Tutorial de GitHub e Git para iniciantes

O que é Git?

Git é um sistema de controle de versão distribuído e de código aberto. Ele permite que desenvolvedores e cientistas de dados acompanhem o código, façam merges de mudanças e revertam para versões anteriores - AWS. Você pode sincronizar alterações com um servidor remoto. Pela flexibilidade e popularidade, o Git se tornou um padrão do mercado, já que funciona praticamente em todos os ambientes de desenvolvimento, ferramentas de linha de comando e sistemas operacionais. 

Como o Git funciona?

O Git armazena seus arquivos e o histórico de desenvolvimento em um repositório local. Sempre que você salva alterações feitas, o Git cria um commit. Um commit é um snapshot dos arquivos naquele momento. Esses commits são encadeados, formando um grafo de histórico de desenvolvimento, como mostrado abaixo. Ele permite voltar a um commit anterior, comparar mudanças e ver a evolução do projeto - Azure DevOps. Os commits são identificados por um hash único, usado para comparar e reverter alterações.  

Um grafo do histórico de desenvolvimento

Branches

As branches são cópias do código-fonte que evoluem em paralelo à versão principal. Para salvar as mudanças realizadas, faça o merge da branch com a versão principal. Esse recurso favorece um trabalho em equipe sem conflitos. Cada desenvolvedor tem sua tarefa e, usando branches, pode trabalhar em uma nova funcionalidade sem interferência dos colegas. Quando a tarefa terminar, você pode mesclar a nova funcionalidade com a versão principal (branch master). Se quiser aprender a clonar uma branch, confira este tutorial sobre Git Clone Branch.

Adicionando uma nova feature ao repositório 

Commits

Há três estados de arquivos no Git: modified, staged e commit. Quando você altera um arquivo, as mudanças ficam salvas no diretório local e ainda não fazem parte do histórico do Git. Para criar um commit, primeiro você precisa levar os arquivos alterados para a área de staging. Você pode adicionar ou remover mudanças da staging area e então empacotar essas alterações em um commit com uma mensagem descritiva.  

Três estados de arquivos no Git

Quais são os benefícios do Git?

• Acompanhar mudanças: permite visualizar alterações históricas. O histórico facilita identificar e corrigir bugs.
• Integração com IDEs: graças à sua popularidade, o Git está integrado a todos os ambientes de desenvolvimento, como VSCode e JupyterLab.
• Colaboração em equipe: o time pode acompanhar o progresso e, usando branches, cada pessoa trabalha em sua tarefa e depois mescla as mudanças com a versão principal. Pull requests, resolução de conflitos de merge e code reviews fortalecem a colaboração. 
• VCS distribuído: em um sistema distribuído, não há armazenamento centralizado de arquivos. Existem múltiplos backups do mesmo projeto. Essa abordagem permite trabalhar offline e fazer commits. 

Git em projetos de ciência de dados

O Git oferece controle de versão para scripts, métricas, dados e modelos. Usando a extensão git-lfs, você pode armazenar e versionar grandes bases de dados e modelos de machine learning. Em um projeto típico de ciência de dados, você tem um notebook Jupyter, dataset, modelo, metadados e métricas do modelo. Os metadados incluem arquivos com informações sobre o modelo de machine learning, features, hiperparâmetros e arquivos de automação. Tudo isso é essencial para monitorar a evolução de aplicações de IA e solucionar problemas. 

Rastrear experimentos em ciência de dados ajuda pesquisadores a reverter alterações acidentais, escolher o melhor experimento com base nas métricas e colaborar com o time. O diagrama abaixo mostra como mudanças em dados ou código afetam os metadados e a saída do modelo. Acompanhar essas mudanças também ajuda o restante da equipe a propor soluções melhores. Saiba tudo sobre Git no post mais recente da Summer Worsley.

Git em um projeto de ciência de dados 

Colaboração com o GitHub

GitHub é uma plataforma em nuvem para desenvolvimento de software. Ela é amplamente usada para salvar arquivos, acompanhar mudanças e colaborar em projetos. Nos últimos anos, o GitHub se tornou a plataforma social mais popular para comunidades de desenvolvimento. Pessoas contribuem com projetos open source e relatórios de bugs, discutem novas ideias e descobrem ferramentas. 

Cientistas de dados e engenheiros de machine learning seguem o caminho dos desenvolvedores de software e integram seu fluxo de trabalho ao GitHub. Assim, podem compartilhar pesquisas, permitir contribuições da comunidade e colaborar com times de dados. Você encontra todo tipo de projeto, guia, tutorial e recurso de ciência de dados e ML na plataforma. Para estudantes, virou uma oportunidade de adquirir experiência prática e, com o tempo, conseguir uma vaga em empresas de destaque. 

Portfólio

A maioria dos recrutadores técnicos vai pedir seus projetos de portfólio ou o perfil do GitHub. Isso ajuda a avaliar se você é a pessoa certa para a vaga. É altamente recomendado criar um perfil no GitHub e mantê-lo atualizado. Gestores de contratação buscam candidatos com experiência sólida em desenvolvimento e participação em projetos open source. Analisar o portfólio no GitHub também ajuda a preparar perguntas para entrevistas técnicas. 

GitHub Profile

O GitHub permite que cientistas de dados mostrem seus projetos, e isso pode contar como experiência profissional no seu currículo. Expor seus projetos de portfólio também abre portas para colaborações, criação de startups e pesquisas. 

Projetos de portfólio

Recursos

O GitHub também oferece vários outros recursos tão importantes quanto mostrar um portfólio. Vale conhecer cada um para incorporá-los aos seus projetos de ciência de dados. 

• Open source: o GitHub fornece um ecossistema completo para projetos abertos. Você pode patrocinar mantenedores, contribuir com um projeto, usar ferramentas open source no seu código e divulgar seu trabalho. 
• Colaboração em comunidade: o GitHub se tornou um espaço de comunidade onde se discutem issues, pedidos de features, contribuições de código e documentação. 
• Explore: a aba GitHub Explore ajuda você a descobrir projetos, ferramentas em alta e eventos de desenvolvedores. 
• GitHub Gists: compartilhe trechos de código ou incorpore-os em blogs e sites. 
• GitHub CLI: permite realizar pull/merge requests, revisar código, checar issues e acompanhar o progresso direto pela linha de comando. 
• Armazenamento gratuito: repositórios privados e públicos ilimitados.
• Hospedagem web: você pode publicar seu site de portfólio ou documentação. O GitHub Pages facilita criar e colocar um site no ar. 
• Codespaces: um ambiente de desenvolvimento em nuvem integrado ao seu repositório no GitHub. 
• Projects: uma ferramenta personalizável e flexível para planejar e acompanhar o trabalho no GitHub.
• Automação: o GitHub Actions automatiza o fluxo de desenvolvimento, como build, testes, publicação, release e deploy.
• Sponsor: apoie seu projeto ou desenvolvedor favorito com uma contribuição mensal ou única. Também é possível usar plataformas de pagamento de terceiros, como ko-fi. 

Comandos básicos

Antes de partir para o gerenciamento de projetos de ciência de dados, vamos ver os comandos do Git que você mais vai usar no dia a dia. Eles incluem inicializar o repositório, salvar mudanças, checar logs, enviar alterações para o servidor remoto e fazer merges. 

• git init cria um repositório Git no diretório local.

• git clone <endereço-do-repo-remoto>: copia todo o repositório de um servidor remoto para o diretório local. Também pode copiar repositórios locais.

• git add <arquivo.txt>: adiciona um arquivo, múltiplos arquivos ou pastas à área de staging.

• git commit –m “Mensagem”: cria um snapshot das mudanças e o salva no repositório. 

• git config usado para definir configurações do usuário, como email, nome de usuário e formatação de arquivos. 

• git status mostra a lista de arquivos alterados ou que ainda não foram levados para staging e commit.  

• git push <nome-do-remoto> <nome-da-branch>: envia commits locais para a branch remota do repositório.  

• git checkout -b <nome-da-branch>: cria uma nova branch e muda para ela.

• git remote –v: lista todos os repositórios remotos.

• git remote add <nome-do-remoto> <host-ou-URL-remota>: adiciona um servidor remoto ao repositório local. 

• git branch –d <nome-da-branch>: exclui a branch.

• git pull merge commits de um repositório remoto no diretório local. 

• git merge <nome-da-branch>: depois de resolver conflitos, mescla a branch selecionada com a branch atual.

• git log mostra a lista detalhada de commits da branch atual.

Desenvolvimento completo com GitHub

Se quiser aprender mais comandos, confira nosso cheat sheet de Git. 

Primeiros passos

Nesta seção, vamos usar o Git para versionar um projeto de ciência de dados e o GitHub como servidor remoto. Vamos aprender a instalar o Git, criar e clonar um repositório do GitHub, executar experimentos de machine learning e enviar mudanças (notebook, modelo, dados) para o GitHub usando o Windows PowerShell 7.  

Instalando o Git

O Git funciona em todos os sistemas operacionais. Você pode instalá-lo pela linha de comando ou baixando e executando o instalador. 

Linux

Em sistemas Debian/Ubuntu use `apt-get install git`; se estiver em outra distribuição Linux, veja a lista completa de comandos de instalação aqui.

macOS

Se você tiver o homebrew instalado, use este comando para baixar e instalar o Git: `brew install git`. Você também pode baixar o instalador binário e executar o setup.

Windows

Instalar o Git no Windows é simples. Vá até a página de download, clique na sua versão do Windows e baixe e instale. Se você usa a ferramenta winget, pode instalar digitando winget install --id Git.Git -e --source winget no PowerShell. 

Depois de instalar o Git, configure seu nome de usuário e email. Essas informações assinam seus commits. 

git config --global user.name "your-user-name"
git config --global user.email "your@email.com"

Para mais detalhes sobre como instalar o Git, clique aqui. 

Inicializando o projeto

Se você tem uma conta no GitHub, clique no botão + e selecione novo repositório. Depois, digite o nome e adicione uma descrição simples. Isso criará um repositório público vazio. 

Criando o projeto

Há várias maneiras de clonar repositórios remotos para o diretório local, e o GitHub fornece um guia detalhado sobre como clonar, adicionar o remoto e inicializar um projeto Git.  

Clone no GitHub

Podemos simplesmente clonar o repositório fornecendo o link HTTPS. Certifique-se de estar no diretório de trabalho, usando o Prompt de Comando ou o PowerShell. 

git clone https://github.com/kingabzpro/DataCamp-Git.git

>>> Clonando em 'DataCamp-Git'...
>>> warning: Parece que você clonou um repositório vazio.

cd .\DataCamp-Git\

OU

Crie um novo diretório chamado “DataCamp-Git” e inicialize o Git com um comando simples. Depois, adicione a conexão com o repositório remoto para poder sincronizar seu trabalho com o GitHub.

mkdir DataCamp-Git
cd .\DataCamp-Git
git init

>>> Repositório Git vazio inicializado em C:/Repository/GitHub/DataCamp-Git/.git/

git remote add origin https://github.com/kingabzpro/DataCamp-Git.git

OU

Se você já tem um projeto em um diretório, apenas inicialize o Git com `git init` e adicione o remoto do GitHub, como mostrado acima. 

Commit simples

Antes de adicionar arquivos ao repositório, confirme que você está no diretório local correto. 

Vamos começar criando um README com o título DataCamp-Git. Em seguida, vamos adicioná-lo à área de staging com `git add`. 

echo "# DataCamp-Git" >> README.md
git add README.md

O git status mostra que estamos na branch main e que o arquivo `README.md` está em staging e pronto para commit.  

git status

>>> On branch main
>>> No commits yet
>>> Changes to be committed:
  (use "git rm --cached <file>..." to unstage)
        new file:   README.md

Para criar nosso primeiro commit, vamos usar `git commit` com uma mensagem. Como dá para ver, o primeiro commit foi adicionado sob o hash ed9c886.

git commit -m "first commit"

>>> [main (root-commit) ed9c886] first commit
>>> 1 file changed, 1 insertion(+)
>>> create mode 100644 README.md

Adicionando arquivos do projeto

Vamos usar o workspace da DataCamp MasterCard Stock Price with LSTM and GRU e baixar os arquivos. O autor já pré-processou os dados e treinou séries temporais com modelos LSTM e GRU. Saiba mais lendo o tutorial de redes neurais recorrentes (RNN).

Para salvar o arquivo do modelo, adicionamos uma nova célula de código no notebook Jupyter do projeto. O script cria um diretório “model” e salva os modelos LSTM e GRU. 

!mkdir -p model
model_lstm.save('model/LSTM')
model_gru.save('model/GRU')

Como vemos, o repositório Git tem uma pasta data com arquivos CSV e a pasta model com os pesos e metadados dos modelos. 

Agora vamos colocar todos os arquivos em staging. Você pode adicionar qualquer diretório, arquivo ou dado depois do comando inicial. 

git add .\data .\model LSTM_GRU.ipynb RNN.png

OU

Se quiser adicionar tudo à área de staging, use o ponto. 

git add .

Commit e push

Vamos fazer commit de todas as mudanças com uma mensagem simples; a saída mostra todos os novos arquivos em create mode. 

git commit -m "project files added"

>>> [main aa3e19a] project files added
>>>  10 files changed, 5020 insertions(+)
>>>  create mode 100644 LSTM_GRU.ipynb
>>>  create mode 100644 RNN.png
>>>  create mode 100644 data/Mastercard_stock_history.csv
>>>  create mode 100644 data/Mastercard_stock_info.csv
>>>  create mode 100644 model/GRU/saved_model.pb
>>>  create mode 100644 model/GRU/variables/variables.data-00000-of-00001
>>>  create mode 100644 model/GRU/variables/variables.index
>>>  create mode 100644 model/LSTM/saved_model.pb
>>>  create mode 100644 model/LSTM/variables/variables.data-00000-of-00001
create mode 100644 model/LSTM/variables/variables.index

Para sincronizar com o repositório remoto no GitHub é preciso informar o nome do remoto e o nome da branch `git push <nome-do-remoto> <nome-da-branch>`. Se você só tem um remoto e uma branch, apenas `git push` funciona.  

Após o `git push`, uma janela pop-up vai pedir suas credenciais: informe seu usuário e senha do GitHub. Você também pode gerar tokens de acesso pessoal e usá-los no lugar da senha. Saiba mais no tutorial de Git Push e Pull.

git push

>>> Enumerating objects: 21, done.
>>> Counting objects: 100% (21/21), done.
>>> Delta compression using up to 4 threads
>>> Compressing objects: 100% (19/19), done.
>>> Writing objects: 100% (21/21), 1.83 MiB | 1.59 MiB/s, done.
>>> Total 21 (delta 2), reused 0 (delta 0), pack-reused 0
>>> remote: Resolving deltas: 100% (2/2), done.
>>> To https://github.com/kingabzpro/DataCamp-Git.git
>>>  * [new branch]      main -> main

Vamos conferir nosso repositório no GitHub kingabzpro/DataCamp-Git para ver se as mudanças foram enviadas com sucesso. O repositório contém todos os arquivos, dados e modelos.

Push para o GitHub

Branches no Git

É recomendável trabalhar com branches: por exemplo, se você vai tratar da documentação, crie uma branch de documentação usando git checkout ou git branch. Faça as mudanças no README e, quando finalizar, faça o merge da branch com a base. 

No nosso caso, criamos e mudamos para uma nova branch chamada readme.

git checkout -b readme

Vamos editar o README adicionando a descrição do projeto e links para o workspace e o tutorial de RNN na DataCamp. Depois, vamos colocar as mudanças em staging e salvar o snapshot com uma mensagem.

git add README.md
git commit -m "project description and links to blog"

>>> [readme f3b8b9b] project description and links to blog
>>>  1 file changed, 8 insertions(+)

O repositório remoto não tem a branch readme. Para criar a branch e enviar as mudanças, usaremos “readme:readme”. A saída mostra que as branches foram criadas e que as branches `readme` local e remota estão sincronizadas. 

git push origin readme:readme
>>> remote: Resolving deltas: 100% (1/1), completed with 1 local object.
>>> remote: Create a pull request for 'readme' on GitHub by visiting:
>>> remote:  https://github.com/kingabzpro/DataCamp-Git/pull/new/readme
>>> remote:
To https://github.com/kingabzpro/DataCamp-Git.git
>>>  * [new branch]      readme -> readme

Você pode ver que enviamos com sucesso a branch local para o GitHub com a versão modificada do arquivo README.md. 

Branch readme no GitHub

Pull request

Esse fluxo é comum em organizações. Por exemplo, uma pessoa desenvolvedora trabalhou em uma nova feature e quer mesclar as mudanças na branch principal remota. Vamos criar um pull request usando a interface do GitHub clicando em Pull request. Depois, selecione a branch readme que queremos mesclar com a base (main). Escreva uma explicação detalhando as mudanças e clique no botão para abrir o pull request. 

Pull request da branch readme para a main

O mantenedor do repositório vai comparar suas mudanças e mesclá-las quando passarem por todos os testes. No nosso caso, você é o mantenedor, então clique em merge para integrar as mudanças à branch principal. 

Merge do pull request no GitHub

Parabéns! Criamos o pull request e fizemos o merge com a branch principal. Você pode ver as mudanças na branch main aqui. 

Se quiser ver todas as mudanças no seu repositório, digite `git log` e ele mostrará o histórico do projeto. Registrar mudanças em projetos de ciência de dados é importante, e o Git ajuda a rastrear tudo, inclusive grandes datasets. 

Histórico de logs do Git

Considerações finais

Práticas de GitOps são fundamentais no desenvolvimento de aplicações de dados. Tornaram-se uma habilidade essencial para todos os tipos de vagas em TI, e até pesquisadores acadêmicos as utilizam para compartilhar código experimental com um público mais amplo. Já o GitHub tem um papel enorme na promoção de projetos open source ao oferecer um ecossistema de desenvolvimento gratuito para todos. 

Neste tutorial, aprendemos sobre Git e GitHub e por que eles são importantes para projetos de ciência de dados. Você também viu comandos básicos do Git e teve uma experiência prática de como versionar mudanças em dados, modelos e código. Se quiser se aprofundar em Git, faça o curso Introduction to Git na DataCamp. Você também pode conhecer a importância da certificação GitHub Foundations e como ela pode impulsionar sua carreira.