Che cos'è Jupyter Notebook?
Applicazione web open source per documenti interattivi che combina codice live, equazioni, visualizzazioni e testo narrativo in Python, R e Julia
Archived. This article has not been updated since the publish date above. The dynamic nature of information means that previously accurate content can become outdated or even obsolete over time. Readers are advised to exercise due diligence and cross-check any information found in this blog post before making decisions or adopting any practices based on said information.
- L'architettura include un kernel (motore di calcolo) che esegue codice in un linguaggio di programmazione specifico, un server che gestisce le istanze del kernel e fornisce l'interfaccia notebook, nonché un'interfaccia utente basata sul web che consente un editing avanzato con markdown, LaTeX e incorporamento di contenuti multimediali.
- Supporta l'esplorazione interattiva dei dati, la ricerca riproducibile, l'analisi collaborativa, la creazione di tutorial e report pronti per la presentazione con visualizzazioni in linea utilizzando librerie come matplotlib, seaborn, plotly e widget interattivi.
- Le integrazioni includono il controllo delle versioni Git, l'archiviazione cloud (S3, Azure Blob), framework per big data (Spark, Dask) e JupyterHub per distribuzioni multiutente con gestione delle risorse e autenticazione.
Che cos'è un notebook Jupyter?
Un notebook Jupyter è un'applicazione web open-source che consente ai data scientist di creare e condividere documenti che contengono codice live, equazioni e altre risorse multimediali.
A che cosa servono i notebook Jupyter?
I notebook Jupyter vengono utilizzati per ogni tipo di attività di data science, come analisi esplorativa (EDA), pulizia e trasformazione dei dati, visualizzazione dei dati, modellazione statistica, machine learning e deep learning.
Quali vantaggi offre l'utilizzo dei notebook Jupyter?
I notebook Jupyter sono utili in particolare per "mostrare il lavoro" fatto dal team di gestione dei dati attraverso una combinazione di codice, annotazioni, link e immagini. Sono facili da usare e possono essere eseguiti cella per cella per capire meglio che cosa fa il codice.
I notebook Jupyter possono anche essere convertiti in diversi formati standard di uscita (HTML, Powerpoint, LaTeX, PDF, ReStructuredText, Markdown, Python) attraverso l'interfaccia web. Questa flessibilità agevola i data scientist che devono condividere il loro lavoro con altri.
Come funzionano i notebook Jupyter?
Un notebook Jupyter ha due componenti: una pagina web front-end e un kernel back-end. La pagina web front-end consente ai data scientist di inserire codice di programmazione o testo in "celle" rettangolari. Il browser passa quindi il codice al kernel back-end che lo esegue e restituisce i risultati.
Il playbook sull'AI agentiva per l'enterprise
Quali sono le controindicazioni dell'utilizzo di notebook Jupyter?
- Difficoltà di manutenzione e sincronizzazione quando più persone lavorano sullo stesso codice.
- Difficoltà di operazionalizzare il codice perché i notebook Jupyter non hanno alcuna integrazione o strumenti integrati per operazionalizzare i modelli di machine learning.
- Difficile scalabilità — I notebook Jupyter sono progettati per data science con un singolo nodo. Se il volume di dati eccede la capacità di memoria del computer, utilizzare i notebook Jupyter diventa molto più difficile.
Sono disponibili notebook Jupyter su Databricks?
Stai cercando uno strumento evoluto per attività collaborative di data science? La risposta è Databricks! I nostri notebook consentono di collaborare con colleghi dei team di ingegneria, data science e machine learning in diversi linguaggi, con visualizzazioni integrate dei dati e operazionalizzazione con lavori. Registrati per una prova gratuita.
Databricks supporta i notebook Jupyter?
Sì. I cluster di Databricks possono essere configurati per utilizzare il kernel IPython allo scopo di sfruttare i vantaggi degli strumenti open-source dell'ecosistema Jupyter (strumenti di visualizzazione e di output, ad esempio). Databricks offre inoltre il supporto per l'importazione e l'esportazione di file .ipynb, pertanto è possibile proseguire su Databricks il lavoro esattamente dal punto in cui è stato interrotto nel notebook Jupyter, e viceversa. Infine, Databricks supporta da tempo le librerie open-source di Jupyter all'interno di Databricks Machine Learning Runtime.
Come usare il kernel IPython su Databricks
È facile. Leggi la documentazione, poi registrati per una prova gratuita di Databricks.
Risorse aggiuntive
Ricevi gli ultimi articoli nella tua casella di posta
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.