Logo kursu
Na licencji Pixabay

L1: Przygotowanie środowiska

Efekty kształcenia laboratorium


  • poznasz możliwości tworzenia środowiska wirtualnego Python

  • poznasz środowisko Jupyter

  • poznasz podstawowe mechanizmy systemu kontroli wersji Git i ekosystemu GitHub

Wymagania wstępne


Python

Podczas zajęć pracować będziemy używając języka Python. Na zajęciach nie będziemy wprowadzać podstaw tego języka.

See also

W razie potrzeby instalacji Pythona, odsyłamy do dokumentacji, gdzie znajdują się instrukcje krok po kroku odnośnie instalacji w różnych systemach.

See also

W celu odświeżenia podstaw języka (składnia, zmienne, pętle itd) odsyłamy np. do tego kursu.

Git

Laboratoria prowadzić będziemy przy pomocy GitHub Classroom, bazującym na repozytoriach Git. Potrzebne będą jedynie podstawowe funkcjonalności - klonowanie repozytorium, commitowanie i pushowanie do niego.

See also

W razie potrzeby instalacji Gita, odsyłamy do dokumentacji, gdzie znajdują się instrukcje krok po kroku odnośnie instalacji w różnych systemach.

See also

W celu pozyskania lub doskonalenia umiejętności obsługi Gita, odsyłamy np. do tego lub tego kursu.

GitHub Classroom

Zajęcia przeprowadzone zostaną przy pomocy narzędzia GitHub Classroom, które pozwala na łatwe zarządzanie zadaniami grupy studentów.

Każde laboratorium zostanie opublikowane w formie Assignmentu, do którego każdorazowo zostaniecie zaproszeni poprzez rozesłanie linka przez prowadzącego.

Po zaakceptowaniu Assignmentu, sklonowane zostanie repozytorium zawierajace pliki przygotowane przez prowadzącego. Zadaniem studenta jest rozwiązanie zamieszczonych zadań i commit zmienionych plików z powrotem do repozytorium.

Po upływie terminu oddawania zadań (tydzień od zajęć na których zostały one opublikowane) prowadzący sprawdza repozytoria, przegląda kod i weryfikuje umieszczone rozwiązania.

See also

Więcej informacji wraz z dokładnymi instrukcjami korzystania z Classroom - tutaj (należy jednakże pominąć część dotyczącą instalacji i użytkowania RStudio)

Środowiska wirtualne

W celu izolacji środowiska Pythona na potrzeby konkretnego projektu stosuje się środowiska wirtualne. Umożliwiają one instalację bibliotek w izolacji od głównego systemu - dzięki czemu można stosować np. różne wersje jednej biblioteki w różnych projektach.

Najpopularniejsze z nich to venv, pipenv i conda. Wymagamy używania środowisk wirtualnych jako dobrej praktyki programistycznej. Jednocześnie nie narzucamy wyboru konkretnego rozwiązania - choć różnią się między sobą, wszystkie spełniają założenia wirtualizacji.

Venv

Najprostsze z rozwiązań. Tworzy wirtualne środowisko - i to jedyne co robi.

W celu stworzenia nowego środowiska należy wykonać w terminalu następujące komendy:

cd DIRECTORY
python3 -m venv .

Tak stworzone środowisko należy każdorazowo aktywować po zmianie sesji terminala:

# na Linuxie
source bin/activate

# na Windowsie
\Scripts\activate.bat

Środowisko wyłączamy przy pomocy:

deactivate

Pipenv

Działa analogicznie do venva, jednak jest bardziej zaawansowane w kwestii zarządzania zależnościami instalowanych paczek. Automatycznie zapisuje instalowane biblioteki do pliku Pipfile, który może służyc łatwej reprodukcji całego środowiska

Po zainstalowaniu przy pomocy

pip install pipenv

stworzenie środowiska jest równie proste co przy venvie:

cd DIRECTORY
pipenv install

Środowisko aktywujemy przy pomocy:

pipenv shell

Środowisko wyłączamy przy pomocy:

deactivate

Conda

Jest to środowisko wirtualne korzystające z Anacondy, zawierającej dystrybucję Pythona sprofilowaną pod zastosowania naukowe. Anaconda zawiera preinstalowaną i zoptymalizowaną gamę paczek, osobny menager paczek i GUI

Anaconda bywa częstym wyborem w przypadku używania Windowsa - standardowa instalacja części paczek często jest problematyczna, podczas gdy te wbudowane w Anacondę zazwyczaj nie sprawiają problemów.

W celu instalacji odsyłamy do dokumentacji

Stworzenie środowiska jest równie proste:

conda create --name ENVIRONMENT_NAME

Możemy też podczas tworzenia środowiska wybrać konkretną wersję Pythona:

conda create --name ENVIRONMENT_NAME python=3.9

Aktywacja natomast polega na wywołaniu:

conda activate ENVIRONMENT_NAME

Instalacja paczek (choć możliwa także przy użyciu pip) przebiega przy pomocy:

conda install --name ENVIRONMENT_NAME paczka==wersja

Środowisko wyłączamy przy pomocy:

deactivate

Hint

Conda nie jest mechanizmem stricte Pythonowym - tak samo można używać środowisk wirtualnych dla innych jezyków

Jupyter

Większość laboratoriów przygotowane zostało w formie notebooków Jupytera. Jest to proste przeglądarkowe IDE Pythona, które w prosty sposób umożliwia eksperymentowanie i ewaluację kodu.

W celu instalacji wykonujemy (uprzednio oczywiście aktywowawszy środowisko wirtualne):

pip install jupyter

Teraz uruchamiamy notebook przy pomocy:

jupyter notebook

See also

W celu pogłębienia wiedzy o interfejsie i możliwościach Jupyter Notebooka - zachęcamy do lektury np. tego artykułu