Docker Tutorial

Dieses Repository enthält ein Beispiel-Projekt für Forschende, die Docker zum ersten Mal ausprobieren möchten. Es zeigt, wie man ein Analyse-Skript (R) mit Docker containerisiert und reproduzierbar macht.

Das Projekt enthält alle Dateien, um das Beispiel, welches im Tutorial-Video gezeigt wurde, selber auszuprobieren.

Link zum Tutorial von EVA4MII:

📁 Dateien im Repository

.
├── Dockerfile                     # Anleitung für Docker, wie das Image gebaut wird
├── Docker_Tutorial.R              # Das R-Skript (Analyse-Code)
├── Docker_In\
│   └── pima_raw_data.csv          # Eingabedaten (CSV) 
└── Docker_Out\
    ├── pima_summary_metrics.csv   # Beispiel-Ergebnis: Statistiken
    └── pima_bmi_glucose_plot.png  # Beispiel-Ergebnis: Plot

Datei	Erklärung
Dockerfile	Sagt Docker: "Starte mit R, installiere diese Pakete, kopiere das Skript." Kann mit jedem Texteditor geöffnet und bearbeitet werden; wichtig: Datei hat keine Dateiendung!
Docker_Tutorial.R	Das R-Skript: liest CSV → berechnet Statistiken → erstellt Plot → speichert Ergebnisse
Docker_In	Ordner für Eingabedaten
pima_raw_data.csv	Eingabedaten: Gesundheitsmessungen von Frauen der Pima-Indianer-Bevölkerung
Docker_Out	Ordner für Ergebnisse. Enthält bereits die Dateien, die das R-Skript generiert.

Zusätzlich liegt das fertige Image im Docker Hub mit dem Namen schoenherrl/eva4mii_docker_tutorial.

🚀 Workflow in Docker Desktop

Hier sind alle Schritte: Build → Save → Load → Run

Schritt 0: Das R-Skript verstehen

Bevor du das Image baust, schau dir Docker_Tutorial.R an. Das Skript hat Docker-spezifische Besonderheiten:

1. Umgebungsvariable für den Dateinamen:

csv_filename <- Sys.getenv("CSV_FILE")

Das Skript erwartet, dass du die CSV-Datei als Umgebungsvariable CSV_FILE übergibst. So kann das gleiche Skript mit verschiedenen Dateien laufen.

2. Feste Input/Output-Ordner:

input_file <- file.path("/input", csv_filename)
write.csv(summary_stats, "/output/pima_summary_metrics.csv", row.names = FALSE)

Das Skript erwartet:

• Eingabedaten im Container-Ordner /input/ (wird von außen mounted)
• Ergebnisse werden in /output/ gespeichert (wird von außen mounted)

Du bindest diese Ordner während der Container-Erstellung ein (s. Schritt 4).

3. Fehlerbehandlung & Logging: Das Skript gibt hilfreiche Fehlermeldungen aus (mit cat()), z.B. wenn die CSV nicht gefunden wird. Das hilft beim Debugging.

Was Kolleg:innen wissen müssen:

Wenn du das Image/Container mit Kollegen teilst, sag ihnen:

• ✅ Wie heißen die Umgebungsvariablen für das Skript? (Antwort: CSV_FILE)
• ✅ Welche Ergebnisdateien werden erstellt? (Antwort: pima_summary_metrics.csv und pima_bmi_glucose_plot.png)
• ✅ Welche Ordner müssen gemountet werden? (Antwort: lokaler Ordner \Docker_In auf Container-Ordner /input und lokaler Ordner \Docker_Out auf Container-Ordner /output)

Schritt 1: Docker Image bauen

1. Klone dieses Repo oder lade es dir als .zip herunter und entpacke es

2. Docker Desktop starten

3. Öffne das Terminal

4. Navigiere zum Repo-Ordner:

   cd /pfad/zum/pima-docker-repo

5. Baue das Image:

   docker build -t pima-analysis:1.0 .

Docker liest die Dockerfile, installiert die R-Pakete und erstellt ein Image. Das dauert beim ersten Mal ein paar Minuten.

Schritt 2: Image als TAR speichern

Speichere das fertige Image als TAR-Datei, so kannst du es mit Kolleg:innen teilen:

docker save pima-analysis:1.0 -o pima-analysis.tar

Die Datei pima-analysis.tar wird im aktuellen Ordner erstellt.

Schritt 3: Image laden (von TAR)

Wenn du das Image später (oder auf einem anderen Computer) nutzen möchtest, lade es aus der TAR:

docker load --input pima-analysis.tar

Wenn du das Image erstmalig entpackst, dann taucht es nun im Images Tab im Docker Desktop auf und kann von dort ausgeführt werden.

Alternativ: Das fertige Image liegt außerdem im Docker Hub unter dem Namen schoenherrl/eva4mii_docker_tutorial.
Von dort kann es über Docker Desktop/Docker Hub auch direkt gepullt werden und mit Schritt 4 weiter gemacht werden.

Schritt 4: Container ausführen

1. Öffne den Images Tab in Docker Desktop
2. Klicke beim Image auf das Play-Icon (▶)
3. Lege einen Namen für den Container fest, bspw.: docker_tutorial
4. Volumes hinzufügen (optional settings Tab)
   • Lege die Host Paths fest, das sind die Pfade zu den Input und Output Ordnern, die lokal auf deinem Rechner liegen
   • Lege die Container Paths fest, diese stehen im R-Skript und müssen dir vom Skript-Ersteller mitgeteilt werden; in unserem Falle /input und /output
   • mehrere Volumes kannst du mit dem + Symbol hinzufügen
5. Environment Variables hinzufügen
   • die Variable heißt CSV_FILE
   • der Value ist der Dateiname unserer Input-Datei, hier pima_raw_data.csv
6. Klicke auf Run: Container startet

Schritt 5: Ergebnisse anschauen

Im output/-Ordner auf deinem Rechner findest du nun:

• pima_summary_metrics.csv – Statistiken (Anzahl, Durchschnitte, Diabetes-Häufigkeit)
• pima_bmi_glucose_plot.png – Visualisierung (Beziehung BMI ↔ Glukose)

Viel Erfolg beim Lernen! 🐳

---

Trademarks

Docker and the Docker logo are trademarks or registered trademarks of Docker, Inc. in the United States and/or other countries.

Microsoft, Windows, Windows Subsystem for Linux, and Microsoft Azure are trademarks of the Microsoft group of companies.

GitHub is a trademark of GitHub, Inc.

All other trademarks are the property of their respective owners.