1. Install anaconda / conda
condaによるポータブルなPython環境構築のすすめを参考にすると、(ana)condaが最近の主流とのこと。
下記にアクセスし、各OSのパッケージをダウンロードしてインストール。3系を使います。
https://www.continuum.io/downloads
あとでLinux上で動かす予定なので、なるべく依存関係を作りたくないので、pyenvの導入はしないことにしました。
2. Create virtualenv
Rubyのbundler相当なのが、virtualenvらしいので、仮想環境を作り、その環境に入る。
|
1 2 3 |
$ conda create -n kagamibot $ conda env list $ source activate kagamibot # deactivate で出る |
3. Install packages
基本、conda installでパッケージを入れていくだが、パッケージがないことも多く、そんなときは、conda-forgeを入れるようになるので、最初から追加しておく
|
1 2 |
$ conda config --add channels conda-forge |
とはいえ、virtualenv変更後はpipでも良いので、 conda installでなかったら、pip installみたいな感じ。
|
1 2 3 |
$ conda install xxx $ pip install xxx |
virtualenvでのパッケージはcondaで管理できるので、新しいプロジェクトをコピーするときは、下記のようにexport/importする
|
1 |
conda env export > myenv.yaml # conda env create --file myenv.yaml |
(参考）http://qiita.com/Hironsan/items/4479bdb13458249347a1
4. Create Project
調べてみるとプロジェクトのディレクトリ構造の自由度が高い。
つまり、人々が各々ディレクトリを作ったり、ファイルを作ったりしている。それがフレームワークを使ってる私みたいな人には、非常に気持ちが悪い。
プロジェクトの雛形が欲しいので、調べるとcookiecutterというのがあるのでそれを使う。
今回はデータサイエンス用のテンプレを使用しているが、テンプレートはpythonだけでなく多言語のもある。
詳しくは、githubのcookiecutterを参照してほしいが、
下記のようなboilerplateができるので自分で考えなくてよいのは非常によい。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 |
├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├── README.md <- The top-level README for developers using this project. ├── data │ ├── external <- Data from third party sources. │ ├── interim <- Intermediate data that has been transformed. │ ├── processed <- The final, canonical data sets for modeling. │ └── raw <- The original, immutable data dump. │ ├── docs <- A default Sphinx project; see sphinx-doc.org for details │ ├── models <- Trained and serialized models, model predictions, or model summaries │ ├── notebooks <- Jupyter notebooks. Naming convention is a number (for ordering), │ the creator's initials, and a short `-` delimited description, e.g. │ `1.0-jqp-initial-data-exploration`. │ ├── references <- Data dictionaries, manuals, and all other explanatory materials. │ ├── reports <- Generated analysis as HTML, PDF, LaTeX, etc. │ └── figures <- Generated graphics and figures to be used in reporting │ ├── requirements.txt <- The requirements file for reproducing the analysis environment, e.g. │ generated with `pip freeze > requirements.txt` │ ├── src <- Source code for use in this project. │ ├── __init__.py <- Makes src a Python module │ │ │ ├── data <- Scripts to download or generate data │ │ └── make_dataset.py │ │ │ ├── features <- Scripts to turn raw data into features for modeling │ │ └── build_features.py │ │ │ ├── models <- Scripts to train models and then use trained models to make │ │ │ predictions │ │ ├── predict_model.py │ │ └── train_model.py │ │ │ └── visualization <- Scripts to create exploratory and results oriented visualizations │ └── visualize.py │ └── tox.ini <- tox file with settings for running tox; see tox.testrun.org |
作成方法は、
|
1 2 3 4 |
$ conda install cookiecutter $ cookiecutter https://github.com/drivendata/cookiecutter-data-science # インタラクティブに質問に答えるかたちでプロジェクト作成 |
プロジェクト名のディレクトリが作成されるので、そこに入り、パッケージをインストール。
|
1 2 3 4 |
$ cd kagamibot # pipのインストール用のrequirements.txtをcondaでインストールする。 $ cat requirements.txt | while read package; do conda install $package; done |
5. python-dotenv
Githubに載せたくないAPIのキーなどを管理する
cookiecutterのテンプレートにあるのに、requirements.txtにないのでインストール。
|
1 2 3 4 5 |
$ conda install phython-dotenv # PROJECT_ROOT/.env TWITTER_AUTH_TOKEN=xxx |
使い方は、下記のような感じ。
|
1 2 3 4 5 6 7 8 9 10 11 |
import os from dotenv import load_dotenv, find_dotenv # find .env automagically by walking up directories until it's found dotenv_path = find_dotenv() # load up the entries as environment variables load_dotenv(dotenv_path) twitter_auth_token = os.environ.get("TWITTER_AUTH_TOKEN") |
以上が、色々なページを参考にして構築した環境です。
こういうのって時間がかかるので、参考になれば幸いです。