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:] C:\Users\your_name\Documents\espace_python\environments\py39_analyse_20220228.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:] C:\Users\your_name\Documents\espace_python\environments\py39_analyse_20220228.yml

• Vérifier ensuite les spécifications dans l'entrepôt de bibliothèques : anaconda / packages / seaborn
• Si le paquet n'existe pas pour Conda, on peut recourir à PIP, depuis Conda, mais voici les précautions à prendre.

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 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 billet de blog

D'abord cloner le dépôt de code shn-pyshs dans le dossier de travail Python.

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