Environment

良好的環境管理是進行資料科學與機器學習專案的基礎，能夠確保實驗的可重現性、版本一致性與開發效率。以下介紹常見的環境管理工具與實踐方式。

---

一、Python 環境管理工具

1. Conda

• 支援 Python 與 R

• 管理套件與虛擬環境

• 常見於機器學習與深度學習開發

conda create -n myenv python=3.10
conda activate myenv
conda install numpy pandas scikit-learn

2. venv（標準 Python 工具）

• 適合輕量專案，搭配 pip 安裝套件

python -m venv env
source env/bin/activate  # Windows: env\Scripts\activate
pip install numpy pandas

---

二、套件管理

1. pip + requirements.txt

• 以文字記錄所有安裝套件與版本

pip freeze > requirements.txt
pip install -r requirements.txt

2. conda environment.yml

• YAML 格式描述環境，便於團隊共用

name: myenv
channels:
  - defaults
  - conda-forge
dependencies:
  - python=3.10
  - numpy
  - pandas
  - scikit-learn

---

三、專案管理建議

• 使用 .gitignore 排除環境資料夾（如 env/ 或 __pycache__/）

• 為每個專案建立獨立環境，避免套件衝突

• 善用 Jupyter Notebook 或 JupyterLab 開發原型

• 整合 VSCode、PyCharm 等 IDE 以提升工作效率

---

四、Docker 容器化（進階）

若需在不同機器或雲端執行一致環境，推薦使用 Docker：

FROM python:3.10-slim
WORKDIR /app
COPY requirements.txt ./
RUN pip install -r requirements.txt
COPY . .
CMD ["python", "main.py"]

搭配 docker-compose.yml 管理多容器專案（如 Jupyter + PostgreSQL）也非常實用。

---

五、整合範例

conda create -n prj_env python=3.9
conda activate prj_env
pip install jupyterlab matplotlib seaborn
jupyter lab

---

良好的環境控制能幫助資料科學家減少部署與開發過程中的錯誤，並促進團隊協作與研究再現性，是數據導向專案不可或缺的一環。