Outils pour utilisateurs

Outils du site


python:environnement_conda

Différences

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

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision
Révision précédente
python:environnement_conda [2022/03/12 12:23]
Francesco Beretta [Créer manuellement un nouvel environnement]
python:environnement_conda [2024/03/11 18:46] (Version actuelle)
Francesco Beretta [Activer un environnement dans Jupyter Lab]
Ligne 4: Ligne 4:
  
  
-====== Métadonnées et update de Conda ======+====== 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 
  
  
Ligne 17: Ligne 18:
  
 <code >conda update conda</​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. 
- 
  
  
Ligne 32: Ligne 26:
 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  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> ​mamba env create --name ​py39_html_xml ​python=3.ipykernel requests lxml </​code>​+<​code> ​conda create --name ​py311_data_analysis ​python=3.11 ipykernel requests lxml pandas plotly matplotlib</​code>​
  
 Lister les librairies installées (seulement celles déclarées explicitement):​ Lister les librairies installées (seulement celles déclarées explicitement):​
-<​code>​mamba env export ​ --name ​py39_html_xml ​--from-history</​code>​+<​code>​conda env export ​ --name ​py311_data_analysis ​--from-history</​code>​
  
  
 Lister toutes les librairies et dépendances installées:​ Lister toutes les librairies et dépendances installées:​
-<​code>​conda activate ​py39_html_xml</​code>​+<​code>​conda activate ​py311_data_analysis</​code>​
  
 On est ainsi positionné dans l'​environnement et on liste les librairies: On est ainsi positionné dans l'​environnement et on liste les librairies:
Ligne 56: Ligne 50:
  
 Avant de procéder, sauvegarder la liste des librairies de l'​environnement:​ 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>​+<​code>​conda env export --name ​py311_data_analysis ​--from-history > [exemple:] C:​\Users\your_name\Documents\espace_python\environments\py311_data_analysis_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: 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>​mamba env create --file [exemple:] C:​\Users\your_name\Documents\espace_python\environments\py39_analyse_20220228.yml</​code>​+<​code>​conda env create --file [exemple:] C:​\Users\your_name\Documents\espace_python\environments\py311_data_analysis_20220228.yml</​code>​
  
   * Vérifier ensuite les spécifications dans l'​entrepôt de bibliothèques : [[https://​anaconda.org/​anaconda/​seaborn | anaconda / packages / seaborn]] ​   * Vérifier ensuite les spécifications dans l'​entrepôt de bibliothèques : [[https://​anaconda.org/​anaconda/​seaborn | anaconda / packages / seaborn]] ​
Ligne 65: Ligne 59:
  
 Puis installer la nouvelle bibliothèque:​ Puis installer la nouvelle bibliothèque:​
-<​code>​mamba install seaborn</​code>​+<​code>​conda install seaborn</​code>​
  
 +Pour lister les librairies installées dans l'​environnement Conda actif:
 +<​code>​conda env export --from-history</​code>​
  
-====== Supprimer un environnement:  ​======+ 
 +===== Supprimer un environnement: ​ =====
 <​code>​ conda env remove --name ENVIRONMENT </​code>​ <​code>​ conda env remove --name ENVIRONMENT </​code>​
  
  
 +\\
  
-====== Créer un nouvel environnement '​shn-pyshs'​ et l'​ajouter aux kernels de Jupyter Lab ====== 
  
-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.+====== Activer un environnement dans Jupyter Lab ======
  
-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]] 
  
 +<​code>​conda activate py311_data_analysis</​code>​
  
 +ATTENTION : seulement __si non installé__,​ installer ipykernel (et toues les dépendances ipython)
  
-===== Recette =====+<​code>​conda install ipykernel</​code>​
  
-D'​abord cloner le [[https://​github.com/​Sciences-historiques-numeriques/​shn-pyshs|dépôt de code shn-pyshs]] dans le dossier de travail Python. 
  
 +Puis activer l'​ipykernel pour cet utilisateur
 +<​code>​python -m ipykernel install --user --name py311_data_analysis --display-name "​py311_data_analysis"</​code>​
  
-Créer d'​abord le nouvel environnement **//​shn-pyshs//​** avec toutes ses librairies+Lister les kernels présents
-<​code>​mamba create --name shn-pyshs --file C:​\Users\your_name\Documents\espace_python\shn-pyshs\requirements.yml</​code>​+<​code>​jupyter kernelspec list</​code>​ 
 +Si tout s'est bien passé, on y trouvera le kernel '//​py311_data_analysis//'​
  
- +Désactier l'​environnement:
-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>​conda deactivate</​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>​ 
  
-Activer l'​environnement principal Jupyter Lab: 
-<​code>​conda activate env_jupyterlab</​code>​ 
  
-Lister les kernels présents:​ +Plus tardlancer ​JupyterLab:
-<​code>​jupyter kernelspec list</​code>​ +
-Si tout s'est bien passéon y trouvera le kernel '//​shn-pyshs//'​ +
- +
-Lancer ​JupyterLab:+
 <​code>​jupyter lab</​code>​ <​code>​jupyter lab</​code>​
  
Ligne 127: Ligne 111:
 Pour supprimer un kernel Pour supprimer un kernel
 <​code>​jupyter kernelspec uninstall KERNELNAME</​code>​ <​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>​
 +
  
python/environnement_conda.1647084226.txt.gz · Dernière modification: 2022/03/12 12:23 par Francesco Beretta