uv python install 3.15

uv 0.13.0 用 24.8 秒装好了普通版和自由线程版：

uv python install 3.15 3.15t

Installed 2 versions in 24.83s
 + cpython-3.15.0+freethreaded-macos-aarch64-none (python3.15t)
 + cpython-3.15.0-macos-aarch64-none (python3.15)

如果你是用 Homebrew、pip 或 pipx 装的 uv，uv self update 不起作用。用原来的安装方式升级（brew upgrade uv、pipx upgrade uv）。

uv 0.13 还改了默认版本。uv 0.13.0 发布说明 (opens in a new tab) 写明，不带版本号的 uv python install 现在会下载 3.15。新建 uv venv 或运行 uvx python 时，如果本机没有兼容的 Python，也会下载 3.15。已安装的版本仍会被使用。要让某个项目留在 3.14，把版本记下来：

uv python pin 3.14

这条命令会写入 .python-version，uv 每次在这个目录运行时都会读取它。

其他安装方式（来自官方文档，未实测）

• python.org 安装包（Windows、macOS）：从 python.org/downloads (opens in a new tab) 下载 3.15.0。按发布说明，官方 macOS 安装包现在默认会安装自由线程支持，Windows 64 位版本使用新的尾调用解释器。
• pyenv：先 pyenv update，再 pyenv install 3.15.0。要等你的 pyenv 版本能列出 3.15.0。
• conda：等 conda-forge 发布之后，用 python=3.15 创建环境。规划迁移前先确认它已经发布。

如果想了解在各个系统上切换 Python 版本的通用做法，我们以前写的 Python 升级指南和 Python 版本管理工具对比仍然适用。本文只讲 3.15 特有的部分。

第 2 步：检查你的包能不能装上

这一步决定你今天能不能升级。我们新建了一个干净的 3.15 项目，装了一套典型的数据科学依赖，再去 PyPI 查了大家最常问的几个包。

兼容性表（2026 年 10 月 11 日实测）

在 3.15 上安装 numpy、pandas、scipy、scikit-learn、matplotlib、pyarrow 和 polars，连下载一共 71 秒，全程无需编译。同一组包在 3.15t 上用了 6 分 51 秒，几乎全花在编译 Polars 上。

某个包没有 wheel 时，uv 会明确告诉你原因。下面是 PyTorch 在 3.15 上的提示：

hint: You require CPython 3.15 (`cp315`), but we only found wheels for `torch`
(v2.14.1) with the following Python ABI tags: `cp310`, `cp311`, `cp312`, `cp313`, `cp314`, `cp314t`

一分钟检查你自己的项目

不需要真的安装。对一个 3.15 环境做一次试运行（dry run）就行：

uv venv --python 3.15 .venv315
uv pip install --dry-run --python .venv315/bin/python -r requirements.txt

能解析成功就没问题。如果看到上面那种 cp315 提示，那个包就是阻碍你升级的原因。

从源码编译不算失败，但很慢，还需要编译器（Polars 要 Rust，DuckDB 要 C++）。在 CI 里，源码编译可能把一分钟的任务拖成十分钟。在 wheel 发布之前，CI 里先固定 3.14。

第 3 步：用延迟导入让脚本启动更快

我认为延迟导入是升级到 3.15 最好的理由。它解决的问题大家都熟悉。

命令行脚本通常在文件顶部导入所有东西。哪怕只运行 my_tool.py --help，也要付出加载 pandas、matplotlib 和 scikit-learn 的全部代价，尽管根本用不到它们。

改前改后对比（实测）

普通（立即导入）版本：

import sys
import pandas as pd
import matplotlib.pyplot as plt
import sklearn.linear_model
 
if len(sys.argv) > 1 and sys.argv[1] == "--help":
    print("usage: tool [--help] file.csv")
    sys.exit(0)

延迟导入版本只多了 lazy 关键字：

import sys
lazy import pandas as pd
lazy import matplotlib.pyplot as plt
lazy from sklearn import linear_model
 
if len(sys.argv) > 1 and sys.argv[1] == "--help":
    print("usage: tool [--help] file.csv")
    sys.exit(0)
 
df = pd.DataFrame({"x": [1, 2, 3], "y": [2, 4, 6]})
model = linear_model.LinearRegression().fit(df[["x"]], df["y"])
print(model.coef_)

在我们的机器上，python script.py --help 各跑五次的结果：

完整的代码路径照样能跑：延迟导入版本拟合了回归模型，输出 2.0。pandas 在第一次用到 pd 的那一行才加载。

你的绝对数字会不一样。在这个环境里，单独 import sklearn.linear_model 就要 2.2 s，import pandas 要 0.86 s。只要程序的某个分支不碰重型库，这个规律就成立。

看看延迟导入在做什么

延迟导入的名字在被使用之前只是一个代理对象。你可以直接看到：

import sys
lazy import json
 
print(type(globals()["json"]))   # <class 'lazy_import'>
print("json" in sys.modules)     # False
json.dumps(1)
print(type(globals()["json"]), "json" in sys.modules)   # <class 'module'> True

想先找出哪些导入慢，运行 python -X importtime your_script.py 2> imports.log，再按第二列排序。

lazy 会报 SyntaxError 的三种写法（实测）

lazy 只能用在模块顶层。下面三种错误我们都遇到了：

其中 try/except 这条影响最大。像 try: import ujson as json except ImportError: import json 这样的代码没法改成延迟导入。要么让这段回退逻辑保持立即导入，要么把它挪到一个小模块里，再延迟导入那个模块。

官方文档还提到，类定义体内的导入和 from __future__ 导入也不能延迟。

报错会推迟到第一次使用

缺失的模块不会再在文件顶部报错：

lazy import not_a_real_module
print("defined ok")          # 这一行会正常输出
not_a_real_module.x          # 在这里才抛出 ModuleNotFoundError

这对可选依赖很方便。但这也意味着，导入语句里的拼写错误可能一直藏着，直到某个很少走到的代码路径运行时才暴露。每个延迟导入至少要有一个测试覆盖到。

不改代码，让所有导入都变成延迟导入

可以在命令行里把整个程序切换成延迟导入：

python -X lazy_imports=all my_tool.py --help
# or
PYTHON_LAZY_IMPORTS=all python my_tool.py --help

我们没改过的立即导入脚本，用这种方式也降到了 0.01 s。但要小心那些在导入时就执行操作的模块。我们写了一个很小的插件模块，导入时会打印信息并注册自己。用了 lazy_imports=all 之后，注册根本没执行，因为程序从来没用到这个模块的名字：

normal:   plugin registered / main done
all:      main done

在导入时注册插件、编解码器或 matplotlib 后端的库，都可能这样出问题。用 =all 来估算能省多少时间，然后只给你确认安全的导入手动加上 lazy。需要更细的控制，可以看文档里的 sys.set_lazy_imports_filter()。

同一份代码同时支持 3.14 和 3.15

lazy 关键字在 3.14 及更早版本里是语法错误。如果代码要在两个版本上都能跑，改用模块级的 __lazy_modules__ 列表。旧版本会忽略它，3.15 会把列表里的导入当作延迟导入：

__lazy_modules__ = ["pandas"]
 
import sys
import pandas as pd          # 3.15 上延迟导入，3.14 上立即导入
 
print("pandas" in sys.modules)   # 3.15 上在用到 pd 之前为 False

我们确认过，用这种写法时，3.15 上的 pandas 不会出现在 sys.modules 里。

第 4 步：处理 UTF-8 默认编码

在 3.15 上，不带 encoding 参数的 open() 在所有平台上都使用 UTF-8。我们确认默认情况下 sys.flags.utf8_mode == 1，设置 PYTHONUTF8=0 后为 0。

在 macOS 和 Linux 上，这几乎没有影响。在 Windows 上，所有不指定编码读取旧文件的代码都会受影响：中文 GBK 文件、cp1252 编码的 Excel CSV 导出、日文 Shift-JIS（cp932）文件。读取这些文件现在可能抛出 UnicodeDecodeError，或者读出乱码。中文 Windows 用户最常遇到的就是 GBK 编码的 CSV 和文本文件。

解决办法是把编码写明。下面的例子用的是 cp932，GBK 文件把它换成 encoding="gbk" 即可：

import pandas as pd
 
df = pd.read_csv("export.csv", encoding="cp932")      # 日文 Excel 导出文件
with open("legacy.txt", encoding="locale") as f:      # 旧行为：使用系统区域编码
    text = f.read()

升级前想找出受影响的代码，可以在当前的 Python 上加 -X warn_default_encoding 跑一遍测试。想临时恢复旧行为，设置 PYTHONUTF8=0。

第 5 步：要不要用自由线程版本（3.15t）

自由线程 Python 去掉了 GIL，纯 Python 线程可以用上多个 CPU 核心。我们把一个 CPU 密集型循环跑了四次，先顺序执行，再用四个线程执行：

导入 numpy、pandas、scikit-learn、polars、matplotlib 和 pyarrow 之后，GIL 仍然保持关闭（sys._is_gil_enabled() 返回 False）。

如果你在线程里跑 CPU 密集的纯 Python 代码，并且依赖都有 cp315t wheel，就用 3.15t。如果依赖 Polars、DuckDB 或深度学习库，先别用。如果繁重的计算本来就在 NumPy 或 pandas 内部完成，也不需要它，这些库自己会释放 GIL。

现在该不该升级？

在 Jupyter 里使用 3.15

ipykernel 可以在 3.15 上安装和运行。从 uv 项目注册一个 3.15 内核：

uv add ipykernel
uv run python -m ipykernel install --user --name py315 --display-name "Python 3.15"

如果你常用 notebook，RunCell (opens in a new tab) 是运行在 Jupyter 里的 AI 智能体，能看到你内核的实时状态。测试旧 notebook 在新内核上还能不能跑时，这一点很有用。PyGWalker (opens in a new tab) 也能在 3.15 上运行（实测：pyg.to_html() 成功渲染了一个 DataFrame），只是要经历上面提到的 DuckDB 编译。

常见问题排查

常见问题

Python 3.15 什么时候发布的？ Python 3.15.0 于 2026 年 10 月 9 日发布。

怎么用 uv 安装 Python 3.15？ 先把 uv 升级到 0.13.0 或更高版本，再运行 uv python install 3.15。旧版 uv 只认识 3.15 的 alpha 版本。

pandas 能在 Python 3.15 上用吗？ 能。pandas 3.0.6 提供 cp315 和 cp315t wheel，numpy、scipy、scikit-learn、matplotlib 和 pyarrow 也一样。

PyTorch 支持 Python 3.15 吗？ 还不支持。截至 2026 年 10 月 11 日，torch 2.14.1 的 wheel 最高只到 cp314 和 cp314t，所以没法在 3.15 上安装。

Python 3.15 的延迟导入是什么？ 写成 lazy import module 后，Python 会先创建一个轻量的代理对象，等这个名字第一次被使用时才加载模块。用不到该模块的代码路径，启动时间会大幅缩短。

用了延迟导入还能兼容 Python 3.14 吗？ 能。在模块顶部定义 __lazy_modules__ = ["module_name"]。Python 3.15 会把这些导入当作延迟导入，旧版本会忽略这个列表。

怎么让项目继续使用 Python 3.14？ 在项目目录下运行 uv python pin 3.14。它会写入一个 .python-version 文件，uv 会遵循它。

相关指南

• 如何升级 Python 包
• Python 虚拟环境：venv、virtualenv 与 Conda
• Python Poetry：依赖管理与打包
• Python 多线程完整指南
• JupyterLab 安装与启动指南