Skip to main content

Associer un environnement Conda

Lorsque vous créez un projet Python, il est recommandé d'utiliser un environnement isolé, afin de gérer les bibliothèques indépendamment des autres projets.

Dans ce guide, nous utilisons Conda, fourni avec Anaconda, pour créer et gérer ces environnements.

Voici comment associer un environnement Conda à votre projet dans PyCharm.

Choix de l'environnement Conda

Interpréteur Python

Pour exécuter vos scripts ou notebooks, votre projet doit être lié à un interpréteur Python.

Dans notre cas, nous allons sélectionner l’interpréteur Python de l’environnement Conda créé via Anaconda, ce qui nous permet de bénéficier des bibliothèques déjà installées.

Voici à quoi cela ressemble dans PyCharm :

Sélection de l'interpréteur Anaconda

Résumé​

  • Créez un environnement Conda via Anaconda ou l’interface de PyCharm
  • Associez cet environnement comme interpréteur du projet
  • Vous pouvez désormais utiliser Python avec les bibliothèques scientifiques (NumPy, pandas, etc.) de façon isolée et reproductible

Exemple de structure

Le projet peut être organisé selon les étapes classiques d’un pipeline de machine learning, dans un but d’apprentissage structuré.

mon_projet_ml/
├── notebooks/               # Notebooks Jupyter par étape du projet
│   ├── 01_exploration.ipynb
│   ├── 02_preprocessing.ipynb
│   ├── 03_model_training.ipynb
│   └── 04_evaluation.ipynb
│
├── data/                   # Données utilisées pour l’analyse
│   ├── raw/                # Données brutes (non modifiées)
│   └── processed/          # Données nettoyées et transformées
│
├── models/                 # Modèles sauvegardés (.pkl, .joblib)
│   └── model.pkl
│
├── src/                    # Code source réutilisable (fonctions Python)
│   ├── __init__.py
│   ├── preprocessing.py
│   ├── train.py
│   └── evaluate.py
│
├── requirements.txt        # Dépendances Python à installer
├── README.md               # Description du projet et des étapes

Exemple de requirements.txt​

jupyter
numpy
pandas
scikit-learn
matplotlib
seaborn

Exemple de contenu pour 01_exploration.ipynb​

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# Charger les données
df = pd.read_csv("../data/raw/mon_dataset.csv")

# Informations générales
df.info()
df.describe()

# Visualisation exploratoire
sns.pairplot(df)
plt.show()

Bonnes pratiques​

  • Conserver les données brutes inchangées dans data/raw
  • Centraliser le code Python réutilisable dans src/
  • Documenter chaque notebook pour garder une logique pédagogique claire