Jupyter Interface Vorschau

Jupyter Preview Die Jupyter-Umgebung ist besonders nützlich für:
  1. Datenanalyse- und Visualisierungsprojekte mit Python-Bibliotheken (Pandas, Matplotlib usw.)
  2. Machine-Learning- und Deep-Learning-Experimente
  3. Interaktive Codeausführung mit sofortigem Feedback
  4. Erstellen von dokumentierten Workflows, die Code und Markdown kombinieren
  5. Bildungsinhalte mit Erklärungen und ausführbaren Beispielen

Zugriff auf die Oberfläche

  1. Klicken Sie nach dem Start eines Jupyter-fähigen Labs auf die Registerkarte “Notebook” oben auf der Seite.
  2. Warten Sie, bis die Jupyter-Oberfläche vollständig geladen ist.
  3. Sie sehen die vertraute Jupyter Notebook-Oberfläche in Ihrem Browser.
Notebook Tabs

Oberflächenlayout

Die Jupyter-Oberfläche besteht aus mehreren Schlüsselkomponenten:
  1. Hauptarbeitsbereich: Main Work Area
    • Notebook-Zellen (Code und Markdown)
    • Ausgabedisplay
    • Symbolleiste mit gängigen Aktionen
  2. Obere Menüleiste: Top Menu Bar
    • Dateioperationen
    • Zellenmanipulation
    • Kernel-Steuerung

Arbeiten mit Notebooks

Zelltypen

  1. Codezellen:
    • Schreiben und Ausführen von Python-Code
    • Ausgabe direkt unterhalb der Zelle anzeigen
    • Verwenden Sie Umschalt+Eingabe zum Ausführen
    Code Cell
  2. Markdown-Zellen:
    • Dokumentieren Sie Ihre Arbeit
    • Fügen Sie Erklärungen und Notizen hinzu
    • Unterstützen Sie mathematische Gleichungen mit LaTeX

Häufige Operationen

  1. Neue Zellen erstellen:
    • Klicken Sie auf die Schaltfläche + in der Symbolleiste
    • Verwenden Sie die Tastenkombination B (unten) oder A (oben)
  2. Zellen ausführen:
    • Klicken Sie auf die Wiedergabetaste
    • Verwenden Sie Umschalt+Eingabe
    • Verwenden Sie die Menüoptionen “Zelle”
  3. Zelltyp ändern:
    • Verwenden Sie die Dropdown-Liste in der Symbolleiste
    • Tastenkombinationen: Y (Code), M (Markdown)

Nutzungsszenarien

100 Pandas Übungen

Dies ist ein Beispiel-Datenanalyse-Lab, das 100 Übungen mit Pandas behandelt.
Arbeiten mit Daten in Jupyter:
import pandas as pd
import matplotlib.pyplot as plt

# Daten lesen
df = pd.read_csv('data.csv')

# Visualisierung erstellen
plt.figure(figsize=(10, 6))
df['column'].plot(kind='bar')
plt.title('Datenvisualisierung')
plt.show()
Die Ausgabe erscheint direkt unterhalb der Codezelle, wodurch die Iteration über Ihre Analyse erleichtert wird.

Scikit-Learn Klassifizierer Vergleich

Dies ist ein Beispiel-Machine-Learning-Lab, das verschiedene Klassifizierer vergleicht mit Scikit-Learn.
Beispiel für einen Machine-Learning-Workflow:
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# Daten aufteilen
X_train, X_test, y_train, y_test = train_test_split(X, y)

# Modell trainieren
model = LogisticRegression()
model.fit(X_train, y_train)

# Evaluieren
score = model.score(X_test, y_test)
print(f"Modellgenauigkeit: {score:.2f}")

Häufig gestellte Fragen

Sie können zusätzliche Pakete mit pip in einer Codezelle installieren:
!pip install package-name
Denken Sie daran, dass Installationen temporär sind und beim Beenden Ihrer Sitzung zurückgesetzt werden.
Wichtige Jupyter-Shortcuts:
  • Zellenausführung
    • Zelle ausführen: Umschalt+Eingabe
    • Zelle ausführen und darunter einfügen: Alt+Eingabe
  • Zellenoperationen
    • Zelle oberhalb einfügen: A
    • Zelle unterhalb einfügen: B
    • Zelle löschen: D,D (zweimal drücken)
    • Zelle kopieren: C
    • Zelle einfügen: V
  • Zelltypen
    • Codezelle: Y
    • Markdown-Zelle: M
  • Sonstiges
    • Notebook speichern: Strg+S
    • Befehlspalette: Strg+Umschalt+P
Drücken Sie H, um alle Shortcuts anzuzeigen.
Bildungs-Notebooks in LabEx unterscheiden sich von regulären Lab-Inhalten:
  1. Inhalte werden direkt im Notebook präsentiert
  2. Keine schrittweise Überprüfung aufgrund der Natur von Jupyter verfügbar
  3. Sie lernen durch:
    • Lesen von Erklärungen in Markdown-Zellen
    • Ausführen von Beispielcode
    • Ändern von Code zum Experimentieren
    • Abschließen von Übungen innerhalb des Notebooks
Dieses Format ermöglicht eine interaktivere und selbstgesteuerte Lernerfahrung.