Différences

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

--- python:environnement_conda [2024/02/23 01:31]
Francesco Beretta [Créer manuellement un nouvel environnement]
+++ python:environnement_conda [2024/02/23 01:35]
Francesco Beretta [Supprimer un environnement:]
@@ Ligne 65: / Ligne 65: @@
-====== Supprimer un environnement:  ======
+===== Supprimer un environnement:  =====
 <code> conda env remove --name ENVIRONMENT </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.
+====== Activer un environnement dans Jupyter Lab ======
-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 env create --name py310_data_analysis --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 py310_data_analysis</code>
+<code>conda activate py311_data_analysis</code>
 <code>conda install ipykernel</code>
 Puis activer l'ipykernel pour cet utilisateur
-<code>python -m ipykernel install --user --name py310_data_analysis --display-name "py310_data_analysis"</code>
+<code>python -m ipykernel install --user --name py311_data_analysis --display-name "py311_data_analysis"</code>
 Lister les kernels présents:
 <code>jupyter kernelspec list</code>
-Si tout s'est bien passé, on y trouvera le kernel '//py310_data_analysis//'
+Si tout s'est bien passé, on y trouvera le kernel '//py311_data_analysis//'
 Désactier l'environnement:
@@ Ligne 127: / Ligne 109: @@
 Pour supprimer un kernel
 <code>jupyter kernelspec uninstall KERNELNAME</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>conda env create --name py310_data_analysis --file C:\Users\your_name\Documents\espace_python\shn-pyshs\requirements.yml</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