[DOCKER] Construction d'environnement (Windows 10) pour 100 coups de science des données (traitement de données structurées)

introduction

La Data Scientist Association a publié ** "Data Science 100 Knock (Structured Data Processing)" **, un environnement d'apprentissage gratuit où vous pouvez apprendre pratiquement le traitement des données structurées [sur GitHub](https: / /github.com/The-Japan-DataScientist-Society/100knocks-preprocess). Cet article décrit les détails de la procédure d'introduction afin que même les débutants puissent créer un environnement d'apprentissage gratuit. (L'environnement d'exécution à générer est illustré dans la figure ci-dessous.) dss_structure.png

Prérequis (Windows10)

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

Environnement

Créez un répertoire pour l'environnement d'apprentissage (dss cette fois) et clonez un référentiel à 100 coups. Déplacez-vous ensuite dans le répertoire 100 knock et utilisez la commande docker-compose pour créer un conteneur. (Cela prend environ 10 minutes.)

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

Si vous pouvez vérifier le conteneur démarré et vérifier la sortie de ** "dss-notebook" ** et ** "dss-postgres" **, la construction de l'environnement est réussie.

> 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

Comment utiliser

Vous pouvez accéder à l'environnement Jupyter intégré en accédant à l'URL suivante avec un navigateur.

http://localhost:8888

Sous le répertoire work, il y a un fichier .ipynb pour les exercices de traitement de données structurées. ** L'importation de la bibliothèque requise et l'acquisition des données avant le traitement sont déjà décrites dans la première cellule. ** ** Entrez le processus adapté à l'exercice dans la cellule vide et exécutez-le pour poursuivre l'apprentissage. dss_jupyter_work.png La réponse à l'exercice est un fichier .ipynb dans le répertoire work / answer. Par conséquent, vous pouvez travailler en vérifiant l'exactitude du traitement répondu dans le fichier d'exercice. dss_jupyter_answer.png

Arrêter / démarrer l'environnement d'apprentissage

Vous pouvez arrêter l'environnement construit avec la commande suivante.

> docker-compose stop

De plus, si vous souhaitez le démarrer après la deuxième fois, vous pouvez le démarrer avec la commande suivante.

> docker-compose start

Information supplémentaire

Lorsque la réponse de l'environnement bâti est lente

Modifiez la valeur de la mémoire des ressources dans les paramètres de Docker Desktop pour Windows. La recommandation est 4,00 Go ou plus. docker_settings_resources.png

Si le port 8888 est utilisé

Si vous utilisez le port 8888 de l'hôte local dans un autre environnement de développement (LAMP, etc.), vous pouvez le gérer en modifiant docker-compose.yml comme suit (en modifiant la valeur des ports dans notebook).

docker-compose.yml


  notebook:
    ports:
      - "888:8888"

Dans le cas ci-dessus, il sera accessible à l'URL suivante.

http://localhost:888

Résumé

Décrit la procédure de construction de l'environnement pour 100 coups de science des données (traitement de données structurées) dans l'environnement Windows 10. Si vous avez des questions ou des préoccupations concernant la procédure ci-dessus, nous vous serions reconnaissants de bien vouloir commenter.

Lien de référence

Guide à 100 coups dans la science des données

Recommended Posts

Construction d'environnement (Windows 10) pour 100 coups de science des données (traitement de données structurées)
"Data Science 100 Knock (traitement de données structurées)" Explication Python-007
"Data Science 100 Knock (traitement des données structurées)" Explication Python-006
"Data Science 100 Knock (traitement des données structurées)" Explication Python-001
"Data Science 100 Knock (traitement des données structurées)" Explication Python-002
[Python] 100 coups sur la science des données (traitement de données structurées) 021 Explication
"Data Science 100 Knock (traitement des données structurées)" Explication Python-005
"Data Science 100 Knock (traitement de données structurées)" Explication Python-004
[Python] 100 coups sur la science des données (traitement de données structurées) 020 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 025 Explication
"Data Science 100 Knock (traitement des données structurées)" Explication Python-003
[Python] 100 coups sur la science des données (traitement de données structurées) 019 Explication
Préparation à l’essai de «Data Science 100 Knock (traitement des données structurées)»
[Python] 100 coups sur la science des données (traitement de données structurées) 001-010 Impressions + résumé du lien de commentaire
C'est pourquoi j'ai quitté les pandas [Data Science 100 Knock (traitement des données structurées) # 2]
C'est pourquoi j'ai quitté les pandas [Data Science 100 Knock (traitement des données structurées) # 1]
C'est pourquoi j'ai quitté les pandas [Data Science 100 Knock (traitement des données structurées) # 3]
C'est pourquoi j'ai quitté les pandas [Data Science 100 Knock (traitement des données structurées) # 5]
C'est pourquoi j'ai quitté les pandas [Data Science 100 Knock (traitement des données structurées) # 6]
[Python] 100 coups sur la science des données (traitement de données structurées) 018 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 023 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 030 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 022 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 017 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 026 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 016 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 024 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 027 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 029 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 015 Explication
[Python] 100 coups sur la science des données (traitement de données structurées) 028 Explication
Commentaire sur la science des données à 100 coups (P021 ~ 040)
Commentaire sur la science des données à 100 coups (P061 ~ 080)
Commentaire de la science des données 100 coups (P041 ~ 060)
Construction de l'environnement Python (Windows10 + Emacs)
Commentaire sur la science des données à 100 coups (P081 ~ 100)
Construire un environnement Python sous un environnement Windows 7
[Tensorflow] Construction de l'environnement Tensorflow sous Windows 10
Construction de l'environnement Anaconda Python sous Windows 10
[Python3] Construction de l'environnement de développement << Édition Windows >>
Récapitulatif de la construction de l'environnement Ml-Agents version 6 (0.19.0) [Windows]
100 traitement du langage knock-91: Préparation des données d'analogie
Procédure de construction de l'environnement de projet Python (pour Windows)
Construction de l'environnement VScode (Windows10, Python, C ++, C, Git)
Créez rapidement un environnement python pour le Deep Learning / Data Science (Windows)
[Windows 10] Construction de l'environnement "Deep Learning from scratch"
Création d'un environnement de développement Python pour Windows + gVim + Poetry
Construction d'un environnement d'analyse de données Python facile avec Windows10 Pro x VS Code x Docker
Construction de l'environnement Python (Anaconda + VSCode) @ Windows10 [version janvier 2020]
100 langage de traitement knock-20 (à l'aide de pandas): lecture de données JSON
Traitement d'image avec la configuration de l'environnement Python pour Windows
Construction de l'environnement Django
Construction de l'environnement DeepIE3D
Construction d'environnement basée sur Emacs
Construction de l'environnement Linux
environnement windows python
100 coups de traitement linguistique (2020): 28
Construction d'environnement (python)
construction d'environnement django