Penyiapan Python: Panduan Definitif

Bagi para developer, konfigurasi workstation yang tepat akan mempermudah proses pengembangan. Ini mencakup pemasangan dan konfigurasi alat terbaik serta penyiapan berbagai fasilitas yang membantu developer memberikan yang terbaik saat membuat perangkat lunak. Data scientist tidak terkecuali, sehingga penyiapan yang tepat menjadi krusial untuk menciptakan perangkat lunak yang mumpuni, mulai dari alat visualisasi hingga proses ingestion. Dalam tutorial ini, akan dijelaskan dasar-dasar penyiapan komputer untuk Data Science, namun panduan ini juga berguna bagi siapa pun yang tertarik mengembangkan perangkat lunak menggunakan bahasa Python. Mari mulai!

Cakupan

Python tersedia untuk beragam sistem operasi. Tutorial ini akan menampilkan beberapa cuplikan yang dijalankan pada sistem operasi Linux Ubuntu, namun sebagian besar berlaku juga untuk sistem berbasis UNIX lain dan MAC OS. Untuk sistem MS Windows, ada beberapa perbedaan kecil yang akan disebutkan bila relevan.

Python: Komponen Inti

tl;dr Gunakan implementasi Python3 dari situs resmi

Menganggap interpreter Python sebagai komponen inti untuk pengembangan aplikasi berbasis bahasa ini memang terasa jelas. Namun pada titik ini, Anda mungkin bingung memilih interpreter Python terbaik untuk digunakan. Selain itu, Anda mungkin pernah membaca tentang dua versi bahasa yang berbeda, sehingga memilih versi dan interpreter yang tepat adalah keputusan penting pertama yang harus diambil.

Python, Anaconda, Jython, WinPython, IronPython... terlalu banyak Ular dalam Satu Kandang

Karena popularitas bahasa ini, ada banyak implementasi interpreter. Beberapa di antaranya siap dipasang di komputer Anda, sementara yang lain masih dalam tahap awal pengembangan dan pemasangannya hanya direkomendasikan untuk para pengembangnya atau programmer yang nekat. Wiki resmi Python mendaftar beberapa interpreter yang tersedia, beserta fitur spesifiknya dibandingkan implementasi lain. Seperti yang akan kita lihat sepanjang tutorial ini, distribusi Python yang tersedia di situs resmi sudah mencakup semua yang Anda butuhkan untuk mulai mengembangkan program Python tanpa kehilangan fitur yang mungkin ditawarkan implementasi lain.

Python2 atau Python3? Versi Mana yang Sebaiknya Anda Gunakan?

Walaupun Python 3 dirilis sepuluh tahun lalu, transisi dari Python 2 ke versi terbaru tidaklah mudah. Salah satu alasan utama tingkat adopsi yang rendah adalah perbedaan sintaks yang membuat pustaka yang sudah ada tidak tersedia untuk versi terbaru. Saat Anda mengembangkan perangkat lunak Python, Anda akan menyadari bahwa ketersediaan pustaka untuk berbagai tujuan adalah salah satu kekuatan utama bahasa ini. Selama periode tersebut, sejumlah alat dan pustaka seperti 2to3 atau six dibuat untuk memperkecil kesenjangan, sehingga memudahkan migrasi ke versi terbaru. Pada saat tutorial ini ditulis, sebagian besar pustaka sudah tersedia untuk perangkat lunak beraroma Python 3, sehingga keputusan tentang versi mana yang digunakan saat ini cukup jelas: Python 3. Selain itu, pada tahun 2020, siklus hidup Python 2 akan berakhir. Bahkan ada yang merencanakan pesta Celebration of Life di ajang PyCon 2020, jadi jangan ragu untuk bergabung dan mengucapkan terima kasih kepada Python2 atas jasanya untuk Anda dan perangkat lunak Anda!

Menginstal Python di Komputer Anda

Interpreter Python tersedia luas untuk sebagian besar sistem operasi, dan beberapa di antaranya menyediakan paket yang memudahkan pemasangan. Untuk Ubuntu, Python2 dan Python3 bahkan disertakan secara bawaan pada lingkungan desktop secara bersamaan. Perhatikan penggantian alias python yang masih merujuk ke Python versi 2 alih-alih 3, atau tetapkan alias di berkas ~/.bashrc bila Anda rasa berguna. Seperti disebutkan di atas, di tahun-tahun mendatang diharapkan hanya ada satu versi Python yang terpasang. Rekomendasi saya saat ini adalah memasang versi Python yang paling baru. Jika Anda sudah memasang Python3 di komputer, pastikan versinya lebih tinggi dari 3.5. Jika Anda memasang versi yang lebih lama, sebaiknya tingkatkan versinya agar bisa menikmati fitur terbaru bahasa ini.

$ python --version
Python 3.5.2

Bagi pengguna Windows, memasang interpreter Python juga cukup mudah. Halaman unduhan resmi menyediakan installer yang membantu Anda menyiapkan interpreter hanya dengan beberapa klik.

Mengelola Dependensi Proyek dengan pip

Untuk pengembangan dasar, memasang interpreter Python saja sudah cukup untuk mulai menulis kode. Paket perangkat lunak Python hadir dengan interpreter, plus beberapa fasilitas yang ditujukan untuk memudahkan manajemen aplikasi. Salah satu alat tersebut bernama pip, dan tujuannya adalah membantu Anda memasang pustaka pihak ketiga yang tersimpan di PyPI (Python Package Index) atau repositori publik maupun privat lainnya.

Proyek Python Pertama Kita: Jupyter Notebooks

Bayangkan proyek Data Science pertama kita: sebuah Jupyter notebook yang akan mengolah data dan menyajikan visualisasi yang memukau. Pustaka pertama yang diperlukan untuk bekerja dengan notebook adalah Jupyter. Memasang Jupyter di komputer Anda semudah perintah berikut:

$ pip install --user jupyter

Perhatikan bahwa opsi --user akan memasang pustaka hanya untuk pengguna yang menjalankannya. Pemasangan untuk seluruh sistem dapat dilakukan dengan menghapus opsi ini, namun mungkin memerlukan hak istimewa untuk menyelesaikannya. Selain memasang, perintah pip memungkinkan Anda mengunduh pustaka, menanyakan konfigurasi saat ini, memperbarui, dan mencopot pustaka jika sudah tidak diperlukan. Tabel berikut mencantumkan beberapa perintah yang akan berguna untuk mengelola kebutuhan aplikasi Anda:

Kita akan kembali menggunakan perintah-perintah di atas untuk mengelola dependensi proyek. Untuk saat ini, ingatlah pip sebagai pengelola dependensi aplikasi Anda. Terakhir, penting untuk diketahui bahwa perintah pip memasang tidak hanya pustaka yang diminta tetapi juga dependensinya, sehingga Anda tidak perlu berurusan dengan prosedur pemasangan yang rumit. pip install adalah langkah yang tepat!

Virtual Environment: Isolasi Pengaturan Proyek Anda

Bayangkan saat Anda mengerjakan proyek notebook, Anda menemukan pustaka baru yang menarik yang memberikan beberapa fitur yang ingin Anda coba sebelum memasukkannya ke konfigurasi proyek notebook Anda. Pustaka ini memerlukan versi jupyter notebooks yang berbeda. Pada titik ini Anda memiliki opsi berikut:

• Pasang paket baru tanpa dependensinya. Kemungkinan pustaka tidak akan berfungsi dengan baik kecuali Anda mengubah sebagian kodenya.
• Pasang paket baru beserta dependensinya. Proyek Anda saat ini akan terpengaruh, memaksa Anda memperbarui konfigurasi proyek dan melakukan beberapa perubahan agar kembali berjalan sebagaimana mestinya.

Skenario di atas dapat terjadi saat mengerjakan dua proyek secara bersamaan. Bayangkan situasi yang lebih kompleks ketika Anda bekerja pada lebih dari dua proyek, atau memiliki sekumpulan aplikasi berbasis Python yang bergantung pada pustaka yang perlu dipasang tanpa modifikasi. Itu bisa menjadi sakit kepala sungguhan. Untungnya, Python menyediakan mekanisme untuk mengisolasi konfigurasi proyek dari proyek atau aplikasi lain. Mekanisme ini disebut Virtual Environment, dan meskipun sudah ada sejak Python 2 bersama pendekatan isolasi lainnya, ia menjadi paket bawaan sejak versi 3.6 (disarankan untuk memasang versi ini atau yang lebih baru!). Interpreter Python yang lebih lama dari 3.6 dapat memasang pustaka ini menggunakan pip sebagai berikut:

$ pip install -U venv

Bagi yang menggunakan Python2 (kecuali Anda memilih untuk meningkatkan versi), pustaka ini bernama virtualenv dan dapat dipasang dengan cara yang sama.

$ pip install -U virtualenv

Developer yang menggunakan Ubuntu mungkin menemukan virtualenv sebagai paket sistem yang dapat dipasang menggunakan apt-get sebagai berikut:

$ sudo apt-get install python3-venv

Membuat virtual environment baru itu mudah. Dari baris perintah, ketik perintah berikut untuk membuat virtual environment baru di dalam direktori new_venv.

$ python -m venv new_venv

Sebagai rekomendasi, cobalah menjalankan perintah di atas dari direktori workspace. Dengan begitu Anda memiliki direktori swadaya yang berisi kode sumber, dan virtual environment tempat pustaka yang diperlukan aplikasi Anda akan disimpan. Setelah virtual environment dibuat, Anda dapat mulai bekerja dalam mode terisolasi dengan memuat skrip activate di dalam new_venv/bin/activate.

source new_venv/bin/activate
(new_venv) $ ...

Pengguna Windows harus menjalankan skrip activate yang terpasang di dalam direktori Scripts.

new_venv/Scripts/activate
(new_venv) $ ...

Perhatikan bahwa setelah virtual environment dimuat, prompt shell akan berubah, menuliskan nama virtual environment dalam tanda kurung. Sekilas, virtual environment berisi elemen-elemen berikut:

• Interpreter python: Sama dengan yang digunakan untuk membuat virtual environment. Perhatikan bahwa kecuali Anda mengubah alias python, Anda harus secara eksplisit menggunakan python3 atau bahkan python3.6 jika Anda memasang lebih dari satu Python3.
• Pengelola paket Pip. Pengelola paket akan memasang semua pustaka di dalam direktori lib/pythonX.Y/site/packages. Interpreter python akan menggunakan direktori ini untuk menyelesaikan dependensi.
• Skrip Aktivasi/Deaktivasi. Membantu memuat lingkungan proyek, dan kembali ke konfigurasi default saat tidak diperlukan lagi. Dengan virtual environment yang berhasil dimuat, Anda dapat memasang pustaka apa pun sebagai berikut:

$ pip install requests

Perintah ini akan memasang pustaka requests di dalam virtual environment, dan dapat dimuat oleh interpreter python yang tersimpan di folder bin pada direktori virtual environment. Perhatikan bahwa tidak diperlukan akses pengguna dengan hak istimewa untuk memasang pustaka. Anda dapat memeriksa pemasangan dengan menggunakan perintah pip show (pip show requests) yang akan memberikan detail tentang pustaka yang terpasang. Terakhir, setelah Anda berhenti bekerja pada sebuah proyek, Anda dapat menonaktifkan virtual environment dengan menjalankan perintah deactivate.

(new_venv) $ deactivate
$

Sederhana, kuat, dan sangat membantu. Inilah virtual environment hadir untuk menolong! :D

TIPS: Lokasi tempat paket dipasang dapat diperiksa melalui variabel sys.prefix. Cobalah mengeksekusinya pada lingkungan yang dimuat, dan juga pada konfigurasi default.

>>> import sys
>>> print(sys.prefix)

Project Scaffolding: Semudah Itu dengan Cookiecutter!

Anda dan kebanyakan dari kita memulai pengembangan aplikasi Python dengan sebuah skrip sederhana (mungkin Hello World). Jadi, memikirkan hal serupa, ditambah konsep yang telah dijelaskan di atas, membawa kita pada struktur workspace berikut:

• Sebuah direktori yang berisi workspace kita, berisi
• Sebuah direktori virtual environment, dan
• Sebuah skrip sederhana dengan aplikasi Hello World Anda.

Meskipun proyek Python tidak diwajibkan memiliki struktur workspace tertentu, disarankan untuk menata kode Anda, beserta rangkaian pengujian terkait dan skrip atau berkas konfigurasi lain yang akan membantu Anda bekerja dalam daur hidup pengembangan secara menyeluruh. Dalam pendekatan paling sederhana, sebuah workspace Python bisa seperti berikut:

$ tree -L 1
.
├── requirements.txt     ---> Berkas dependensi proyek
├── src                  ---> Kode sumber di sini
├── tests                ---> Kode uji di sini
└── venv                 ---> Berkas virtual environment

Kita sudah membahas berkas requirements.txt sebelumnya pada bagian pip. Berkas ini akan berisi dependensi proyek yang dapat disimpan menggunakan perintah pip freeze. Direktori src dan test akan berisi logika bisnis dan pengujian terkait. Dan direktori venv (biasanya dinamai demikian) menyimpan konfigurasi virtual environment.

Membuat Project Scaffolding dengan Mudah: Cookiecutter

Walaupun pendekatan sebelumnya mungkin sudah cukup, seiring meningkatnya kemampuan Anda, Anda mungkin ingin menggunakan scaffolding yang lebih lengkap yang menyertakan lebih banyak alat untuk mempermudah proses pengembangan. Membuat scaffolding Python secara manual bisa jadi melelahkan. Opsi yang lebih baik adalah menyimpan salinan proyek referensi dan mengganti sebagian isinya setelah disalin untuk menyiapkan proyek baru. Meskipun bisa berjalan, opsi ini rawan kesalahan dan dapat menyebabkan inkonsistensi bila Anda lupa menyiapkan beberapa sumber daya dengan benar. Proyek baru dapat dengan mudah disiapkan menggunakan alat cookiecutter. Alat ini menerima masukan berupa templat proyek, dan menyimpan salinannya setelah mengganti nama berkas dan isinya dengan sekumpulan parameter input yang diminta dari pengguna. Alat ini diimplementasikan dalam bahasa Python dan dapat dipasang sebagai pustaka pip.

$ pip install -U cookiecutter

Ingat, opsi -U akan memasang alat ini di ruang pengguna Anda. Anda bisa melewatinya, tetapi Anda akan diminta memasangnya sebagai root (atau pengguna sudoer). Alat ini juga tersedia bagi pengguna Ubuntu sebagai paket yang dapat dipasang menggunakan apt-get

$ sudo apt-get install cookiecutter

Dalam eksekusi paling sederhana, alat cookiecutter dapat dipanggil sebagai berikut:

$ cookiecutter <TEMPLATE_LOCATION>

Lokasi templat dapat disimpan secara lokal, atau ditentukan sebagai URL GIT. Opsi kedua nyaman bagi developer dan organisasi yang ingin memelihara dan mengembangkan templat workspace proyek mereka.

Untuk memahami cara kerja cookiecutter, lihat sebuah contoh proyek cookiecutter. Berkas inti untuk proyek ini dan proyek cookiecutter lainnya bernama cookiecutter.json dan berisi kumpulan nilai yang harus ditentukan pengguna untuk membuat workspace proyek. Berkas ini ditulis dalam format JSON, dan mencakup kamus berisi pasangan kunci-nilai, di mana nilainya merepresentasikan default jika pengguna melewatkan salah satu input.

{
    "full_name": "Steven Loria",
    "email": "sloria1@gmail.com",
    "github_username": "sloria",
    "project_name": "My Flask App",
    "app_name": "myflaskapp",
    "project_short_description": "A flasky app.",
    "use_pipenv": ["no", "yes"]
}

Dari nilai input tersebut, cookiecutter akan mengganti dari templat nama berkas dan direktori yang berisi tanda kurung ganda {{...}}.

Bagi yang tertarik membuat arketipe sendiri, ide bagus untuk mulai mengerjakan proyek cookiecutter dan memasukkan apa pun yang dianggap bernilai untuk mengembangkan aplikasi. Bagi yang tak sabar memulai proyek baru, ada banyak proyek cookiecutter yang tersedia dan siap diinstansiasi. Mencari cookiecutter yang sesuai kebutuhan? Coba cari menggunakan mesin pencari cookiecutter ini! Kabar baik lainnya, alat ini tidak hanya ditujukan untuk scaffolding proyek Python, tetapi bersifat generik untuk jenis proyek lainnya!

Menyatukan Semuanya: Daur Hidup Pengembangan Proyek

Setelah konsep manajemen paket, virtual environment, dan project scaffolding diperkenalkan, kita dapat menyatukannya dan menjelaskan cara Anda dapat bekerja dengan menyiapkan komputer setelah mengikuti tutorial ini:

1. Gunakan Python3 sebagai interpreter untuk menulis kode. Lebih baik lagi jika Anda mulai menggunakan Python 3.6.
2. Buat proyek baru, tempat modul Python dan dependensi Anda akan disimpan.
   • Buat proyek baru dengan mudah menggunakan cookiecutter dan templat referensi pilihan Anda.
3. Buat virtual environment baru di dalam folder aplikasi, dan aktifkan saat Anda siap menulis kode aplikasi.
4. Tulislah aplikasi terbaik Anda, dan manfaatkan pustaka pihak ketiga bila diperlukan.
   • Jangan lupa mendeklarasikan dependensi dalam berkas requirements.txt menggunakan perintah pip freeze.
5. [Opsional] Unggah proyek Anda ke sistem CVS seperti Git. Namun jangan unggah isi virtual environment. Anda dapat membuatnya kembali kapan saja seperti dijelaskan di bawah ini.

Setelah kode dan berkas dependensi disimpan, Anda dapat merekonstruksi struktur proyek dengan mudah sebagai berikut:

1. Salin kode dan berkas dependensi ke folder workspace (pengguna Git dapat mengklon repositori).
2. Buat virtual environment baru di dalam folder aplikasi, dan aktifkan untuk memasang dependensi aplikasi.
3. Pasang dependensi menggunakan pip install -r requirements.txt.
4. Kerjakan peningkatan atau perbaikan pada proyek Anda. Jangan lupa menentukan dependensi baru di berkas requirements menggunakan pip freeze.

Satu hal lagi sebelum menutup tutorial ini. Walaupun kita tidak menyebutkan IDE apa pun untuk menulis kode dalam bahasa Python, Anda bebas memilih yang Anda suka, dan menyesuaikannya agar sesuai kebutuhan.

Selamat ngoding Python!

Jika Anda ingin mempelajari lebih lanjut tentang Python, ikuti kursus gratis DataCamp Intro to Python for Data Science.