Ceci est une ancienne révision du document !
Revenir à Installer et configurer son environnement Python
Documentation et tutoriel concernant l'utilisation de Conda
conda --version conda info conda info --envs conda env list
conda update conda
On peut alternativement installer les environnements avec Mamba, ce que nous ferons ici. On exécute donc préalablement :
mamba update mamba
La plupart des commandes de Mamba sont équivalentes à celles de Conda, la performance de gestion d'environnements supérieure.
Documentation: managing environments
mamba create --name py39_analyse python=3.9 ipykernel pathlib plotly matplotlib scipy pandas xlrd statsmodels patsy
Lister les bibliothèques de fonctions installées:
mamba env list
mamba activate py39_analyse
Manque la bibliothèque de visualisation: 'seaborn'.
Vérifier si elle est disponibles:
conda search seaborn
Vérifier la version disponible (et conseillée) sur ce site : Anaconda search package
Si ce n'est pas le cas, d'abord sauvegarder la configuration de l'environnement:
conda env export --name py39_analyse --from-history > [exemple:] /Volumes/MyDisk/python_notebooks/_environments/py39_analyse_20200507.yml
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:
conda env create --file [exemple:] /Volumes/MyDisk/python_notebooks/_environments/py39_analyse_20200507.yml
Puis installer la nouvelle bibliothèque:
conda install seaborn
Pour supprimer un environnement:
conda env remove --name ENVIRONMENT --all
En règle générale, on utilise un environnement Conda par projet. 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.
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 billet de blog
Créer d'abord le nouvel environnement atelier avec toutes ses librairies:
conda create --name atelier python=3.7 matplotlib
L'activer:
conda activate atelier
Installer ipykernel (et toues les dépendances ipython)
conda install ipykernel
Activer l'ipykernel pour cet utilisateur
python -m ipykernel install --user --name atelier --display-name "Py 3.7 atelier"
Désactier l'environnement:
conda deactivate
Activer l'environnement principal Jupyter Lab:
conda activate py37_gitlab
Lister les kernels présents:
jupyter kernelspec list
Si tout s'est bien passé, on y trouvera le kernel 'atelier'
Lancer JupyterLab:
jupyter lab
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 'atelier' et lui ajouter de nouvelles bibliothèques. Puis on redémarre le kernel et elles seront activables.
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
jupyter kernelspec uninstall KERNELNAME