Le cours sur votre machine

Pourquoi ne pas se contenter du site ?

Les notebooks du cours se lisent sur https://numerique.info-mines.paris, et c'est
très bien pour jeter un œil à une notion.

Cependant, pour apprendre, il faut les exécuter : changer un paramètre, casser
un exemple pour comprendre pourquoi il marchait. Il faut donc les avoir chez vous.

De plus, le cours évolue au fil du semestre : les collègues corrigent et
complètent les notebooks jusqu'à la veille. D'où le plan de cette annexe :

1. récupérer le cours, une seule fois (git clone, un environnement conda, pip install) ;
2. le lancer dans JupyterLab, et s'y repérer ;
3. le mettre à jour avant chaque séance (git pull).

On suppose les installations du cours d'introduction faites :
https://intro.info-mines.paris/3-1-checklist/ les vérifie en cinq minutes.

Trois façons de faire tourner du Python

Dans le terminal (sous Windows, le terminal bash installé au cours d'introduction) :

Les commandes de ces slides sont à taper dans le terminal, sans le $ que l'on
voit parfois devant : vous pouvez les copier-coller telles quelles.

Étape 1 · Récupérer le cours (une seule fois)

Le cours vit dans un dépôt git : un dossier dont git garde tout l'historique et
qu'il sait synchroniser avec sa référence sur GitHub. Le récupérer, c'est le cloner :

cd Documents          # ou le dossier où vous rangez vos cours
git clone https://github.com/ue12-p26/numerique.git

Cela crée un dossier numerique, notebooks et données compris. C'est la seule fois
où l'on tape cette adresse.

L'accès se fait en HTTPS : pas de compte, pas de clé à configurer, le dépôt est public
et nous ne faisons que lire.

Étape 2 · Un environnement conda pour le cours

Un environnement conda, c'est un Python et ses bibliothèques, isolés du reste de votre
machine : ce que vous installez pour ce cours ne dérangera pas vos autres projets, et
inversement. Créons-en un, nommé pe, puis activons-le :

conda create -n pe python=3.13
conda activate pe

Une fois activé, votre invite de commande commence par (pe) : c'est le signe que
python, pip et jupyter désignent désormais ceux de cet environnement.

Sans environnement dédié, conda activate base fait l'affaire ; simplement, tout ira
dans le même panier. Le détail est sur https://intro.info-mines.paris/3-3-virtual-envs/.

Étape 2 (suite) · Installer les bibliothèques

Les notebooks ont besoin de numpy, pandas, matplotlib… mais aussi de jupytext, dont
nous reparlons. Tout est listé dans requirements.txt, et pip sait lire cette liste :

conda activate pe          # si ce n'est pas déjà fait : (pe) devant l'invite
cd numerique
pip install -r requirements.txt

La première fois, quelques centaines de Mo à télécharger : patientez. Relancer la commande
plus tard est sans danger, elle n'installe que ce qui manque.

Regardez votre invite avant de taper pip. Si (pe) n'y figure pas, les
bibliothèques partent dans un autre Python que celui de vos notebooks, et l'on récolte
ensuite un ModuleNotFoundError incompréhensible. Un environnement s'active dans
chaque nouveau terminal.

Ce que vous avez maintenant

numerique/
├── requirements.txt          la liste des bibliothèques
└── notebooks/
    ├── 0-00-intro-nb.md      les notebooks du plan…
    ├── 1-02-numpy-array-nb.md
    ├── 2-01-pandas-read-csv-nb.md
    ├── …
    └── data/                 …et leurs données

Vous remarquez que les notebooks sont des fichiers .md, et non .ipynb. En effet, le
cours est stocké en texte Markdown, plus lisible et bien plus facile à suivre avec git.
Nous verrons dans deux slides comment JupyterLab les ouvre quand même comme des notebooks.

Étape 3 · Lancer JupyterLab

Deux choses comptent : l'environnement (celui où tout est installé) et l'endroit d'où
on lance, car le navigateur de fichiers de JupyterLab ne peut pas remonter plus haut.

conda activate pe
cd numerique
jupyter lab

• Le terminal se remplit de messages et le navigateur s'ouvre sur http://localhost:8888/lab.
• Ces messages sont ceux du serveur Jupyter, qui exécute votre code ; le navigateur n'est
  que la vitrine. Ne fermez pas ce terminal tant que vous travaillez.
• Si le navigateur ne s'ouvre pas tout seul : copiez-y l'URL du terminal, celle qui finit
  par ?token=….
• Pour arrêter proprement : File → Shut Down, ou Ctrl-C dans le terminal, puis y.

Ouvrir un notebook du cours

À gauche, le navigateur de fichiers ; au centre, des onglets, dont le Launcher au
démarrage. Entrez dans notebooks/ : les fichiers .md ont une icône de notebook.

C'est l'œuvre de jupytext, installé par requirements.txt, qui fait le pont entre
Markdown et notebook. Mais attention :

• un double-clic ouvre l'éditeur de texte brut, ce n'est pas ce que nous voulons ;
• il faut cliquer droit sur le fichier → Open With → Notebook.

Les sorties (résultats, figures) d'un notebook .md ne sont pas conservées à la
fermeture, seul le code l'est. C'est normal : on ré-exécute en rouvrant.

Si Open With ne propose pas Notebook, jupytext manque dans l'environnement qui a
lancé Jupyter : arrêtez JupyterLab, conda activate pe, pip install jupytext, relancez.

Dans un notebook : les cellules

Un notebook est une suite de cellules, de code ou de texte Markdown, exécutées une par une.

À gauche d'une cellule de code, [3] indique qu'elle a été exécutée en troisième ;
[*] signale qu'elle tourne encore.

Deux modes, huit raccourcis

• Mode édition (curseur dans la cellule) : on tape du code. Échap en sort.
• Mode commande (bordure bleue, pas de curseur) : les touches deviennent des raccourcis.
  Entrée ramène en édition.

Ces huit-là suffisent pour tout le semestre.

Le noyau se souvient de l'ordre d'exécution

Le noyau (kernel) est le processus Python qui exécute vos cellules. Il garde tout en
mémoire : une variable définie dans une cellule reste disponible dans les suivantes.

Or il retient l'ordre d'exécution, pas l'ordre des cellules sur la page. Pouvez-vous
deviner le souci ?

Vous exécutez une cellule, vous la supprimez… et tout continue de marcher, puisque sa
variable est encore en mémoire. Le lendemain, plus rien ne fonctionne.

Le remède : Kernel → Restart Kernel and Run All Cells, qui repart d'un noyau vierge et
exécute tout dans l'ordre. C'est le geste que je vous demande avant de rendre chaque
devoir, et le bon réflexe dès qu'un notebook se comporte bizarrement.

L'aide est à portée de main

• Tab complète un nom ; Shift-Tab affiche la signature de la fonction sous le curseur.
• pd.read_csv? ouvre la documentation ; ?? montre le code source.

Les commandes qui commencent par % sont des magics propres à Jupyter, pas du Python :

%timeit np.sin(tab)          # chronomètre une ligne, en la répétant

%%timeit                     # en tête de cellule : chronomètre toute la cellule
for x in liste:
    ...

Nous nous en servons pour comparer une boucle et sa version vectorisée.

Avant chaque séance · mettre à jour le cours

Le dépôt bouge d'une semaine à l'autre. Pour récupérer les changements, on demande à git
de tirer (pull) ce qui est nouveau depuis votre clone :

cd numerique
git pull

• Seules les différences sont téléchargées ; git affiche la liste des fichiers modifiés.
• Si requirements.txt en fait partie : conda activate pe, puis pip install -r requirements.txt.
• Si un notebook est ouvert dans JupyterLab à ce moment-là, il prévient que le fichier a
  changé sur le disque : choisissez Revert, c'est la version à jour qui vous intéresse.

Je vous recommande ce git pull la veille de chaque séance, en même temps que la
vérification de vos installations.

Si git pull refuse

error: Your local changes to the following files would be overwritten by merge

En clair : vous avez modifié un notebook du cours (à chaque sauvegarde, jupytext réécrit
le .md), et git refuse d'écraser votre travail. Deux options :

Laquelle choisir ? Posez-vous la question de ce que vous perdez vraiment : c'est l'objet
de la slide suivante.

Où garder son travail personnel ?

Le dépôt numerique n'est pas fait pour conserver un travail personnel : on y lit le
cours, on l'expérimente, on le met à jour.

• Vos devoirs vivent dans votre propre dépôt pe-homework, jamais dans numerique.
• Vos essais sur un notebook de cours méritent au plus une copie :
  File → Save Notebook As… avec un nom qui se termine en .ipynb.

Le dépôt du cours ignore les fichiers .ipynb : git pull ne s'en plaindra jamais,
et les sorties y sont même conservées, contrairement aux .md.

Ainsi, le plus souvent, git restore notebooks/ ne perd rien du tout.

Dépannage express

Pour le reste : https://intro.info-mines.paris/3-2-troubleshooting/, ou dix minutes avant la séance.

Récapitulatif

# une seule fois
git clone https://github.com/ue12-p26/numerique.git
conda create -n pe python=3.13
conda activate pe
cd numerique && pip install -r requirements.txt

# à chaque fois (dans un nouveau terminal)
conda activate pe      # (pe) devant l'invite
cd numerique
git pull
jupyter lab            # puis clic droit → Open With → Notebook

Et avant de rendre un devoir : Kernel → Restart Kernel and Run All Cells.

Questions, blocages : raphael@imagine-app.fr, ou dix minutes avant la séance.