#!/usr/bin/env python
# coding: utf-8

# # Installation

# Um mit den hier vorliegenden Unterlagen arbeiten zu können,
# braucht man Python und einige dazugehörige Software-Bibliotheken.
# 
# Für Windows, Mac und Linux gibt es hierfür Distributionen für wissenschaftliche Zwecke:
# 
# * **[Anaconda von Continuum Analytics](https://store.continuum.io/cshop/anaconda/)**
# * [Canopy von Enthought](https://www.enthought.com/products/canopy/)
# 
# bzw. für Debian/Ubuntu Linux die entsprechenden mitgelieferten Softwarepakete: `python`, `python-numpy`, `python-scipy`, `python-sympy`, `ipython`, `python-pandas`, `python-matplotlib`, `python-networkx`, ...
# 
# Alternativ lässt sich auch online arbeiten:
# 
# * [SageMathCloud](https://cloud.sagemath.com)
# 
# Es gibt auch verschiedene IDEs:
# 
# * [PyCharm von JetBrains](https://www.jetbrains.com/pycharm/) -- wohl die beste general-purpose IDE für Python
# * [Spyder](https://pythonhosted.org/spyder/) -- reines OSS Projekt für den technisch/wissenschaftlichen Bereich
# * [yHat's Rodeo](https://www.yhat.com/products/rodeo) -- für Datenanalyse
# 
# Nicht unebdingt notwendig, da nur an wenigen Stellen verwendet, kommen auch einige andere Tools vor:
# 
# * [dot von graphviz](http://www.graphviz.org/): plottet graphen
# * [Git](http://www.git-scm.com/): Versionskontrolle

# Die hier momentan verwendeten Bibliotheken haben diese Versionsnummern:

# In[1]:


import datetime
print("Zeitpunkt: %s" % datetime.date.today())

import sys
print("Python: %s" % sys.version.splitlines()[0])

# bs4: beautifulsoup4
libs = ['numpy', 'scipy', 'matplotlib', 'sympy', 'mpmath', 'pandas', 'statsmodels',
        'sklearn', 'networkx', 'yaml', 'json', 'csv', 'sqlite3', 'cython', "bs4"]
from importlib import import_module
for lib_name in sorted(libs):
    lib = import_module(lib_name)
    try:
        vers = lib.__version__
    except:
        vers = lib.version
    print("{:<15s} {}".format(lib_name, vers))


# In[ ]: