JupyterLab 介绍及简单教程

利器 | JupyterLab 数据分析必备IDE完全指南

原创游薪渝 Data2Art 2019-05-05

Jupyter is not just a tool, it powers the whole innovation of the world.

简介
先尝为敬
介绍
- 类型
Notebook 基本功能
- %matplotlib
- %timeit
- %run
- Cell 类型
- 自自动补全
- 问号查看详细⽂文档
- Magic Code
快捷键
制作 PPT
JupyterLab 独有的实⽤用功能
- 灵活多窗⼝口视图
- 展开和收缩Cell
- 拖拽 Cell
- 主题
- 支持多种类型⽂文件
插件
- Awesome jupyterlab extension list Github Extenion
- Jupyter Git
- Jupyterlab-toc
- Jupyterlab-drawio
- Jupyterlab_voyager
安装其他语⾔言的 Kernel
- 安装 R Kernel
- 安装 Julia Kernel Notebook
资源推荐
总结

简介

JupyterLab 是 Jupyter 团队为 Jupyter 项目开发的下一代基于 Web 的界面。相对于 Jupyter Notebook，它的集成性更强，更灵活并且更易扩展。它支持100种多种语言[2]，支持多种文档相互集成，实现了交互式计算的新工作流程^1[3]。

如果说 Jupyter Notebook 像是一个交互式的笔记本，那么 Jupyter Lab 更像是一个交互式的 VSCode。另外，JupyterLab 非常强大的一点是，你可以将它部署在云服务器，不管是电脑、平板还是手机，都只需一个浏览器，即可远程访问使用。

使用 JupyterLab，你可以进行数据分析相关的工作，可以进行交互式编程，可以学习社区中丰富的 Notebook 资料。

在 GitHub上有超过170万个公共 Jupyter Notebook[4]。例如官方 "A gallery of interesting Jupyter Notebooks"[5] 中列举了如下主题的各类 Notebook：

•编程与计算机科学•统计学，机器学习和数据科学•数学，物理，化学，生物学•地球科学和地理空间数据•语言学与文本挖掘•心理学和神经科学•机器学习，统计和概率•物理，化学和生物学•经济与金融•地球科学和地理空间数据

如果你是教授者，你还可以使用它进行教学，例如，可以通过安装插件，自动化检查学生的代码结果。你可以阅读这本书获取更多建议和信息：《Teaching and Learning with Jupyter》[6]。

总之，无论你是什么专业，无论你是做什么领域，无论你是之前使用过 Jupyter Notebook，还是完全没有接触过。从现在开始，使用 JupyterLab 这一得心应手的工具，都可以提升你的工作效率，让你的体验更加美好。

Note: 阅读本文最佳方式是打开电脑，实际的动手试一试这些功能。

先尝为敬

在安装之前，你可以直接在 Binder 中尝试使用 JupyterLab[7]。

或者查看一些 Notebooks：https://nbviewer.jupyter.org

安装

安装十分简易，可以通过 conda, pip, 或者 pipenv 进行安装[8]。

# condaconda install -c conda-forge jupyterlab
# pippip install jupyterlab
# pipenvpipenv install jupyterlabpipenv shell

个人推荐使用 Conda 的方式安装。

启动

进入到你想要使用 JupyterLab 的目录下，执行命令：

Jupyter lab

即可启动。

Token 的用途是确认身份，在你打开新标签时需要输入。

介绍

界面：

其中，左边栏(command + B)从上到下默认包含：

•文件浏览器•正在运行的 kernel 列表

•可以批量关闭 kernel

•命令板 (command/ctrl + shift + C)

••Cell 工具和已经打开的标签页

类型

JupyterLab 中有如下的 block 类型[9]：

•Notebooks 笔记本，同Jupyter Notebook•File browser 文件浏览器•Terminal 终端•Text Editor 文件编辑器•Kernels 内核•Output 输出

Notebook 基本功能

JupyterLab 中的 Notebook 和 Jupyter Notebook 中的使用方法一样。

Cell 类型

每一个 Notebook 就是一个kernel，在其中可以包含多个 cell。

Cell 的类型有三种，分别为：markdown，code 和 row。

运行 cell 的快捷键是：shift + command，大概会你用到最多次的一个快捷键。

选择 cell 之后，点击空白处，按下m键，代表转为markdown cell，y键代表转为code cell，同理r键代表转为row cell。

快捷键忘记了也没有关系，去命令板查一下就行：

自动补全

与大多数本地 IDE 相同，输入部分代码之后按 tab 键，即可自动补全。Jupyter Lab 中的自动补全显示比之前 Jupyter Notebook 的要友好，通过不同的颜色和图标。显示出了补全的类型。

问号查看详细文档

在函数或变量等后面添加一个问号(?)，执行之后，即可查看对应的详细文档:

使用两个问号(??)，会显示详细源代码信息：

Magic Code

IPython的一些特殊命令（不是内置于 Python 本身）被称为“魔术”命令。魔术命令是以百分号％为前缀的任何命令。

%matplotlib

最常用的魔法命令，大概就是 %matplotlib[10]了。它用于指定 matplotlib 的后端(backend)。通常我们使用：

%matplotlib inline

代表使用 inline作为后端，直接在 Notebook 中内嵌图片，并且可以省略掉 plt.show() 这一步骤。

％timeit

％timeit 函数检查任何 Python 语句的执行时间，例如：

run

你可以使用 %run 命令，在Notebook中运行任意的Python文件。例如：

%run add.py

还有其他一些常用命令，例如 %debug、%load_ext 和 %pwd，完整命令可以参考页面[11]。

快捷键

熟悉使用快捷键可以有效的帮我们提升效率，下面表格是一些常用快捷键的汇总图，可以先浏览一遍，看看自己经常会用的是什么:

格来源以及下载地址[12]：https://blog.ja-ke.tech/2019/01/20/jupyterlab-shortcuts.html

你也可以直接在设置中查看或修改相应的快捷键。

制作 PPT

你还可以直接通过 Notebook 制作一份网页版的 PPT，如果你的演示文稿中包含大量的代码，这将是一个不错的选择。

操作如下[13]：

1.打开一个 NoteBook，例如 Presentation.ipynb

2.选择左侧的 Cell Tool 标签页 3.选择需要展示的 Cell，设置其类型为Slide

4.转化并运行 Presentation.ipynb: jupyter nbconvert Presentation.ipynb --to slides --post serve

一个PPT就制作完成啦，显示效果如下：

此外，如想要回到原来的Jupyter Notebook 也是可以的，只需要将链接后面的 Lab 改为 Tree。

如下：

JupyterLab 独有的实用功能

灵活多窗口视图

如果你使用VSCode这样强大的IDE，Jupyter Notebook 中最不令人满意的一点，就是它只支持单一的文件视图。如果你想要在一个页面上，同时使用Notebook和终端，或者想要再右侧预览markdown文件，Notebook都没有支持。但是，Jupyter Lab 具有灵活的窗口视图功能，使得上述需求能够实现。

通过拖拽的方式，可以自由的添加视图：

可以将输出的图片作为单独窗口查看：

于 markdown 文件，可以点击右键显示菜单，选择预览进行查看。

另外一个独特的功能是，你可以执行文本中的代码块。

例如，在markdown文档中，有一段Python代码，可以右击，在菜单中选择新建一个console。点击代码片段任意位置之后执行(Shift+Center)：

展开和收缩Cell

我们注意到每一个Cell和Output左边都有一个蓝色的线，点击该蓝线，可以收拢或者展开，如果输出内容很多或者我们暂时不关心一些cell的内容时，就可以将其收拢起来。

拖拽 Cell

JupyterLab 非常灵活的第一点是，每一个Cell都是可以拖拽的，你不仅仅可以在单个文件内进行拖拽，还是在文件间进行拖拽，它会自从复制cell都另一个文件中。

主题

JupyterLab 自带黑白两种主题，和多种文本高亮主题。在设置菜单下即可设置主题。我们也可以更加自己的喜好，更换其他的主题。

支持多种类型文件

Jupyter Lab 对不同类型的文件支持也很完善。例如 JSON 文件，csv 文件和图片文件。

插件

通 VSCode一样，JupyterLab 也可以安装各类插件(extensions)。安装合适的插件，能够使你的效率提高很多。

JupyterLab 的插件是 npm 安装包。所以按照 JupyterLab 的插件，需要提前按照好 Node.js。

安装命令：

    conda install -c conda-forge nodejs

或者 (Mac Only):

    brew install node

完成之后，有两种方式进行插件的安装：

1.通过开启 Extension Manager 来安装和管理插件2.通过执行命令的方式安装。

如果使用第一种方式，需要手动的开启 Extension Manager: 在设置中选择高级设置 (command+逗号 )，再选择Extension Manager一栏，修改设置为 true:

{    "enabled": true}

设置成功之后，即可在走侧边栏中看到插件选项卡，可以查看已经按照的插件和探索其他未安装的插件。

Awesome jupyterlab extension list

目前，社区中，已经有很多优秀的插件可以使用，如果你自己一个个的去检索寻找非常麻烦，所以我建立了一个目前最完整的实用列表：https://github.com/Yogayu/awesome-jupyterlab-extension。列表中，包含简单的介绍，还有插件的效果展示图。因此，你能很方便的索引到自己需要的插件。

在本文中，重点介绍一些常用的插件。

Github Extenion

安装命令：

jupyter labextension install @jupyterlab/github

该扩展，会在左侧区域添加一个 Github 浏览器选项卡。你可以浏览 GitHub 上的内容，仓库等等。也可以直接打开仓库中 JupyterLab 支持的文件。如果文件是 Notebook 类型，你直接直接运行，无需下载到本地,非常的方便。

输入 GitHub 用户名，即可查看其下所有仓库内容。

直接打开 Notebook 文件，即可在本地查看和运行远程 Notebook：

Jupyter Git

Jupyter Git 是 JupyterLab 中的 Git图形化管理工具。安装之后，可以在 git标签页，查看对应的文件修改情况和版本历史等信息。类似于VSCode的Git管理工具。（是的，我们的 JupyterLab 越来越像 VSCode 了 : )

安装命令：

jupyter labextension install @jupyterlab/gitpip install jupyterlab-gitjupyter serverextension enable --py jupyterlab_git

使用：

Jupyterlab-toc

顾名思义，该插件可以自动生成文件内容目录。

安装命令：

jupyter labextension install @jupyterlab/toc

成功之后，即可以点击目录标签页，查看文档目录：

Jupyterlab-drawio

Jupyterlab-drawio 是一个在绘图插件，它将drawio / mxgraph独立集成到了 jupyterlab 中。

安装命令：

jupyter labextension install jupyterlab-drawio

安装成功之后，在启动面板即可以选择 Diagram 类型文件。

Jupyterlab_voyager

Voyager是一种数据可视化工具，可以自动和手动的生成图表。用来查看数据的基本分布信息，十分方便。

安装命令：

jupyter labextension install jupyterlab_voyager

安装之后，选择CSV或者JSON文件，右击选择 open with voyager，即可使用：

安装其他语言的 Kernel

前面我们说到 JupyterLab 支持多种语言，所以我们只需在 https://github.com/jupyter/jupyter/wiki/Jupyter-kernels 列表上找对对应的语言，安装其 Kernel 就可以使用。

这里我们以 R 和 Julia 为例。

安装 R Kernel

安装文档: https://irkernel.github.io

1.安装 R 下载地址：https://cran.r-project.org/mirrors.html 清华大学镜像源：https://mirrors.tuna.tsinghua.edu.cn/CRAN/2.在终端中运行 R, 运行命令：

The packages (' IRkernel)IRkernel: : installspec ()

1.或者直接使用 conda install -c r r-essentials 安装一些必备的包。

安装 Julia Kernel

安装文档: https://github.com/JuliaLang/IJulia.jl

1.安装 Julia[14]2.打开 Julia 之后，运行命令

using PkgPkg.add("IJulia")

完成之后即可在 JupyterLab 中新建对应语言的Notebook。

如果想要在同一个Notebook中运行不同的语言，可以参考项目:sos-notebook[15]。

Notebook 资源推荐

•首推官方资源列表[16]：https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks

最后，特别推荐一些书籍和课程的 Notebook：

•The Python Data Science HandBook[17]: https://github.com/jakevdp/PythonDataScienceHandbook•Hands-on the Machine Learning with Scikit-Learn and TensorFlow[18] : https://github.com/ageron/handson-ml•the Deep Learning with Python[19]: https://github.com/fchollet/deep-learning-with-python-notebooks•UC Berkeley Data 100[20]: https://github.com/DS-100/textbook

还有很多很多其他有趣的 Notebook，就等大家自己去探索，或者你可以自己写一个系列啦。

总结

最后，一起来回顾下本文内容吧：

看完之后，是不是觉得 JupyterLab 可以成为你的主力数据分析 IDE 了呢？

References

[1] ENGLISH VERSION: http:/data2art.com/jupyterlab-en.html
[2] 100种多种语言: https://github.com/jupyter/jupyter/wiki/Jupyter-kernels
[3] ^1: https://blog.jupyter.org/jupyterlab-is-ready-for-users-5a6f039b8906
[4] ^1: https://blog.jupyter.org/jupyterlab-is-ready-for-users-5a6f039b8906
[5] "A gallery of interesting Jupyter Notebooks": https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
[6] 《Teaching and Learning with Jupyter》: https://jupyter4edu.github.io/jupyter-edu-book/
[7] JupyterLab: https://jupyter.org/try
[8] 安装: https://jupyterlab.readthedocs.io/en/stable/getting_started/installation.html
[9] block 类型: https://github.com/jupyterlab/jupyterlab-demo/tree/master/slides
[10] %matplotlib: https://ipython.readthedocs.io/en/stable/interactive/plotting.html
[11] 参考页面: https://ipython.readthedocs.io/en/stable/interactive/magics.html
[12] 表格来源以及下载地址: https://blog.ja-ke.tech/2019/01/20/jupyterlab-shortcuts.html
[13] 操作如下: https://github.com/jupyterlab/jupyterlab/issues/5018#issuecomment-485842330
[14] 安装 Julia: https://julialang.org/downloads/
[15] sos-notebook: https://vatlab.github.io/blog/post/sos-notebook/
[16] 首推官方资源列表: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
[17] The Python Data Science Handbook: https://github.com/jakevdp/PythonDataScienceHandbook
[18] Hands-on the Machine Learning with Scikit-Learn and TensorFlow: https://github.com/ageron/handson-ml
[19] the Deep Learning with Python: https://github.com/fchollet/deep-learning-with-python-notebooks
[20] UC Berkeley Data 100: https://github.com/DS-100/textbook