Anaconda、Jupyter及kernel

来自神秘人的投稿！

以下内容来源于官方视频说明：Anaconda Distribution versus Miniconda和其他整理与添加。

一、基础信息了解

1. 什么是Anaconda

        Anaconda Distribution：形象的比喻——一台笔记本电脑，一切都组装好了，拥有我们所需要的一切配件，直接上手就能使用。官方推荐新手使用Anaconda Distribution。原因：这个程序里面直接较多的常用包。

        Anaconda Distribution包含有以下这些东西：

        Conda：the command line package manager，命令行包管理器

        Anaconda Navigator: the desktop graphical user interface for launching applications and managing packages, environments, and channels，一个桌面的GUI，用于启动应用程序已经管理各类包、环境和通道。

        Packages：超过350个用于数据科学和机器学习的精选包

        Python：支持最新版本的python

2. Miniconda

        Miniconda更像是一个从头开始组装的电脑，可以精确优化个人体验，但需要更多的经验才能让它正常使用

        Miniconda仅包括一个Conda，其中有Anaconda Navigator和Python，并不包含各类数据包，因此，安装包体积要比Anaconda小很多。

二、安装Anaconda

在 Windows 上安装 — Anaconda 文档

安装Anaconda：

1. 可视化图形安装：Anaconda | The World's Most Popular Data Science Platform, download
2. 安装完成之后，打开Anaconda promote应用程序，在里面可以看到（base）开头的命令行，（base）的意思是我们现在在基环境中，base环境相当于是其他环境的模板，因此，强烈建议创建自己的环境，这样的话，如果自己的环境出现了问题，我们可以直接把出问题的环境删除再新创建一个环境。但如果base环境出了问题，那就必须要卸载并重新安装Anaconda
3. 验证安装：
   输入conda list，可以看到所有的安装包
4. 遇到问题：
   可以参考官方文档Troubleshooting — Anaconda documentation

三、Modules, Packages, and Libraries

        能够让我们重用代码，提高效率

        Modules：一起保存在一个文件中的相关代码

        Packages：Modules的集合

        Libraries：

        常用的数据分析工具：pandas, NumPy, and SciPy(sai pai), let you read and write a wide variety of data, perform numerical integration, interpolation让您读取和写入各种各样的数据，执行数值积分，插值

        Machine Learning Tools：TensorFlow, Scikit-learn, PyTorch, Keras，这些用来做分类、回归、聚类、预测分析、构建以及训练深度学习模型

        数据可视化方面(Data Visualization Tools):Matplotlib, bokeh, plotly, and streamlit，可以让我们进行一些交互式的可视化

        安装和使用：看conda workflow video.

四、安装和使用

1. 创建环境
2. 激活环境
3. 安装相关的包
4. 启动jupyterlab
5. 停用环境

1. 具体步骤

验证是否安装Anaconda，conda –version

查看当前的conda环境Conda env list

从不要再base环境下工作

创建新环境：conda create --name example

使用特定的包创建环境 conda create --name example python=3.9

创建完成环境之后，需要进行激活：conda activate example

激活后就进入到了example环境

查看当前环境下的包: conda list

一个命令安装（单个/多个）包Conda install jupyterlab dask pandas hvplot

        如果默认的conda channel一些包找不到，可以在anaconda.org上搜索，如conda-forge这样的强大channel，其托管了许多格外的包。如果要从conda-forge中安装包，仅需要在命令中添加-c，指定channel名称：conda install -c conda-forge condastats

2. 登录并运行jupyter-lab

输入：jupyter-lab，就能登录了

结束：在命令行中，键入ctrl+c

3. 使用另一个环境

在使用另一个环境之前，需要先停用环境

停用指令：conda deactivate

4. 删除环境

conda remove -n example --all

五、 集成开发环境IDE

IDE通常包括以下这些三部分：

1. 文本编辑器 Text editor
2. 集成构建工具 Integrated build tools:用于编译语言，如c，c++，pyhton
3. 继承调试器 Integrated debugger

推荐vs code和pycharm

Jupyter为两者提供了更老的jupytet notebooks

IDLE

六、Jupyter Notebook and JupyterLab 区别

1. 什么是Jupyter

        Jupyter是一个开源项目，旨在支持交互式数据科学，其提供了一个给予web的可处理代码、数据和文本的笔记本。

2. 启动

        在当前目录，执行jupyter notebook即可打开本目录的jupyter

        重命名：File-rename

        显示行号：view-toggle line numbers

        如果一个单元执行过的话，在最前面的In[ ]中，会有数字如下图：

        “运行/执行”快捷键：shift+enter

        Markdown cell写完之后，也可以使用shift+enter完成

3. kernel

        在虚拟环境下创建kernel文件：conda install -n 环境名称 ipykernel

        将环境写入notebook的kernel中：

        python -m ipykernel install --user --name 环境名称 --display-name "你想为kernel添加的名称"

        在jupyter中运行虚幻环境：python -m ipykernel install --user --name= kernel_name  从而，在jupyter中可以使用kernel_name内核

 4. 添加、删除和查看kernel

        添加：

        删除内核：jupyter kernelspec remove kernel_name

        查看kernel列表：jupyter kernelspec list

        Kernel的作用：

        在 Jupyter Notebook 中，你可以使用不同的 kernel 来执行不同的编程语言，比如 Python、R、Julia 等。创建不同的 kernel 主要有以下几个原因：

1. 支持不同的编程语言：不同的 kernel 支持不同的编程语言，你可以通过选择不同的 kernel 来执行不同的编程语言，从而让 Jupyter Notebook 支持更多的编程语言。
2. 支持不同的环境：不同的 kernel 可以使用不同的虚拟环境或者 conda 环境，从而使得 Jupyter Notebook 可以在不同的环境下运行不同的代码。比如，你可以使用一个 Python 2 的 kernel 来运行 Python 2 的代码，使用一个 Python 3 的 kernel 来运行 Python 3 的代码。
3. 隔离代码执行环境：使用不同的 kernel 可以隔离不同的代码执行环境，避免不同的代码之间产生干扰或者冲突。比如，你可以使用一个 Python 2 的 kernel 来运行一个项目的旧版本代码，使用一个 Python 3 的 kernel 来运行新版本代码，从而避免两个版本之间的冲突。
4. 提供不同的选项和配置：不同的 kernel 可能提供不同的选项和配置，你可以根据需要选择不同的 kernel 来获得更好的用户体验。

七、虚拟环境分享

        在base环境下或者其他环境下，都可以

        打包虚拟环境conda env export > envname.yml，该文件会保存在本地，对应环境下（虚拟环境命名要有意义，比如说明任务及python版本）

        执行虚拟环境：conda env create -f envname.yml -n new_env_name