自作モジュールをpip installできるように公開してみた

要約

自作モジュールを

pip install my_awesome_module

できるように公開するには、setup.pyと一緒にGitHubで公開すればOKという話

GitHub page: https://github.com/kyohashi/model_selection

そもそもpip installってなにしてるの？

PyPI(Python Package Index, パイピーアイ)へモジュールを探しに行っています。
例えば、PyPI.orgへアクセスしてnumpyを検索すると↓

https://pypi.org/

たしかにnumpyがありますね。↓

https://pypi.org/search/?q=numpy

PyPIにモジュールを登録する際には、モジュールのソースコードと一緒に、それらのメタ情報等を表すsetup.pyも必要となります。
以上をまとめると、

1. pip install hogehoge
2. PyPIへ行きname=hogehogeで検索
3. hogehogeに紐づくsetup.pyを読み込みモジュールとして認識＆インストール

という手順を踏んでいると理解できます。

自作モジュールの公開方法

PyPIに登録すればpip installできると判明しましたが、実はGitHubでも公開することができます。
要はソースコードとsetup.pyの在り処を教えてあげれば良いのでGitHubに登録したのち

pip install git+(URL)

で誰でもインストールが可能です。私は今回PyPIではなくGitHubでの公開を試しました。

GitHubへ登録したファイルおよびsetup.pyは下記の通りです。

ファイル構成

.
├── README.md
├── requirements.txt
├── setup.py
└── src
    └── model_selection
        ├── __init__.py
        ├── bayes_clustering.py
        └── utils
            ├── __init__.py
            └── check_datashape.py
    

setup.py

from glob import glob
from os.path import basename
from os.path import splitext

from setuptools import setup
from setuptools import find_packages


def _requires_from_file(filename):
    return open(filename).read().splitlines()


setup(
    name="model_selection",
    version="0.1.0",
    description="statistical model selection with Bayesian IC like WAIC",
    author="kyohashi",
    url="https://github.com/kyohashi/model_selection.git",
    packages=find_packages("src"),
    package_dir={"": "src"},
    py_modules=[splitext(basename(path))[0] for path in glob('src/*.py')],
    include_package_data=True,
    zip_safe=False,
    install_requires=_requires_from_file('requirements.txt')
)

setup.pyを見ると、srcフォルダ以下のpythonファイルをmoduleとして認識していることがわかります。
以上を登録すると晴れて

pip install git+https://github.com/kyohashi/model_selection.git

が可能となります。

公開した自作モジュールの内容

今回作成したモジュールは、クラスター数の決定支援を目指したものになります。
具体的には下図のように、クラスター数候補すべてに対してGMMでモデリング＆WAICを計算することで、最適と思われるクラスター数を推定するものです。MCMCサンプリングには、PyMC3を使用しています。

Toy Dataに対する実装例もありますので、併せてご覧ください。
Usecase: https://kyohashi.github.io/model_selection/gmm_usecase.html