Een data science-omgeving instellen op je computer

Na het leren op een online, interactieve trainings- en onderwijsplatform zoals Datacamp, is een van de volgende stappen om je vaardigheden in Python, R, Git of de Unix-shell op je eigen computer te gebruiken. Het is niet altijd duidelijk wat je precies moet installeren voor de verschillende projecten die je in gedachten hebt. Deze tutorial laat je weten welke pakketten en welke software je moet installeren om met de verschillende technologieën aan de slag te gaan. Laten we beginnen!

Python

Om Python op je lokale computer te gebruiken, moet je het eerst installeren. Er zijn veel verschillende Python-distributies, maar voor data science is de Anaconda Python Distribution de populairste.

Voordelen van Anaconda

Anaconda is een pakketbeheerder, een omgevingsbeheerder en een Python-distributie die een verzameling van veel open-sourcepakketten bevat. Een installatie van Anaconda wordt geleverd met veel pakketten zoals numpy, scikit-learn, scipy en pandas vooraf geïnstalleerd en het is ook de aanbevolen manier om Jupyter Notebooks te installeren. De onderstaande afbeelding toont een Jupyter Notebook in actie. Jupyter Notebooks bevatten zowel code als rijke tekstelementen, zoals figuren, links en vergelijkingen. Je kunt hier meer leren over Jupyter Notebooks.

Andere voordelen van Anaconda zijn onder meer:

• Als je na het installeren van Anaconda extra pakketten nodig hebt, kun je de pakketbeheerder conda of pip van Anaconda gebruiken om die pakketten te installeren. Dit is een groot voordeel, omdat je zelf niet de afhankelijkheden tussen meerdere pakketten hoeft te beheren. Conda maakt het zelfs eenvoudig om te wisselen tussen Python 2 en 3 (hier lees je meer).

• Anaconda wordt geleverd met Spyder, een geïntegreerde ontwikkelomgeving (IDE) voor Python. Een IDE is een programmeertool waarmee je je code kunt schrijven, testen en debuggen, omdat ze doorgaans functies bieden zoals code-aanvulling, syntax-highlighting, resourcemanagement en debuggingtools, naast vele andere features. Het is ook mogelijk om Anaconda te integreren met andere Python-IDE’s, waaronder PyCharm en Atom. Je kunt meer leren over verschillende geïntegreerde ontwikkelomgevingen voor Python.

Anaconda (Python) installeren

Hieronder vind je enkele links naar handleidingen om Anaconda op jouw besturingssysteem te installeren.

Anaconda installeren op Mac

Anaconda installeren op Windows

Programmeertaal R

De meeste mensen installeren RStudio samen met de programmeertaal R. De geïntegreerde ontwikkelomgeving (IDE) RStudio wordt over het algemeen beschouwd als de gemakkelijkste en beste manier om met de programmeertaal R te werken.

Voordelen van RStudio

Met een installatie van de programmeertaal R krijg je een set functies en objecten uit de R-taal en een R-interpreter waarmee je commando’s kunt bouwen en uitvoeren. RStudio geeft je een geïntegreerde ontwikkelomgeving die naast de R-interpreter werkt.

Wanneer je RStudio opent, verschijnt er een scherm zoals hierboven. Enkele functies in de vier RStudio-panelen zijn: (A) een teksteditor. (B) Dashboard voor je werkomgeving. (C) R-interpreter. (D) Helpvenster en pakketbeheersysteem. Al deze functies maken dat RStudio alles is wat je echt nodig hebt nadat je R hebt geïnstalleerd.

R en RStudio installeren

Hieronder vind je enkele links naar handleidingen om R en RStudio op jouw besturingssysteem te installeren.

R en RStudio installeren op Mac

R en RStudio installeren op Windows

Unix-shell

Door mappen navigeren, bestanden kopiëren, virtuele machines gebruiken en meer maken standaard deel uit van het werk van een data scientist. Je zult vaak zien dat de Unix-shell wordt gebruikt om deze taken uit te voeren.

Enkele toepassingen van een Unix-shell

1 - Veel cloudplatforms zijn Linux-gebaseerd (gebruiken een variant van de Unix-shell). Als je bijvoorbeeld een data science-omgeving op Google Cloud wilt inrichten, of deep learning met Jupyter Notebooks in de cloud (AWS EC2) wilt doen, heb je enige kennis van de Unix-shell nodig. Soms heb je misschien een virtuele Windows-machine nodig, maar dat komt minder vaak voor.

2 - De Unix-shell biedt een aantal handige commando’s, zoals: het commando wc dat het aantal regels of woorden in een bestand telt, het commando cat dat bestanden samenvoegt/merge’t, de commando’s head en tail die helpen grote bestanden te subsetten. Je kunt hier meer over leren in 8 handige shell-commando’s voor data science. Bekijk ook DataCamp’s cursus Data Processing in Shell.

3 - Je vindt de Unix-shell vaak geïntegreerd met andere technologieën, zoals je verderop in het artikel zult zien.

Integratie met andere technologieën

Je ziet vaak dat Unix-shellcommando’s geïntegreerd zijn in andere technologieën. Zo is het gebruikelijk om shell-commando’s in Jupyter Notebooks naast Python-code te vinden. In Jupyter Notebook kun je shell-commando’s aanroepen door naar de shell te ontsnappen met een !. In de onderstaande code wordt het resultaat van het shell-commando ls (dat alle bestanden in de huidige map opsomt) toegewezen aan de Python-variabele myfiles.

myfiles = !ls

De onderstaande afbeelding toont wat Python-code geïntegreerd in een workflow om meerdere datasets te combineren. Let op een Unix-shellcommando (omcirkeld in rood) geïntegreerd in een Jupyter Notebook.

Onthoud dat de code in de bovenstaande afbeelding niet een unieke manier is om een taak te doen, maar slechts een klein voorbeeld van hoe je de Unix-shell kunt tegenkomen. Als je wilt leren hoe je Unix gebruikt voor data science, heeft Datacamp een gratis cursus Introduction to Shell for Data Science die ik van harte aanbeveel. Het is een vaardigheid die veel aankomende data scientists vergeten, maar die op de werkvloer erg belangrijk is.

Unix-shell op Mac

Mac wordt geleverd met een Unix-shell, dus meestal hoef je niets te installeren! Belangrijk om te weten is dat er verschillende Unix-systemen zijn met verschillende commando’s. Soms merk je dat je een Unix-commando (zoals wget) dat op een ander Unix-systeem voorkomt, niet hebt. Net zoals je pakketbeheerders hebt via RStudio en Anaconda, kan Mac een pakketbeheerder hebben genaamd Homebrew als je die installeert. De onderstaande link behandelt hoe je Homebrew installeert en gebruikt.

Homebrew installeren en gebruiken

Unix-shellcommando’s op Windows

Windows wordt niet geleverd met een Unix-shell. Onthoud dat de Unix-shell je handige commando’s biedt voor data science. Er zijn veel verschillende manieren om deze handige commando’s op Windows te krijgen. Je kunt Git installeren op Windows met de optionele Unix-tools, zodat je Unix-commando’s op je Opdrachtprompt hebt. Als alternatief kun je Gnu on Windows (GOW) (10 MB), Cygwin (minimaal 100 MB) en vele andere opties installeren.

Git

Git is het meest gebruikte versiebeheersysteem. Een versiebeheersysteem registreert wijzigingen aan een bestand of set bestanden in de tijd, zodat je later specifieke versies kunt terughalen. Git is belangrijk omdat het je echt helpt om met anderen samen te werken en je het op veel werkplekken zult tegenkomen. Enkele voordelen van Git leren zijn:

• Niets dat met Git onder versiebeheer staat, gaat ooit verloren, dus je kunt altijd eerdere versies van je programma’s terugzien.

• Git waarschuwt je wanneer jouw werk in conflict is met dat van iemand anders, waardoor het lastiger (maar niet onmogelijk) wordt om per ongeluk werk te overschrijven.

• Git kan werk synchroniseren dat door verschillende mensen op verschillende machines is gedaan, en schaalt dus mee met je team.

• Kennis van Git maakt het makkelijker om bij te dragen aan open-sourceontwikkeling van pakketten in R en Python.

Integratie met andere technologieën

Een van de leuke dingen aan Git is dat je het vaak geïntegreerd ziet met andere technologieën. Eerder noemde ik dat de geïntegreerde ontwikkelomgeving (IDE) RStudio over het algemeen wordt beschouwd als de beste manier om met de programmeertaal R te werken. RStudio biedt ondersteuning voor versiebeheer en veel Python-IDE’s (lees meer hier) bieden ook ondersteuning voor versiebeheer.

Als je wilt leren hoe je Git gebruikt voor data science, heeft DataCamp een gratis cursus Introduction to Git for Data Science die ik van harte aanbeveel.

Git installeren

Hieronder vind je enkele links naar handleidingen om Git op jouw besturingssysteem te installeren.

Git installeren op Mac

Git installeren op Windows

Conclusie

Deze tutorial biedt een manier om een lokale data science-omgeving op je computer in te richten. Belangrijk om te benadrukken is dat deze technologieën vaak kunnen worden en worden geïntegreerd. Als je vragen of gedachten hebt over de tutorial, laat dan gerust een reactie achter hieronder of via Twitter. Bekijk ook gerust mijn andere installatiegerichte tutorials op mijn Github of mijn Medium-blog.