Différences

Ci-dessous, les différences entre deux révisions de la page.

--- python:environnement_conda [2020/05/13 22:26]
Francesco Beretta [Créer un nouvel environnement 'atelier' et l'ajouter aux kernels de Jupyter [Lab]]
+++ python:environnement_conda [2022/03/12 12:27]
Francesco Beretta
@@ Ligne 6: / Ligne 6: @@
 ====== Métadonnées et update de Conda ======
-[[https://docs.conda.io/projects/conda/en/latest/user-guide/getting-started.html#managing-environments|Documentation et tutoriel]] concernant l'utilisation de Conda
+[[https://docs.conda.io/projects/conda/en/latest/user-guide/getting-started.html#managing-environments|Documentation et tutoriel]] concernant l'utilisation de Conda.
+[[https://mamba.readthedocs.io/en/latest/user_guide/mamba.html|Documentation]] concernant l'utilisation de Mamba. Mamba est une sorte de sur-couche logicielle exécute la plupart des commandes de Conda de manière plus performante. Dans la plupart des cas les appel conda / mamba sont interchangeables.
@@ Ligne 13: / Ligne 16: @@
 conda info
 conda info --envs
+conda env list
 </code>
 <code >conda update conda</code>
+On peut alternativement installer les environnements avec Mamba, ce que nous ferons ici.
+On exécute donc préalablement :
+<code >mamba update mamba</code>
+La plupart des commandes de Mamba sont équivalentes à celles de Conda, la performance de gestion d'environnements supérieure.
-====== Créer un nouvel environnement ======
+====== Créer manuellement un nouvel environnement ======
 Documentation: [[https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html|managing environments]]
+Lorsqu'on souhaite créer un nouvel environnement Conda on peut procéder en listant les librairies à installer dans la commande de création ou en convoquant un texte qui contient la liste des librairies. Voici un exemple de la première méthode qui ajoute des librairies permettant de traiter des documents HTML et XML  Le nouvel environnement est
-<code> conda create --name atelier python=3.7 jupyterlab=1.2.7 jupyterlab-git </code>
+<code> mamba env create --name py39_html_xml python=3.9 ipykernel requests lxml </code>
-Lister les bibliothèques de fonctions installées:
+Lister les librairies installées (seulement celles déclarées explicitement):
+<code>mamba env export  --name py39_html_xml --from-history</code>
+Lister toutes les librairies et dépendances installées:
+<code>conda activate py39_html_xml</code>
+On est ainsi positionné dans l'environnement et on liste les librairies:
 <code>conda list</code>
-Vérifier si telle bibliothèque (ici BeautifulSoup) est installée:
+<code>conda deactivate</code>
-<code>conda search beautifulsoup4</code>
-Si ce n'est pas le cas, d'abord sauvegarder la configuration de l'environnement:
+Pour ajouter une librairire, par ex. la bibliothèque de visualisation: 'seaborn'.
-<code>conda env export --name py37_gitlab > [exemple:] /Volumes/MyDisk/python_notebooks/_environments/py37_gitlab_20200507.yml</code>
+Vérifier si elle est disponibles:
+<code>conda search seaborn</code>
+Vérifier la version disponible (et conseillée) sur ce site : [[https://anaconda.org/search|Anaconda search package]] — choisir généralement la plus utilisée.
+Avant de procéder, sauvegarder la liste des librairies de l'environnement:
+<code>mamba env export --name py39_analyse --from-history > [exemple:] C:\Users\your_name\Documents\espace_python\environments\py39_analyse_20220228.yml</code>
 En cas de pépin lors de l'installation du nouveau paquet, on peut restaurer (c'est-à-dire recréer) l'environnement dans l'état précis où il était lors de la sauvegarde:
-<code>conda env create --file [exemple:] /Volumes/MyDisk/python_notebooks/_environments/py37_gitlab_20200507.yml</code>
+<code>mamba env create --file [exemple:] C:\Users\your_name\Documents\espace_python\environments\py39_analyse_20220228.yml</code>
-  * Vérifier ensuite les spécifications dans l'entrepôt de bibliothèques : [[https://anaconda.org/anaconda/beautifulsoup4 | anaconda / packages / beautifulsoup4]]
+  * Vérifier ensuite les spécifications dans l'entrepôt de bibliothèques : [[https://anaconda.org/anaconda/seaborn | anaconda / packages / seaborn]]
   * Si le paquet n'existe pas pour Conda, on peut recourir à PIP, depuis Conda, mais voici les **[[https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html#using-pip-in-an-environment|précautions à prendre]]**.
 Puis installer la nouvelle bibliothèque:
-<code>conda install beautifulsoup4</code>
+<code>mamba install seaborn</code>
-====== Créer un nouvel environnement 'atelier' et l'ajouter aux kernels de Jupyter [Lab] ======
-<code>conda create --name atelier python=3.7 matplotlib</code>
+====== Supprimer un environnement:  ======
+<code> conda env remove --name ENVIRONMENT </code>
-<code>conda activate atelier</code>
+====== Créer un nouvel environnement 'shn-pyshs' à partir d'une liste de librairie et l'ajouter aux kernels de Jupyter Lab ======
+On présente ici la création d'un environnement Conda à partir d'une liste de librairies.
+En règle générale, on utilise un environnement Conda par projet ou dépôt de code. Ceci permet de garantir une stabilité du code et d'éviter que des ajouts de paquets ou des mises à jour produisent des effets non souhaités. Généralement les dépôts de code indiquent la liste des paquets à installer.
+Aussi, il est fortement déconseillé de travailler et d'ajouter des paquets ou librairies à l'environnement //base// de Conda: il faut créer toujours de nouveaux environnements de travail.
+Ceux-ci peuvent devenir assez volumineux si on y ajoute tout type de bibliothèque de fonctions. Il est donc opportun de regrouper les bibliothèques, par exemple, par projet ou par thématiques: NLP, graphes, visualisations, machine learning, etc.
+Dans un notebook Jupyter on pourra ensuite choisir entre les différents environnements moyennant qu'on suive les instructions indiquées ci-dessous.
+Cf. ce [[https://medium.com/@ace139/enable-multiple-kernels-in-jupyter-notebooks-6098c738fe72|billet de blog]]
+===== Recette =====
+D'abord cloner le [[https://github.com/Sciences-historiques-numeriques/shn-pyshs|dépôt de code shn-pyshs]] dans le dossier de travail Python.
+Créer d'abord le nouvel environnement **//shn-pyshs//** avec toutes ses librairies:
+<code>mamba create --name shn-pyshs --file C:\Users\your_name\Documents\espace_python\shn-pyshs\requirements.yml</code>
+ATTENTION : seulement si non installé, installer ipykernel (et toues les dépendances ipython)
+<code>conda activate shn-pyshs</code>
 <code>conda install ipykernel</code>
+<code>conda deactivate</code>
-<code>python -m ipykernel install --user --name atelier --display-name "Py 3.7 atelier"</code>
+Activer l'ipykernel pour cet utilisateur
+<code>python -m ipykernel install --user --name shn-pyshs --display-name "shn-pyshs"</code>
+Désactier l'environnement:
 <code>conda deactivate</code>
-<code>conda activate py37_gitlab</code>
+Activer l'environnement principal Jupyter Lab:
+<code>conda activate env_jupyterlab</code>
+Lister les kernels présents:
 <code>jupyter kernelspec list</code>
+Si tout s'est bien passé, on y trouvera le kernel '//shn-pyshs//'
-<code>conda activate py37_gitlab</code>
+Lancer JupyterLab:
+<code>jupyter lab</code>
+Dans l'interface graphique, dans un carnet, choisir le kernel et environnement souhaité.
+**N.B. 1** On peut, dans une autre fenêtre de terminal, activer l'environnement '//shn-pyshs//' et lui ajouter de nouvelles bibliothèques. Puis on redémarre le kernel et elles seront activables.
-<code>jupyter lab</code>
+**N.B. 2** Eviter d'ajouter des bibliothèques à l'environnement de base de JupyterLab où a été installé //jupyterlab-github// pour préserver cet environnement de toute corruption
+Pour supprimer un kernel
+<code>jupyter kernelspec uninstall KERNELNAME</code>

Wiki de l'ARHNAxe de recherche en histoire numériqueLARHRA UMR5190

Outils pour utilisateurs

Outils du site

Différences

Outils de la page

Wiki de l'ARHN

Axe de recherche en histoire numérique
LARHRA UMR5190