第3章：開発環境とツールチェーン

1. パッケージ管理

1.1 pip/Poetry/uv

Pythonのパッケージ管理は長年の課題であり、ツールの変遷が続いている。Table 1に主要なパッケージマネージャの比較を示す。

Table 1. パッケージマネージャの比較

1.1.1 pip + venv：標準ライブラリのみで動作する最もシンプルな構成。

# 仮想環境の作成と有効化
python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate   # Windows

# パッケージのインストール
pip install requests pandas

# 依存関係の固定
pip freeze > requirements.txt

# 再現
pip install -r requirements.txt

1.1.2 Poetry：依存関係の解決、ロックファイル、ビルド・公開までを統合[1]。

# プロジェクト初期化
poetry init

# パッケージ追加
poetry add requests
poetry add pytest --group dev

# 依存関係インストール
poetry install

# 仮想環境内でコマンド実行
poetry run python main.py
poetry run pytest

1.1.3 uv：Astral社（ruff開発元）によるRust製パッケージマネージャ[2]。pipの10-100倍の速度を実現。

# インストール
curl -LsSf https://astral.sh/uv/install.sh | sh

# プロジェクト初期化
uv init myproject
cd myproject

# パッケージ追加
uv add requests
uv add pytest --dev

# 同期（ロックファイルから環境を再現）
uv sync

# スクリプト実行
uv run python main.py

# pip互換モード（既存プロジェクト向け）
uv pip install -r requirements.txt

1.2 rye

ryeはPythonインタプリタ自体の管理も含む統合ツール[3]。pyenv + poetry + pip-toolsの機能を1つのツールで提供する。

# インストール
curl -sSf https://rye.astral.sh/get | bash

# プロジェクト初期化（Pythonバージョン指定）
rye init --py 3.12 myproject
cd myproject

# Pythonバージョン固定
rye pin 3.12

# パッケージ追加
rye add requests
rye add pytest --dev

# 同期
rye sync

# スクリプト実行
rye run python main.py

1.2.1 2024-2025年の推奨：新規プロジェクトではuvまたはryeの採用を推奨する。既存のPoetryプロジェクトは無理に移行する必要はないが、CI/CDでの速度改善を目的にuvへの移行を検討する価値がある。Fig. 1にツール選択のフローを示す。

2. Linter/Formatter

2.1 ruff統合時代

ruffは、Rust製の超高速Linter/Formatterであり、flake8、isort、black、pyupgradeなど複数のツールを統合・置換する[4]。

Table 2. ruffが置換するツール

# インストール
pip install ruff
# または
uv add ruff --dev

# リントチェック
ruff check .

# 自動修正
ruff check --fix .

# フォーマット
ruff format .

# チェックとフォーマットを同時に
ruff check --fix . && ruff format .

2.2 設定ファイル

ruffはpyproject.tomlまたはruff.tomlで設定する。

# pyproject.toml
[tool.ruff]
target-version = "py312"
line-length = 88
indent-width = 4

[tool.ruff.lint]
select = [
    "E",      # pycodestyle errors
    "W",      # pycodestyle warnings
    "F",      # Pyflakes
    "I",      # isort
    "B",      # flake8-bugbear
    "C4",     # flake8-comprehensions
    "UP",     # pyupgrade
    "ARG",    # flake8-unused-arguments
    "SIM",    # flake8-simplify
]
ignore = [
    "E501",   # line too long (formatterに任せる)
]

[tool.ruff.lint.per-file-ignores]
"tests/*" = ["ARG"]  # テストでは未使用引数を許可

[tool.ruff.format]
quote-style = "double"
indent-style = "space"
docstring-code-format = true

2.2.1 pre-commitとの統合：コミット時に自動でチェックを実行。

# .pre-commit-config.yaml
repos:
  - repo: https://github.com/astral-sh/ruff-pre-commit
    rev: v0.8.0
    hooks:
      - id: ruff
        args: [--fix]
      - id: ruff-format

# pre-commitのセットアップ
pip install pre-commit
pre-commit install
pre-commit run --all-files

3. 型チェッカー

型ヒント（第2章参照）を静的に検証するツールとして、mypyとpyrightが主流である。

Table 3. 型チェッカーの比較

3.1 mypy：

# インストールと実行
pip install mypy
mypy src/

# pyproject.toml設定
[tool.mypy]
python_version = "3.12"
strict = true
warn_return_any = true
warn_unused_ignores = true
disallow_untyped_defs = true

[[tool.mypy.overrides]]
module = "tests.*"
disallow_untyped_defs = false

3.2 pyright：VSCodeのPylance拡張に組み込まれており、エディタ統合が優れている。

# インストールと実行
pip install pyright
pyright src/

# pyrightconfig.json
{
    "pythonVersion": "3.12",
    "typeCheckingMode": "strict",
    "reportMissingImports": true,
    "reportMissingTypeStubs": false,
    "exclude": ["**/__pycache__", "**/node_modules", ".venv"]
}

# または pyproject.toml
[tool.pyright]
pythonVersion = "3.12"
typeCheckingMode = "strict"

3.3 選択指針：チームで統一することが重要。VSCodeユーザーが多いチームではpyright、CIでの標準化を重視する場合はmypyが適している。両方を併用するプロジェクトも存在する。

4. Docker開発環境

Dockerによるコンテナ化は、環境の再現性とチーム間の統一に有効である。

4.1 開発用Dockerfile：マルチステージビルドで本番と開発を分離。

# Dockerfile
FROM python:3.12-slim as base

WORKDIR /app

# 依存関係のインストール（キャッシュ効率化）
COPY pyproject.toml uv.lock ./

FROM base as development
RUN pip install uv && uv sync --frozen
COPY . .
CMD ["uv", "run", "python", "-m", "pytest"]

FROM base as production
RUN pip install uv && uv sync --frozen --no-dev
COPY src/ ./src/
CMD ["uv", "run", "python", "-m", "src.main"]

4.2 docker-compose.yml：ローカル開発環境の定義。

# docker-compose.yml
version: "3.9"

services:
  app:
    build:
      context: .
      target: development
    volumes:
      - .:/app
      - /app/.venv  # .venvはマウントしない
    ports:
      - "8000:8000"
    environment:
      - PYTHONDONTWRITEBYTECODE=1
      - PYTHONUNBUFFERED=1
    command: uv run uvicorn src.main:app --reload --host 0.0.0.0

  db:
    image: postgres:16
    environment:
      POSTGRES_USER: dev
      POSTGRES_PASSWORD: dev
      POSTGRES_DB: myapp
    volumes:
      - postgres_data:/var/lib/postgresql/data

volumes:
  postgres_data:

4.3 Dev Containers：VSCodeのDev Containers拡張により、コンテナ内で直接開発可能。

// .devcontainer/devcontainer.json
{
    "name": "Python Dev",
    "dockerComposeFile": "../docker-compose.yml",
    "service": "app",
    "workspaceFolder": "/app",
    "customizations": {
        "vscode": {
            "extensions": [
                "ms-python.python",
                "ms-python.vscode-pylance",
                "charliermarsh.ruff"
            ],
            "settings": {
                "python.defaultInterpreterPath": "/app/.venv/bin/python"
            }
        }
    }
}

5. GPU環境構築

機械学習・深層学習ではGPU（CUDA）環境が必須となる。

5.1 ローカル環境：NVIDIAドライバとCUDA Toolkitのインストール。

# Ubuntuでの手順
# 1. NVIDIAドライバのインストール
sudo apt update
sudo apt install nvidia-driver-550

# 2. CUDA Toolkitのインストール（PyTorchは独自にCUDAを持つため不要な場合も）
# https://developer.nvidia.com/cuda-downloads から取得

# 3. PyTorchのインストール（CUDA付き）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 動作確認
python -c "import torch; print(torch.cuda.is_available())"

5.2 Docker + GPU：NVIDIA Container Toolkitを使用。

# NVIDIA Container Toolkitのインストール
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | \
    sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt update
sudo apt install nvidia-container-toolkit
sudo systemctl restart docker

# GPU対応Dockerfile
FROM nvidia/cuda:12.1-runtime-ubuntu22.04

RUN apt-get update && apt-get install -y python3.12 python3-pip
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["python", "train.py"]

# docker-compose.yml（GPU対応）
services:
  training:
    build: .
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

5.3 クラウド環境：Table 4に主要なGPUクラウドサービスを示す。

Table 4. GPUクラウドサービス

References

[1] Poetry, "Poetry - Python packaging and dependency management made easy," python-poetry.org, 2024.

[2] Astral, "uv: An extremely fast Python package installer," github.com/astral-sh/uv, 2024.

[3] Astral, "Rye: A Hassle-Free Python Experience," rye.astral.sh, 2024.

[4] Astral, "Ruff: An extremely fast Python linter," github.com/astral-sh/ruff, 2024.