Configure um ambiente de data science no seu computador

Depois de aprender em uma plataforma interativa de ensino como a Datacamp, o próximo passo é levar o que você aprendeu em Python, R, Git ou Unix Shell para o seu computador. Nem sempre é simples saber o que instalar para cada projeto que você tem em mente. Este tutorial explica quais pacotes e quais softwares você precisa instalar para começar com essas tecnologias. Então, vamos lá!

Python

Para usar Python no seu computador, primeiro é preciso instalá-lo. Existem várias distribuições de Python, mas, para data science, a distribuição Anaconda é a mais popular.

Vantagens do Anaconda

O Anaconda é um gerenciador de pacotes, um gerenciador de ambientes e uma distribuição de Python que reúne muitos pacotes open source. Uma instalação do Anaconda já vem com pacotes como numpy, scikit-learn, scipy e pandas pré-instalados e também é a forma recomendada de instalar os Jupyter Notebooks. A imagem abaixo mostra um Jupyter Notebook em ação. Jupyter Notebooks reúnem código e elementos de texto enriquecido, como figuras, links e equações. Você pode saber mais sobre Jupyter Notebooks aqui.

Outras vantagens do Anaconda incluem:

• Se você precisar de pacotes adicionais após instalar o Anaconda, pode usar o gerenciador de pacotes conda ou o pip para instalá-los. Isso é ótimo porque você não precisa gerenciar manualmente as dependências entre vários pacotes. O conda ainda facilita alternar entre Python 2 e 3 (saiba mais aqui).

• O Anaconda vem com o Spyder, um ambiente de desenvolvimento integrado (IDE) para Python. Um IDE é uma ferramenta que permite escrever, testar e depurar seu código, oferecendo recursos como autocompletar, realce de sintaxe, gerenciamento de recursos e ferramentas de debug, entre outros. Também é possível integrar o Anaconda a outros IDEs de Python, como PyCharm e Atom. Saiba mais sobre diferentes IDEs de Python aqui.

Como instalar o Anaconda (Python)

Veja abaixo alguns guias de instalação do Anaconda para o seu sistema operacional.

Instalar o Anaconda no Mac

Instalar o Anaconda no Windows

Linguagem R

Geralmente as pessoas instalam o RStudio junto com a linguagem R. O ambiente de desenvolvimento integrado (IDE) RStudio é considerado a forma mais simples e eficiente de trabalhar com a linguagem R.

Vantagens do RStudio

Ao instalar a linguagem R, você obtém um conjunto de funções e objetos da linguagem e um interpretador R para construir e executar comandos. O RStudio fornece um ambiente de desenvolvimento integrado que funciona lado a lado com o interpretador R.

Quando você abre o RStudio, aparece uma tela como a acima. Alguns recursos distribuídos nos quatro painéis do RStudio são: (A) editor de texto; (B) visão geral do ambiente de trabalho; (C) console do R; (D) janela de ajuda e gerenciamento de pacotes. Com tudo isso, o RStudio acaba sendo tudo o que você precisa depois de instalar o R.

Como instalar R e RStudio

Confira abaixo alguns guias para instalar o R e o RStudio no seu sistema operacional.

Instalar R e RStudio no Mac

Instalar R e RStudio no Windows

Unix Shell

Navegar por diretórios, copiar arquivos, usar máquinas virtuais e muito mais faz parte do dia a dia de quem trabalha com dados. Com frequência, o Unix Shell é usado para essas tarefas.

Alguns usos do Unix Shell

1 - Muitas plataformas de computação em nuvem são baseadas em Linux (um tipo de Unix Shell). Por exemplo, se você quiser configurar um ambiente de data science no Google Cloud ou fazer deep learning com Jupyter Notebooks na nuvem (AWS EC2), vai precisar de algum conhecimento de Unix Shell. Às vezes pode ser útil uma máquina virtual Windows, mas é menos comum.

2 - O Unix Shell oferece vários comandos úteis, como: wc, que conta linhas ou palavras em um arquivo; cat, que concatena/mescla arquivos; head e tail, que ajudam a trabalhar com arquivos grandes. Saiba mais em 8 comandos de Shell úteis para Data Science. E confira também o curso da DataCamp Data processing in Shell.

3 - Você vai ver o Unix Shell integrado a outras tecnologias ao longo deste artigo.

Integração com outras tecnologias

É comum encontrar comandos de Unix Shell integrados a outras ferramentas. Por exemplo, é normal ver comandos de shell em Jupyter Notebooks junto com código Python. No Jupyter Notebook, você acessa comandos de shell usando um !. No código abaixo, o resultado do comando ls (que lista todos os arquivos no diretório atual) é atribuído à variável Python myfiles.

myfiles = !ls

A imagem abaixo mostra código Python integrado a um fluxo de trabalho para combinar vários conjuntos de dados. Note o comando de Unix Shell (em destaque no retângulo vermelho) dentro do Jupyter Notebook.

Lembre-se de que o código na imagem acima não é a única forma de executar a tarefa — é apenas um exemplo simples de como o Unix pode aparecer. Se você quer aprender a usar Unix para Data Science, a Datacamp tem um curso gratuito Introduction to Shell for Data Science que eu recomendo muito. É uma habilidade que muitos aspirantes a cientista de dados deixam de lado, mas é essencial no trabalho.

Unix Shell no Mac

O Mac já vem com um Unix Shell, então normalmente você não precisa instalar nada! Um ponto importante é que existem várias variantes de Unix com comandos diferentes. Às vezes, você pode não ter um comando (como wget) que existe em outro sistema Unix. Assim como RStudio e Anaconda têm gerenciadores de pacotes, o Mac pode usar um gerenciador chamado Homebrew, se você instalá-lo. O link abaixo explica como instalar e usar o Homebrew.

Como instalar e usar o Homebrew

Comandos de Unix Shell no Windows

O Windows não vem com um Unix Shell. Lembre que o Unix Shell oferece comandos úteis para Data Science. Existem várias formas de ter esses comandos no Windows. Você pode instalar o Git no Windows com as ferramentas Unix opcionais para usar comandos Unix no Prompt de Comando. Alternativamente, você pode instalar o Gnu on Windows (GOW) (10 MB), o Cygwin (mínimo de 100 MB), entre outras opções.

Git

Git é o sistema de controle de versão mais usado. Um sistema de controle de versão registra as mudanças em um arquivo ou conjunto de arquivos ao longo do tempo para que você possa recuperar versões específicas depois. O Git é fundamental porque facilita o trabalho em equipe e está presente em muitos ambientes de trabalho. Alguns benefícios de aprender Git incluem:

• Nada que esteja sob controle de versão com Git se perde — você sempre pode voltar a versões anteriores dos seus programas.

• O Git avisa quando seu trabalho conflita com o de outra pessoa, então fica mais difícil (mas não impossível) sobrescrever algo por engano.

• O Git sincroniza o trabalho feito por pessoas diferentes em máquinas diferentes, acompanhando o crescimento do seu time.

• Saber Git facilita contribuir com o desenvolvimento open source de pacotes em R e Python.

Integração com outras tecnologias

Uma das coisas legais do Git é que ele se integra a várias ferramentas. Como mencionei, o IDE RStudio é amplamente considerado a melhor forma de trabalhar com R. O RStudio oferece suporte a controle de versão e muitos IDEs de Python (saiba mais aqui) também oferecem suporte a controle de versão.

Se você quer aprender a usar Git para Data Science, a DataCamp tem um curso gratuito Introduction to Git for Data Science que eu recomendo muito.

Como instalar o Git

Veja abaixo alguns guias para instalar o Git no seu sistema operacional.

Instalar Git no Mac

Instalar Git no Windows

Conclusão

Este tutorial mostra como configurar um ambiente local de data science no seu computador. Um ponto importante é que essas tecnologias podem — e geralmente são — usadas em conjunto. Se tiver dúvidas ou comentários sobre o tutorial, fique à vontade para escrever abaixo ou no Twitter. E confira também meus outros tutoriais de instalação no meu Github ou no meu blog no Medium.