Python est un langage de programmation très utilisé en Datascience. Il présente de nombreux avantages : compatibilité, modularité, facilité d’accès pour des non-développeurs. Passons en revue 5 informations utiles afin de partir du bon pied avec Python.
-
Il existe différentes implémentations du langage Python
L’implémentation la plus connue est CPython. Il s’agit d’un interpréteur implémenté en C. Celui-ci convient pour la plupart des usages, mais il existe des alternatives : citons notamment MicroPython, dont le but est de permettre d’exécuter du code python sur des microcontrolleurs (pyboard), JPython, qui est un interpréteur implémenté en Java et permettant aux applications python d’être compilées en classes Java ou encore PyPy qui propose un compilateur à la volée destiné à offrir les meilleures performances possibles.
-
Deux versions de Python co-existent depuis bientôt 10 ans
Deux versions différentes de Python sont très largement déployées : la version 2.x et la version 3.x. Suite à des divisions dans la communauté, les deux versions co-existent depuis près de 10 ans ! Toutefois, la version 3 est en train de s’imposer. Nous vous recommandons d’opter pour cette version sauf si vous souhaitez utiliser une librairie qui n’aurait pas encore été portée. Attention toutefois, Python 2 sera définitivement abandonné en 2020 et les différences entre Python 2.x et Python 3.x sont relativement importantes.
-
Python propose un gestionnaire de paquets, appelé PIP
L’une des grandes forces de python est de disposer d’une large palette de librairies permettant d’étendre les possibilités du langage. PIP est un gestionnaire de paquets très populaire puisqu’il permet d’installer de nouveaux modules très simplement via la commande “pip install” suivie du nom du module. (Nous verrons plus bas que ce n’est pas le seul gestionnaire de paquets python)
-
Il est possible (et recommandé) de créer des environnements Python.
Le monde Python adresse la problématique de la gestion des modules et de leurs versions en créant des environnements grâce à des outils tels que virtualenv. Les environnements sont des espaces cloisonnés. Ils permettent d’installer des paquets sans que cela n’ait d’impact sur le reste du système. C’est notamment très utile lorsque l’on est confronté au besoin de travailler sur deux projets faisant appel à des versions distinctes d’une même librairie. L’usage des environnements évite alors les conflits de versions. Cette pratique permet de faciliter le travail en équipe. On peut ainsi s’assurer que tous les développeurs disposent du même environnement que celui sur lequel l’application sera déployée en production.
-
Les notebooks sont un excellent moyen d’expérimenter
Jupyter est un outil qui vous donne la possibilité de créer des carnets de notes IPython. Ces carnets sont particulièrement propices à l’expérimentation. L’outil vous met à disposition une interface web au sein de laquelle vous pouvez insérer autant de portions de code que vous le souhaitez et en lancer l’interprétation. Il est extrêmement aisé d’expérimenter en éditant le code et en relançant son exécution à loisir. Cela, sans avoir à quitter la page web correspondant au carnet de notes. Le résultat de l’interprétation s’affiche lui même au sein de la page web. Juste en dessous de la portion de code correspondante. Les carnets de notes sont facilement partageables. Vous en trouverez de nombreux sur github.
Bonus: Prenez le temps de découvrir Anaconda, une plate-forme extrêmement pratique
Anaconda est une suite logicielle constituant une plate-forme d’expérimentation adaptée aux datasciences. Elle propose une interface ergonomique consultable depuis un navigateur web. L’ensemble repose sur conda, un gestionnaire de paquets et d’environnements concurrent de pip. Elle permet d’exploiter en quelques clics plus de 1400 librairies de calcul, visualisation, machine learning ou autres librairies destinées aux datasciences. Sans oublier Jupyter, mentionné ci-dessus.
