Configurer un environnement de data science sur votre ordinateur

Après avoir appris sur une plateforme de formation interactive en ligne comme Datacamp, l’une des étapes suivantes consiste à mettre en pratique vos compétences en Python, R, Git ou Unix Shell sur votre propre ordinateur. Il n’est pas toujours évident de savoir quoi installer selon les projets que vous avez en tête. Ce tutoriel vous indique quels packages et quels logiciels installer pour démarrer avec ces différentes technologies. C’est parti !

Python

Pour utiliser Python en local, vous devez d’abord l’installer. Il existe plusieurs distributions de Python, mais pour la data science, la distribution Anaconda est la plus populaire.

Avantages d’Anaconda

Anaconda est à la fois un gestionnaire de packages, un gestionnaire d’environnements et une distribution Python qui regroupe de nombreux packages open source. Une installation d’Anaconda inclut d’office des bibliothèques comme numpy, scikit-learn, scipy et pandas, et c’est également la méthode recommandée pour installer les Jupyter Notebooks. L’image ci-dessous montre un Jupyter Notebook en action. Les notebooks Jupyter contiennent à la fois du code et des éléments de texte enrichi, comme des figures, des liens et des équations. Vous pouvez en savoir plus sur les Jupyter Notebooks ici.

Parmi les autres atouts d’Anaconda :

• Si vous avez besoin de packages supplémentaires après l’installation, vous pouvez utiliser le gestionnaire conda d’Anaconda ou pip pour les ajouter. C’est un vrai plus : vous n’avez pas à gérer vous-même les dépendances entre plusieurs packages. Conda facilite même le passage entre Python 2 et 3 (plus d’infos ici).

• Anaconda inclut Spyder, un environnement de développement intégré (IDE) pour Python. Un IDE est un outil qui permet d’écrire, de tester et de déboguer votre code, avec généralement l’autocomplétion, la coloration, la gestion des ressources et des outils de débogage, entre autres. Il est aussi possible d’intégrer Anaconda avec d’autres IDE Python, dont PyCharm et Atom. Vous pouvez en apprendre davantage sur les environnements de développement Python ici.

Comment installer Anaconda (Python)

Voici des guides pour installer Anaconda selon votre système d’exploitation.

Installer Anaconda sur Mac

Installer Anaconda sur Windows

Langage R

La plupart des utilisateurs installent RStudio en même temps que le langage R. L’environnement de développement intégré (IDE) RStudio est généralement considéré comme la manière la plus simple et la plus efficace de travailler avec R.

Avantages de RStudio

L’installation de R vous fournit un ensemble de fonctions et d’objets du langage, ainsi qu’un interpréteur R pour exécuter des commandes. RStudio vous apporte un environnement de développement intégré qui fonctionne aux côtés de l’interpréteur R.

Lorsque vous ouvrez RStudio, un écran comme ci-dessus apparaît. Quelques fonctionnalités présentes dans les quatre volets de RStudio : (A) un éditeur de texte, (B) un tableau de bord pour l’espace de travail, (C) la console R, (D) la fenêtre d’aide et la gestion des packages. Grâce à ces fonctions, RStudio couvre pratiquement tous vos besoins après l’installation de R.

Comment installer R et RStudio

Voici des guides pour installer R et RStudio selon votre système d’exploitation.

Installer R et RStudio sur Mac

Installer R et RStudio sur Windows

Unix Shell

Parcourir des répertoires, copier des fichiers, utiliser des machines virtuelles, etc., fait partie du quotidien d’un data scientist. L’Unix Shell est souvent utilisé pour réaliser ces tâches.

Quelques usages de l’Unix Shell

1 - De nombreuses plateformes de cloud computing sont basées sur Linux (une variante d’Unix Shell). Par exemple, si vous voulez configurer un environnement de data science sur Google Cloud, ou faire du deep learning avec des Jupyter Notebooks dans le cloud (AWS EC2), un minimum de connaissances Unix est requis. Il peut arriver que vous ayez besoin d’une machine virtuelle Windows, mais c’est moins courant.

2 - L’Unix Shell propose de nombreuses commandes utiles, par exemple : wc pour compter le nombre de lignes ou de mots d’un fichier, cat pour concaténer/fusionner des fichiers, head et tail pour sous-échantillonner de gros fichiers. Pour en savoir plus, consultez 8 commandes Shell utiles pour la data science. Découvrez aussi le cours de DataCamp Data Processing in Shell.

3 - Vous verrez souvent l’Unix Shell intégré à d’autres technologies, comme vous le constaterez plus loin.

Intégration avec d’autres technologies

Il est courant de retrouver des commandes Unix Shell intégrées à d’autres outils. Par exemple, on rencontre fréquemment des commandes shell dans des Jupyter Notebooks, à côté de code Python. Dans Jupyter Notebook, vous pouvez appeler le shell en faisant précéder la commande d’un !. Dans le code ci-dessous, le résultat de la commande ls (qui liste tous les fichiers du répertoire courant) est affecté à la variable Python myfiles.

myfiles = !ls

L’image ci-dessous montre du code Python intégré dans un flux de travail pour combiner plusieurs jeux de données. Notez une commande Unix Shell (encadrée en rouge) intégrée dans un Jupyter Notebook.

Gardez à l’esprit que le code illustré ci-dessus n’est pas une méthode unique pour accomplir une tâche, mais un simple exemple de l’usage d’Unix. Si vous souhaitez apprendre à utiliser Unix pour la data science, Datacamp propose un cours gratuit Introduction to Shell for Data Science que je recommande vivement. C’est une compétence souvent négligée par les aspirants data scientists, mais essentielle en entreprise.

Unix Shell sur Mac

Mac est livré avec un shell Unix, vous n’avez donc généralement rien à installer ! Attention toutefois : il existe différentes familles d’Unix avec des commandes qui varient. Il peut arriver qu’une commande (comme wget) présente sur un autre système Unix ne soit pas disponible. À l’instar des gestionnaires de packages proposés via RStudio et Anaconda, Mac peut disposer d’un gestionnaire de packages nommé Homebrew si vous l’installez. Le lien ci-dessous explique comment installer et utiliser Homebrew.

Comment installer et utiliser Homebrew

Commandes Unix Shell sur Windows

Windows n’est pas fourni avec un Unix Shell. Gardez en tête que l’Unix Shell vous apporte des commandes très utiles pour la data science. Il existe plusieurs façons d’obtenir ces commandes sous Windows. Vous pouvez installer Git sur Windows avec les outils Unix optionnels, afin de disposer de commandes Unix dans l’Invite de commandes. Vous pouvez aussi installer Gnu on Windows (GOW) (10 Mo), Cygwin (minimum 100 Mo), entre bien d’autres options.

Git

Git est le système de gestion de versions le plus utilisé. Un système de gestion de versions enregistre les modifications apportées à un fichier ou à un ensemble de fichiers au fil du temps, afin de pouvoir retrouver des versions précises ultérieurement. Git est incontournable : il facilite le travail collaboratif et est omniprésent en entreprise. Parmi les avantages à maîtriser Git :

• Rien de ce qui est versionné avec Git n’est perdu ; vous pouvez toujours revenir à des versions antérieures de vos programmes.

• Git vous avertit en cas de conflit avec le travail d’un tiers, ce qui réduit le risque (sans l’éliminer) d’écraser des modifications par inadvertance.

• Git synchronise le travail de plusieurs personnes sur différentes machines, et accompagne ainsi la montée en charge de votre équipe.

• Savoir utiliser Git facilite la contribution aux projets open source en R et en Python.

Intégration avec d’autres technologies

L’un des points forts de Git est son intégration fréquente avec d’autres outils. Nous avons vu plus haut que l’IDE RStudio est souvent considéré comme la meilleure façon de travailler avec R. RStudio prend en charge le contrôle de version et de nombreux IDE Python (plus d’infos ici) proposent aussi cette fonctionnalité.

Si vous souhaitez apprendre à utiliser Git pour la data science, DataCamp propose un cours gratuit Introduction to Git for Data Science que je recommande vivement.

Comment installer Git

Voici des guides pour installer Git selon votre système d’exploitation.

Installer Git sur Mac

Installer Git sur Windows

Conclusion

Ce tutoriel vous propose une méthode pour configurer un environnement de data science en local sur votre ordinateur. Point important : ces technologies peuvent s’intégrer — et s’intègrent souvent — entre elles. Si vous avez des questions ou des remarques sur ce tutoriel, n’hésitez pas à les partager dans les commentaires ci-dessous ou sur Twitter. Vous pouvez aussi consulter mes autres tutoriels d’installation sur mon Github ou sur mon blog Medium.