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。
$ 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
$ 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。
$ 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
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。
├── 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、
$ 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。
$ 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。
$ conda install phython-dotenv
# PROJECT_ROOT/.env
TWITTER_AUTH_TOKEN=xxx
使い方は、下記のような感じ。
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。