[PYTHON] Umgebungskonstruktion (Windows 10) für 100 Schläge Data Science (strukturierte Datenverarbeitung)

Einführung

Die Data Scientist Association hat ** "Data Science 100 Knock (Strukturierte Datenverarbeitung)" ** veröffentlicht, eine kostenlose Lernumgebung, in der Sie praktisch die Verarbeitung strukturierter Daten [auf GitHub] lernen können (https: / /github.com/The-Japan-DataScientist-Society/100knocks-preprocess). Dieser Artikel beschreibt die Details des Einführungsverfahrens, damit auch Anfänger eine kostenlose Lernumgebung erstellen können. (Die zu erstellende Ausführungsumgebung ist in der folgenden Abbildung dargestellt.) dss_structure.png

Voraussetzungen (Windows10)

  1. Docker Desktop for Windows
  1. Git for Windows
> git config --global core.autocrlf input

Umgebung

Erstellen Sie ein Verzeichnis für die Lernumgebung (diesmal dss) und klonen Sie ein 100-Knock-Repository. Wechseln Sie dann in das 100-Knock-Verzeichnis und erstellen Sie mit dem Befehl docker-compose einen Container. (Es dauert ungefähr 10 Minuten.)

> mkdir dss
> cd dss
> git clone https://github.com/The-Japan-DataScientist-Society/100knocks-preprocess.git
> cd 100knocks-preprocess
> docker-compose up -d --build

Wenn Sie die gestarteten Container und die Ausgabe von ** "dss-notebook" ** und ** "dss-postgres" ** überprüfen können, ist die Umgebungskonstruktion erfolgreich.

> docker ps

CONTAINER ID        IMAGE               COMMAND                  CREATED             STATUS              PORTS                    NAMES
b35f99d4148a        dss-notebook        "tini -g -- start-no…"   23 seconds ago      Up 22 seconds       0.0.0.0:8888->8888/tcp   dss-notebook
3cb559c7f66d        dss-postgres        "docker-entrypoint.s…"   27 seconds ago      Up 26 seconds       0.0.0.0:5432->5432/tcp   dss-postgres

Wie benutzt man

Sie können auf die erstellte Jupyter-Umgebung zugreifen, indem Sie mit einem Browser auf die folgende URL zugreifen.

http://localhost:8888

Unter dem Verzeichnis work befindet sich eine .ipynb-Datei für Übungen zur strukturierten Datenverarbeitung. ** Der Import der erforderlichen Bibliothek und die Datenerfassung vor der Verarbeitung sind bereits in der ersten Zelle beschrieben. ** **. Geben Sie den für die Übung geeigneten Prozess in die leere Zelle ein und führen Sie ihn aus, um mit dem Lernen fortzufahren. dss_jupyter_work.png Die Antwort auf die Übung ist eine .ipynb-Datei im Verzeichnis work / answer. Daher können Sie arbeiten, während Sie die Richtigkeit der in der Übungsdatei beantworteten Verarbeitung überprüfen. dss_jupyter_answer.png

Lernumgebung stoppen / starten

Sie können die erstellte Umgebung mit dem folgenden Befehl stoppen.

> docker-compose stop

Wenn Sie es nach dem zweiten Mal starten möchten, können Sie es auch mit dem folgenden Befehl starten.

> docker-compose start

Zusatzinformationen

Wenn die Reaktion der erstellten Umgebung langsam ist

Ändern Sie den Speicherwert von Ressourcen in den Einstellungen von Docker Desktop für Windows. Die Empfehlung lautet 4,00 GB oder mehr. docker_settings_resources.png

Wenn Port 8888 verwendet wird

Wenn Sie den 8888-Port des lokalen Hosts in einer anderen Entwicklungsumgebung (LAMP usw.) verwenden, können Sie dies tun, indem Sie docker-compose.yml wie folgt ändern (den Wert der Ports in Notebook ändern).

docker-compose.yml


  notebook:
    ports:
      - "888:8888"

Im obigen Fall ist es unter der folgenden URL zugänglich.

http://localhost:888

Zusammenfassung

Beschrieb das Umgebungskonstruktionsverfahren für 100 Datenwissenschaftler (strukturierte Datenverarbeitung) in der Windows 10-Umgebung. Wenn Sie Fragen oder Bedenken bezüglich des oben genannten Verfahrens haben, würden wir uns freuen, wenn Sie dies kommentieren könnten.

Referenzlink

Leitfaden zu 100 Schlägen in der Datenwissenschaft

Recommended Posts

Umgebungskonstruktion (Windows 10) für 100 Schläge Data Science (strukturierte Datenverarbeitung)
"Data Science 100 Knock (Strukturierte Datenverarbeitung)" Python-007 Erläuterung
"Data Science 100 Knock (Strukturierte Datenverarbeitung)" Python-006 Erläuterung
"Data Science 100 Knock (Strukturierte Datenverarbeitung)" Python-001 Erläuterung
"Data Science 100 Knock (Strukturierte Datenverarbeitung)" Python-002 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 021 Erläuterung
"Data Science 100 Knock (Strukturierte Datenverarbeitung)" Python-005 Erläuterung
"Data Science 100 Knock (Strukturierte Datenverarbeitung)" Python-004 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 020 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 025 Erläuterung
"Data Science 100 Knock (Strukturierte Datenverarbeitung)" Python-003 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 019 Erläuterung
Vorbereitung zum Versuch "Data Science 100 Knock (Strukturierte Datenverarbeitung)"
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 001-010 Impressionen + Zusammenfassung der Kommentare
Deshalb habe ich Pandas verlassen [Data Science 100 Knock (Strukturierte Datenverarbeitung) # 2]
Deshalb habe ich Pandas verlassen [Data Science 100 Knock (Strukturierte Datenverarbeitung) # 1]
Deshalb habe ich Pandas verlassen [Data Science 100 Knock (Strukturierte Datenverarbeitung) # 3]
Deshalb habe ich Pandas verlassen [Data Science 100 Knock (Strukturierte Datenverarbeitung) # 5]
Deshalb habe ich Pandas verlassen [Data Science 100 Knock (Strukturierte Datenverarbeitung) # 6]
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 018 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 023 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 030 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 022 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 017 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 026 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 016 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 024 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 027 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 029 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 015 Erläuterung
[Python] 100 Schläge auf Data Science (strukturierte Datenverarbeitung) 028 Erläuterung
Data Science 100 Klopfkommentar (P021 ~ 040)
Data Science 100 Klopfkommentar (P061 ~ 080)
Data Science 100 Klopfkommentar (P041 ~ 060)
Aufbau einer Python-Umgebung (Windows 10 + Emacs)
Data Science 100 Klopfkommentar (P081 ~ 100)
Erstellen einer Python-Umgebung unter Windows 7
[Tensorflow] Aufbau der Tensorflow-Umgebung unter Windows 10
Aufbau einer Anaconda-Python-Umgebung unter Windows 10
[Python3] Aufbau der Entwicklungsumgebung << Windows Edition >>
Ml-Agents Release 6 (0.19.0) Zusammenfassung der Umgebungskonstruktion [Windows]
100 Sprachverarbeitung Knock-91: Vorbereitung von Analogiedaten
Konstruktionsverfahren für die Python-Projektumgebung (für Windows)
Aufbau einer VScode-Umgebung (Windows 10, Python, C ++, C, Git)
Erstellen Sie schnell eine Python-Umgebung für Deep Learning / Data Science (Windows)
[Windows 10] Aufbau einer "Deep Learning from Scratch" -Umgebung
Erstellen einer Python-Entwicklungsumgebung für Windows + gVim + Poetry
Einfache Erstellung einer Python-Datenanalyseumgebung mit Windows 10 Pro x VS Code x Docker
Aufbau einer Python-Umgebung (Anaconda + VSCode) @ Windows10 [Version Januar 2020]
100 Sprachverarbeitung Knock-20 (unter Verwendung von Pandas): Lesen von JSON-Daten
Bildverarbeitung mit Python Environment Setup für Windows
Django Umweltbau
DeepIE3D-Umgebungskonstruktion
Emacs-basierte Umgebungskonstruktion
Aufbau einer Linux-Umgebung
Python Windows-Umgebung
100 Sprachverarbeitungsklopfen (2020): 28
Umgebungskonstruktion (Python)
Django Umweltbau