Рубрики
Без рубрики

Jupyter Notebooks для инженеров программного обеспечения 🚀

Простое руководство по работе с ноутбуками Jupyter. Теги с Python, Jupyter, Datascity, учебником.

Jupyter Notebook – это интерактивное веб-приложение, которое интерфейсы с iPython REPL, позволяя запустить структурированные, но итеративные сценарии Python. Это выбор де-факто для ученых данных для быстрого прототипа трубопроводов, визуализирует данные или выполнять специальный анализ.

Ноутбуки Jupyter являются фантастическим способом для визуальных наборов данных, которые вы могли бы иметь, а также проводить специальный анализ. Это особенно полезно для запроса баз данных и отображение данных повторяется.

Настройка вашей среды

При работе над любым проектом Python мне нравится использовать Pyenv и Pyenv Virtual Environment Wraphper для управления всеми разными версиями и зависимостями Python. Вы можете найти руководства по установке на PENV GitHUB REPO и Wirtual Env Wrapper Отказ

Если у вас нет установленного Python 3.6, уже выполните следующее:

$ pyenv install 3.6.0

Настройте новую виртуальную среду и активируйте ее:

# Create a Python 3.6.0 environment called jupyter-notebooks
$ pyenv virtualenv 3.6.0 jupyter-notebooks

# Start the virtual environment
$ pyenv activate jupyter-notebooks

Затем установите все зависимости, которые вам потребуются:

$ pip install jupyter pandas numpy matplotlib seaborn

Наконец, начните свой сервер Jupyter в каталоге, который вы хотели бы сохранить свои ноутбуки:

$ jupyter notebook

Создание ноутбука

Ноутбуки создаются с помощью выпадающего списка в верхнем правом углу страницы. Jupyter автоматически откроется и начнет ноутбук, так что вы будете готовы к работе.

Как и с любым другим файлом Python, это лучшая практика, чтобы включить ваш импорт в верхней части файла. В Jupyter мы можем использовать первую клетку для них. Shift + Enter запускает ячейку, как только вы написали свой скрипт.

# Pandas for manipulating dataframes
import pandas as pd

# Matplotlib for inline graphs and plots
from matplotlib import pyplot as plt
%matplotlib inline

# Seaborn for plot styles.
import seaborn as sns

Чтение в данных

CSV.

Pandas имеет удобную функцию для чтения в файлах CSV. Ниже приведены пара примеров, но Крис Албон имеет Отличный блог Post Об импорте файлов CSV, если вам нужна дополнительная информация.

# if the file has headers
df = pd.read_csv('path_to_file')

# if the file has no headers
df = pd.read_csv('path_to_file', headers=None)

Изучение данных

Существует ряд методов для изучения кадра данных после его нагрузки. Проверять первый n ряды, используйте голова Функция, которая возвращает первые 5 строк по умолчанию, но может вернуть любой указанный номер.

# Print the first 5
df.head()

# Print the first 10
df.head(10)

Чтобы узнать некоторую основную информацию о данных, проводимых в рамках данных, Опишите Функция выводит сводку значений, исключающих любой Нан ценности.

df.describe()

Наконец, для просмотра кадров данных в его полноте Pandas предоставляет опция_context Функция для временного установки параметров в пределах с контекст.

# Set the max rows to print to 999 and print.
with pd.option_context('display.max_rows', 999):
    print (df)

Изменение и фильтрация данных

Чтобы получить доступ к отдельным столбцам и значениям в рамке данных, Pandas предоставляет loc параметр.

# fetch a column
df['column_name']

# fetch a row
df.loc['index_value']

# fetch a single value
df.loc['index_value', 'column_name']

# filter a data-frame by a given condition
df.loc[lambda df: df['column_name'] > 3]

Столбцы могут быть добавлены или изменены легко, используя Применить функция

# create a new column based on other column values
df['new_column'] = df['old_column'].apply(lambda val: val * 2)

# override a column
df['old_column'] = df['old_column'].apply(lambda val: val * 2)

Основные графики

Графическая графика в ноутбуках Jupyter так же просто, как звонить в одну функцию Weabboard.

# create a line plot using your data frame
sns.lineplot(x="my_x_field", y="my_y_field", data=my_data_frame)

# create a scatter plot
sns.scatterplot(x="my_x_field", y="my_y_field", size="attribute_z",
                sizes=(10, 200), # size boundaries
                data=my_data_frame)

Сайт Морной Обеспечивает всеобъемлющий список примеров, каждый из которых используется фрагмент кода, используемый для их создания и некоторых примеров наборов данных для изучения.

Бонус

Недавно GitHub начал рендеринг ноутбуков Jupyter в их интерфейсе UI, что делает его проще, чем когда-либо запускать и делиться ноутбуками. У репозитория iPython есть Хороший пример Отказ

Полезные ссылки

Пандас Морной Jupyter.

Оригинал: “https://dev.to/tbutterwith/jupyter-notebooks-for-software-engineers-18m5”

Читайте ещё по теме: