Kedro 安装与项目搭建全指南从环境准备到kedro new快速上手【免费下载链接】kedroKedro is a toolbox for production-ready data science. It uses software engineering best practices to help you create data engineering and data science pipelines that are reproducible, maintainable, and modular.项目地址: https://gitcode.com/GitHub_Trending/ke/kedroKedro 是一个面向生产级数据科学的工具箱帮助你用软件工程最佳实践搭建可复现、可维护、模块化的数据工程与数据科学管道。本指南以官方安装文档为核心完整覆盖 Kedro 的安装前置条件、Python 版本支持策略、基于uv的快速上手流程、多种备选安装方式pip / Poetry / conda / pipx、依赖管理与版本升级方法并结合本仓库源码说明kedro info、kedro new等命令背后的实现细节让你能在 Windows、macOS、Linux 上快速搭建一个可运行的 Kedro 项目。安装前置条件在开始安装 Kedro 之前需要确保你的机器满足以下两个条件Python 3.10Kedro 支持 macOS、Linux 和 Windows 三大平台要求 Python 3.10 及以上版本。官方强烈建议为每一个新建的 Kedro 项目单独创建一套虚拟环境将项目的 Python 依赖与其他项目隔离开来避免版本冲突污染全局环境。这一点与仓库中 Kedro 自身对 Python 版本的要求完全一致——仓库根目录的 pyproject.toml 中声明了requires-python 3.10并发布了 3.10 至 3.14 的多个版本分类器。gitkedro new在基于官方 starter 创建项目时需要克隆模板仓库因此机器上必须已安装git。打开终端输入git -v即可确认是否已安装——如果返回 git 的版本号则说明就绪如果返回错误信息则需要先自行安装 git 到你的机器上。Python 版本支持策略理解 Kedro 的 Python 版本策略有助于你选择合适的环境基础Kedro 核心框架支持 CPython 核心团队仍在积极维护的所有 Python 版本。当某个 Python 版本达到生命周期终点end of life后Kedro 会同步放弃对该版本的支持且这不被视为破坏性变更。仓库中 kedro/init.py 的代码也印证了这一策略当检测到运行在 Python 3.15 等尚未完全兼容的版本上时会主动抛出KedroPythonVersionWarning警告提示用户以自身风险继续运行。kedro-datasets 数据集包遵循 NEP 29 版本支持策略。由于kedro-datasets依赖众多同样遵循 NEP 29 的第三方库而 Kedro 框架本身的保守版本策略难以妥善管理这些依赖因此kedro-datasets通常会早于kedro核心框架放弃对旧 Python 版本的支持。如果你在项目中同时使用数据集包需要注意这一时间差。快速开始使用uv与 starter 创建项目最简单的 Kedro 入门方式是使用官方提供的 starters如 Spaceflights starter创建新项目。官方推荐使用uv——一个快速、现代的 Python 包与项目管理工具。第一步用uvx运行kedro newuvx是uv tool run的别名它会在临时、隔离的环境中自动下载并运行 Kedro无需将 Kedro 预先安装到你的系统或虚拟环境中。执行以下命令创建一个基于 Spaceflights starter 的项目uvx kedro new --starter spaceflights-pandas --name spaceflights执行后会在当前目录生成一个名为spaceflights的项目目录包含完整的项目结构conf/、data/、src/、tests/、pyproject.toml等。注意--starter spaceflights-pandas中的spaceflights-pandas是官方 starter 的别名。从仓库源码 kedro/framework/cli/starters.py 的_OFFICIAL_STARTER_SPECS列表可以看到当前版本内置了astro-airflow-iris、spaceflights-pandas、spaceflights-pyspark、databricks-iris、support-agent-langgraph等官方 starter 别名它们统一指向kedro-starters模板仓库并通过 cookiecutter 生成项目。你可以随时运行kedro starter list查看完整的官方 starter 列表包括插件注册的自定义 starter。第二步进入项目目录cd spaceflights进入项目后你就在项目自身的虚拟环境中工作了。后续的uv sync与uv run命令会创建并使用该项目的环境而不再是uvx所使用的临时环境。第三步验证项目可运行执行以下命令运行项目默认管道uv run kedro run --pipelines __default__uv run会先在项目内同步依赖等同于uv sync然后在项目虚拟环境中执行kedro run。命令成功执行后即表示你的 Kedro 环境与项目均已就绪。如何验证 Kedro 安装成功安装完成后可通过kedro info检查 Kedro 是否正确安装kedro info正常输出会显示一个 ASCII art 图形以及 Kedro 版本号效果如下从源码实现看kedro info命令定义在 kedro/framework/cli/cli.py它首先用绿色字体打印LOGO内置了从 kedro/init.py 导入的__version__版本号随后打印框架简介并进一步扫描所有已注册的插件入口点entry point列出已安装插件及其版本号。仓库测试 tests/framework/cli/test_cli.py 验证了kedro info会输出Installed plugins及kedro_telemetry等插件信息。使用前提为行文简洁Kedro 文档的其余部分默认你通过项目管理工具运行kedro例如uv run kedro或者已经激活了合适的虚拟环境。如果遇到 command not found 或其他异常结果请先检查是否添加了工具要求的前缀或按照标准排查步骤确认当前环境已被正确激活。此外由于 CLI 被分为全局命令与项目命令两类kedro run、kedro jupyter、kedro pipeline等命令只有在项目目录内才会注册生效。如果运行项目命令时提示Kedro project not found in this directory请检查当前工作目录下是否存在pyproject.toml。备选安装与项目创建方式如果不使用uvx也可以先以全局方式安装 Kedro专门用于执行kedro new再创建项目。官方文档提供了三类工具链你可以任选其一。使用kedro new创建新项目uv安装uv后直接运行uvx kedro newpipxpipx可以在隔离环境中安装并运行 Python 应用依赖自动管理pipx run kedro newcondaconda提供集中式环境管理适合用于管理应用与工具。先创建专用环境再运行conda create --name kedro-environment python3.13 kedro --yes conda activate kedro-environment kedro newkedro new支持丰富的非交互式参数便于脚本化使用--config/-c指定 YAML 配置文件、--starter/-s指定 starter、--checkout指定模板仓库的 tag/branch/commit、--name/-n指定项目名、--tools/-t选择工具如lint,test,log,docs,data,pyspark、all或none、--example/-e决定是否包含示例管道。从源码看这些参数会在 kedro/framework/cli/starters.py 的new命令中被逐一校验例如--starter不能与--tools/--example同时使用最终通过 cookiecutter 生成项目。手动为 Kedro 项目创建虚拟环境Python 虚拟环境主要分为两类原生环境由venv、virtualenv、uv创建与conda 环境。uv在项目目录内执行uv venv source .venv/bin/activate # macOS / Linux .\.venv\Scripts\activate # Windows退出环境使用deactivate。venv / virtualenv现代 Python 3 自带标准库venv模块python -m venv .venv source .venv/bin/activate # macOS / Linux .\.venv\Scripts\activate # Windows退出环境同样使用deactivate。若无venv可自行安装virtualenv。condaconda 环境不依赖当前工作目录可从任意目录激活conda create --name kedro-environment python3.13 -y conda activate kedro-environment python --version conda deactivate上例使用 Python 3.13 创建名为kedro-environment的环境conda 允许自由指定 Python 版本与环境名称。手动在环境中安装 Kedrouvuv pip install kedro或者将其声明为项目依赖并自动生成锁文件uv add kedro其他原生工具从 PyPI 安装支持 pip、Poetry、PDM、Hatch 等任意现代打包工具pip install kedro poetry add kedrocondaconda install -c conda-forge kedro手动安装项目依赖Kedro 项目通过根目录的pyproject.toml声明依赖保证跨 Python 包与版本的依赖一致性、便于项目共享同时保留requirements.txt以兼容传统工作流。以下是 Spaceflights 示例项目中的典型依赖清单具体版本号可能因 Kedro 版本而异# code quality packages ipython~8.10; python_version 3.8 ruff0.1.8 # notebook tooling jupyter~1.0 jupyterlab_server2.11.1 jupyterlab~3.0 # Pytest useful extensions pytest-cov3,7 pytest-mock1.7.1, 2.0 pytest~7.2 # Kedro dependencies and datasets to work with different data formats (including CSV, Excel, and Parquet) kedro~0.19.0 kedro-datasets[pandas-csvdataset, pandas-exceldataset, pandas-parquetdataset]3.0 kedro-telemetry0.3.1 kedro-viz~6.0 # Visualise pipelines # For modelling in the data science pipeline scikit-learn~1.0上述依赖可以分为几类代码质量工具ipython、ruff、Notebook 工具jupyter、jupyterlab、jupyterlab_server、测试工具pytest及其插件、Kedro 核心与数据集、管道可视化工具kedro-viz以及建模库scikit-learn。仓库中的项目模板 kedro/templates/project/{{ cookiecutter.repo_name }}/pyproject.toml 展示了现代 Kedro 项目的最小依赖集ipython、jupyterlab、notebook与kedro~版本并将项目自身的 CLI 脚本注册为repo_name入口点。根据你的工具链按以下方式安装依赖uvuv sync或使用底层接口从requirements.txt安装uv pip install -r requirements.txtpip 等原生工具pip install -r requirements.txtconda注意官方 Kedro starters不附带可供 conda 消费的environment.yml文件因此请改用uv或其他原生工具管理项目依赖。其他设置步骤在 IDE 中集成 KedroVS Code 用户参见 Set up Visual Studio Code 及其中的 Kedro VS Code 扩展说明。PyCharm 用户参见 Set up PyCharm。如何升级 KedroKedro 遵循**语义化版本控制Semantic Versioning**规范同一 minor 系列内的 bugfix/patch 版本升级通常无需任何特殊操作若需要操作则视为缺陷。0.x 系列内的 minor 版本升级或 1.0 之后的 major 版本升级可能包含不兼容的破坏性变更需要人工介入才能完成干净升级。升级前应查看官方 release notes并遵循对应版本迁移指南中的步骤。除了安装最新版本外迁移已有项目时还需同步更新kedro_init_version对于使用Kedro 0.17.0生成的项目在项目根目录的pyproject.toml中更新该字段参见仓库模板 kedro/templates/project/{{ cookiecutter.repo_name }}/pyproject.toml 中的[tool.kedro]配置节对于使用Kedro 0.17.0生成的项目则需要更新src/package_name/run.py中的ProjectContext。安装完成后随时可以通过以下命令确认当前版本kedro --version该命令由 kedro/framework/cli/cli.py 中click.version_option注册支持--version与-V两种写法。总结Kedro 可运行于 Windows、macOS、Linux安装前置条件为Python 3.10与git。最快速的入门方式是使用官方 starters 创建项目推荐以uvx kedro new --starter spaceflights-pandas --name spaceflights起步再用uv run kedro run --pipelines __default__验证环境。通过kedro info可验证安装并查看已安装插件kedro --version可确认版本号。uv是管理 Kedro 项目的优秀选择但同样支持pip、Poetry、conda、pipx等工具无论选择哪种方式为每个项目建立独立虚拟环境都是保证依赖隔离的最佳实践。升级 Kedro 时注意语义化版本规则并同步更新pyproject.toml中的kedro_init_version旧项目则为run.py中的ProjectContext。【免费下载链接】kedroKedro is a toolbox for production-ready data science. It uses software engineering best practices to help you create data engineering and data science pipelines that are reproducible, maintainable, and modular.项目地址: https://gitcode.com/GitHub_Trending/ke/kedro创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Kedro 安装与项目搭建全指南：从环境准备到 `kedro new` 快速上手
Kedro 安装与项目搭建全指南从环境准备到kedro new快速上手【免费下载链接】kedroKedro is a toolbox for production-ready data science. It uses software engineering best practices to help you create data engineering and data science pipelines that are reproducible, maintainable, and modular.项目地址: https://gitcode.com/GitHub_Trending/ke/kedroKedro 是一个面向生产级数据科学的工具箱帮助你用软件工程最佳实践搭建可复现、可维护、模块化的数据工程与数据科学管道。本指南以官方安装文档为核心完整覆盖 Kedro 的安装前置条件、Python 版本支持策略、基于uv的快速上手流程、多种备选安装方式pip / Poetry / conda / pipx、依赖管理与版本升级方法并结合本仓库源码说明kedro info、kedro new等命令背后的实现细节让你能在 Windows、macOS、Linux 上快速搭建一个可运行的 Kedro 项目。安装前置条件在开始安装 Kedro 之前需要确保你的机器满足以下两个条件Python 3.10Kedro 支持 macOS、Linux 和 Windows 三大平台要求 Python 3.10 及以上版本。官方强烈建议为每一个新建的 Kedro 项目单独创建一套虚拟环境将项目的 Python 依赖与其他项目隔离开来避免版本冲突污染全局环境。这一点与仓库中 Kedro 自身对 Python 版本的要求完全一致——仓库根目录的 pyproject.toml 中声明了requires-python 3.10并发布了 3.10 至 3.14 的多个版本分类器。gitkedro new在基于官方 starter 创建项目时需要克隆模板仓库因此机器上必须已安装git。打开终端输入git -v即可确认是否已安装——如果返回 git 的版本号则说明就绪如果返回错误信息则需要先自行安装 git 到你的机器上。Python 版本支持策略理解 Kedro 的 Python 版本策略有助于你选择合适的环境基础Kedro 核心框架支持 CPython 核心团队仍在积极维护的所有 Python 版本。当某个 Python 版本达到生命周期终点end of life后Kedro 会同步放弃对该版本的支持且这不被视为破坏性变更。仓库中 kedro/init.py 的代码也印证了这一策略当检测到运行在 Python 3.15 等尚未完全兼容的版本上时会主动抛出KedroPythonVersionWarning警告提示用户以自身风险继续运行。kedro-datasets 数据集包遵循 NEP 29 版本支持策略。由于kedro-datasets依赖众多同样遵循 NEP 29 的第三方库而 Kedro 框架本身的保守版本策略难以妥善管理这些依赖因此kedro-datasets通常会早于kedro核心框架放弃对旧 Python 版本的支持。如果你在项目中同时使用数据集包需要注意这一时间差。快速开始使用uv与 starter 创建项目最简单的 Kedro 入门方式是使用官方提供的 starters如 Spaceflights starter创建新项目。官方推荐使用uv——一个快速、现代的 Python 包与项目管理工具。第一步用uvx运行kedro newuvx是uv tool run的别名它会在临时、隔离的环境中自动下载并运行 Kedro无需将 Kedro 预先安装到你的系统或虚拟环境中。执行以下命令创建一个基于 Spaceflights starter 的项目uvx kedro new --starter spaceflights-pandas --name spaceflights执行后会在当前目录生成一个名为spaceflights的项目目录包含完整的项目结构conf/、data/、src/、tests/、pyproject.toml等。注意--starter spaceflights-pandas中的spaceflights-pandas是官方 starter 的别名。从仓库源码 kedro/framework/cli/starters.py 的_OFFICIAL_STARTER_SPECS列表可以看到当前版本内置了astro-airflow-iris、spaceflights-pandas、spaceflights-pyspark、databricks-iris、support-agent-langgraph等官方 starter 别名它们统一指向kedro-starters模板仓库并通过 cookiecutter 生成项目。你可以随时运行kedro starter list查看完整的官方 starter 列表包括插件注册的自定义 starter。第二步进入项目目录cd spaceflights进入项目后你就在项目自身的虚拟环境中工作了。后续的uv sync与uv run命令会创建并使用该项目的环境而不再是uvx所使用的临时环境。第三步验证项目可运行执行以下命令运行项目默认管道uv run kedro run --pipelines __default__uv run会先在项目内同步依赖等同于uv sync然后在项目虚拟环境中执行kedro run。命令成功执行后即表示你的 Kedro 环境与项目均已就绪。如何验证 Kedro 安装成功安装完成后可通过kedro info检查 Kedro 是否正确安装kedro info正常输出会显示一个 ASCII art 图形以及 Kedro 版本号效果如下从源码实现看kedro info命令定义在 kedro/framework/cli/cli.py它首先用绿色字体打印LOGO内置了从 kedro/init.py 导入的__version__版本号随后打印框架简介并进一步扫描所有已注册的插件入口点entry point列出已安装插件及其版本号。仓库测试 tests/framework/cli/test_cli.py 验证了kedro info会输出Installed plugins及kedro_telemetry等插件信息。使用前提为行文简洁Kedro 文档的其余部分默认你通过项目管理工具运行kedro例如uv run kedro或者已经激活了合适的虚拟环境。如果遇到 command not found 或其他异常结果请先检查是否添加了工具要求的前缀或按照标准排查步骤确认当前环境已被正确激活。此外由于 CLI 被分为全局命令与项目命令两类kedro run、kedro jupyter、kedro pipeline等命令只有在项目目录内才会注册生效。如果运行项目命令时提示Kedro project not found in this directory请检查当前工作目录下是否存在pyproject.toml。备选安装与项目创建方式如果不使用uvx也可以先以全局方式安装 Kedro专门用于执行kedro new再创建项目。官方文档提供了三类工具链你可以任选其一。使用kedro new创建新项目uv安装uv后直接运行uvx kedro newpipxpipx可以在隔离环境中安装并运行 Python 应用依赖自动管理pipx run kedro newcondaconda提供集中式环境管理适合用于管理应用与工具。先创建专用环境再运行conda create --name kedro-environment python3.13 kedro --yes conda activate kedro-environment kedro newkedro new支持丰富的非交互式参数便于脚本化使用--config/-c指定 YAML 配置文件、--starter/-s指定 starter、--checkout指定模板仓库的 tag/branch/commit、--name/-n指定项目名、--tools/-t选择工具如lint,test,log,docs,data,pyspark、all或none、--example/-e决定是否包含示例管道。从源码看这些参数会在 kedro/framework/cli/starters.py 的new命令中被逐一校验例如--starter不能与--tools/--example同时使用最终通过 cookiecutter 生成项目。手动为 Kedro 项目创建虚拟环境Python 虚拟环境主要分为两类原生环境由venv、virtualenv、uv创建与conda 环境。uv在项目目录内执行uv venv source .venv/bin/activate # macOS / Linux .\.venv\Scripts\activate # Windows退出环境使用deactivate。venv / virtualenv现代 Python 3 自带标准库venv模块python -m venv .venv source .venv/bin/activate # macOS / Linux .\.venv\Scripts\activate # Windows退出环境同样使用deactivate。若无venv可自行安装virtualenv。condaconda 环境不依赖当前工作目录可从任意目录激活conda create --name kedro-environment python3.13 -y conda activate kedro-environment python --version conda deactivate上例使用 Python 3.13 创建名为kedro-environment的环境conda 允许自由指定 Python 版本与环境名称。手动在环境中安装 Kedrouvuv pip install kedro或者将其声明为项目依赖并自动生成锁文件uv add kedro其他原生工具从 PyPI 安装支持 pip、Poetry、PDM、Hatch 等任意现代打包工具pip install kedro poetry add kedrocondaconda install -c conda-forge kedro手动安装项目依赖Kedro 项目通过根目录的pyproject.toml声明依赖保证跨 Python 包与版本的依赖一致性、便于项目共享同时保留requirements.txt以兼容传统工作流。以下是 Spaceflights 示例项目中的典型依赖清单具体版本号可能因 Kedro 版本而异# code quality packages ipython~8.10; python_version 3.8 ruff0.1.8 # notebook tooling jupyter~1.0 jupyterlab_server2.11.1 jupyterlab~3.0 # Pytest useful extensions pytest-cov3,7 pytest-mock1.7.1, 2.0 pytest~7.2 # Kedro dependencies and datasets to work with different data formats (including CSV, Excel, and Parquet) kedro~0.19.0 kedro-datasets[pandas-csvdataset, pandas-exceldataset, pandas-parquetdataset]3.0 kedro-telemetry0.3.1 kedro-viz~6.0 # Visualise pipelines # For modelling in the data science pipeline scikit-learn~1.0上述依赖可以分为几类代码质量工具ipython、ruff、Notebook 工具jupyter、jupyterlab、jupyterlab_server、测试工具pytest及其插件、Kedro 核心与数据集、管道可视化工具kedro-viz以及建模库scikit-learn。仓库中的项目模板 kedro/templates/project/{{ cookiecutter.repo_name }}/pyproject.toml 展示了现代 Kedro 项目的最小依赖集ipython、jupyterlab、notebook与kedro~版本并将项目自身的 CLI 脚本注册为repo_name入口点。根据你的工具链按以下方式安装依赖uvuv sync或使用底层接口从requirements.txt安装uv pip install -r requirements.txtpip 等原生工具pip install -r requirements.txtconda注意官方 Kedro starters不附带可供 conda 消费的environment.yml文件因此请改用uv或其他原生工具管理项目依赖。其他设置步骤在 IDE 中集成 KedroVS Code 用户参见 Set up Visual Studio Code 及其中的 Kedro VS Code 扩展说明。PyCharm 用户参见 Set up PyCharm。如何升级 KedroKedro 遵循**语义化版本控制Semantic Versioning**规范同一 minor 系列内的 bugfix/patch 版本升级通常无需任何特殊操作若需要操作则视为缺陷。0.x 系列内的 minor 版本升级或 1.0 之后的 major 版本升级可能包含不兼容的破坏性变更需要人工介入才能完成干净升级。升级前应查看官方 release notes并遵循对应版本迁移指南中的步骤。除了安装最新版本外迁移已有项目时还需同步更新kedro_init_version对于使用Kedro 0.17.0生成的项目在项目根目录的pyproject.toml中更新该字段参见仓库模板 kedro/templates/project/{{ cookiecutter.repo_name }}/pyproject.toml 中的[tool.kedro]配置节对于使用Kedro 0.17.0生成的项目则需要更新src/package_name/run.py中的ProjectContext。安装完成后随时可以通过以下命令确认当前版本kedro --version该命令由 kedro/framework/cli/cli.py 中click.version_option注册支持--version与-V两种写法。总结Kedro 可运行于 Windows、macOS、Linux安装前置条件为Python 3.10与git。最快速的入门方式是使用官方 starters 创建项目推荐以uvx kedro new --starter spaceflights-pandas --name spaceflights起步再用uv run kedro run --pipelines __default__验证环境。通过kedro info可验证安装并查看已安装插件kedro --version可确认版本号。uv是管理 Kedro 项目的优秀选择但同样支持pip、Poetry、conda、pipx等工具无论选择哪种方式为每个项目建立独立虚拟环境都是保证依赖隔离的最佳实践。升级 Kedro 时注意语义化版本规则并同步更新pyproject.toml中的kedro_init_version旧项目则为run.py中的ProjectContext。【免费下载链接】kedroKedro is a toolbox for production-ready data science. It uses software engineering best practices to help you create data engineering and data science pipelines that are reproducible, maintainable, and modular.项目地址: https://gitcode.com/GitHub_Trending/ke/kedro创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
