Erste Schritte mit JupyterLab Tutorial

Es ist unmöglich, die Softwareentwicklung ohne Programmiersprachen zu verstehen. Stimmt, ein Softwareentwickler ohne Programmiersprache ist wie ein Taxifahrer ohne Auto. Die Dinge sind jedoch komplexer. Genauso wie GPS das Leben von Taxifahrern erleichtert, tun dies integrierte Entwicklungsumgebungen (auch IDEs genannt) für Programmierer. 

IDEs wurden entwickelt, um Programmierern das Schreiben von Code und die Entwicklung von Softwareanwendungen zu erleichtern. IDEs steigern die Produktivität von Programmierern, indem sie mehrere Hilfsprogramme in einer einzigen Oberfläche zusammenfassen. Das Schreiben, Testen und Debuggen von Code sowie Bearbeitungsfunktionen wie Syntaxhervorhebung, Klammerübereinstimmung und automatische Codevervollständigung gehören zu den häufigsten Funktionen moderner IDEs. 

Es gibt viele IDEs, die sich besonders gut für Data Science eignen, darunter DataLab von DataCamp. In diesem Artikel stellen wir dir JupyterLab vor, die nächste Generation von Jupyter Notebook, der wohl beliebtesten IDE für Data Science. Das 2018 veröffentlichte JupyterLab bietet eine flexible Benutzeroberfläche und mehr Funktionen als das klassische Jupyter Notebook und ist sicherlich die Gegenwart und die Zukunft von Project Jupyter. Bist du bereit, mit JupyterLab anzufangen? Lies weiter!

Eine kurze Einführung in Jupyter Notebook

Als Jupyter Notebook 2014 zum ersten Mal auf den Markt kam, revolutionierte es schnell die IDE-Landschaft. Jupyter gilt seit Kurzem als eines der wichtigsten Computerprojekte, das den Prozess des wissenschaftlichen Publizierens für immer verändert hat, und hat sich zum De-facto-Standard in der Datenwissenschaft entwickelt.

Jupyter Notebook funktioniert als Server-Client-Anwendung, mit der du Notebooks über einen Webbrowser bearbeiten und ausführen kannst. Die Anwendung kann auf einem Computer ohne Internetzugang ausgeführt werden oder auf einem Remote-Server installiert werden, auf den du über das Internet zugreifen kannst.

Ursprünglich wurde Jupyter für die Unterstützung von Julia, Python und R entwickelt - drei der beliebtesten Programmiersprachen für Data Science - heuteunterstützt Jupyter über 40 Programmiersprachen. 

Jupyter besteht aus zwei Hauptkomponenten.

• Kernel. Es handelt sich um ein Programm, das den Code des Nutzers ausführt und introspektiert. Standardmäßig hat Jupyter einen Kernel für Python-Code, aber es gibt auch Kernel für andere Programmiersprachen.
• Dashboard. Ein Notizbuch besteht hauptsächlich aus einer Zellenfolge, die Elemente wie Code, Text, Visualisierungen, Bilder und Formeln enthalten kann. Neben den Zellen enthält das Dashboard verschiedene Werkzeuge, um den Notebook-Workflow zu konfigurieren, Code zu debuggen, Notebooks in verschiedene Formate zu exportieren, Dokumente zu durchsuchen und vieles mehr. 

Als verbesserte Version von Jupyter Notebook fügt JupyterLab neue Funktionen und Möglichkeiten hinzu, obwohl die Kernkomponenten intakt bleiben.

Erste Schritte mit JupyterLab

Um JupyterLab nutzen zu können, musst du es zunächst auf deinem Computer installieren, wie jedes andere Programm auch. Das kann auf verschiedene Arten geschehen, je nach deinen Vorlieben: mit pip, Anaconda oder Docker.

Installation von JupyterLab mit pip

Pip ist der Standard-Paketmanager in Python. Um JupyterLab mit pip zu installieren, musst du es nur auf der Kommandozeile ausführen:

>>pip install jupyterlab

Nachdem du diese Anweisung ausgeführt hast, installiert pip die JupyterLab-Pakete sowie alle Abhängigkeiten, die für das Funktionieren von JupyterLab erforderlich sind. Wenn du mehr über die Verwaltung von Paketen in Python wissen willst, schau dir unser Pip Python Tutorial für die Paketverwaltung.

Wenn du JupyterLab erfolgreich auf deinem Computer installiert hast, musst du nur die folgende Anweisung ausführen, um JupyterLab zu öffnen:

>>jupyter lab

Dann wird die Anwendung in deinem bevorzugten Webbrowser unter der folgenden Adresse geöffnet: http://localhost:8888/lab 

Installation von JupyterLab mit Anaconda

Anaconda ist ein Paketmanager, ein Umgebungsmanager und eine Python-Distribution, die eine Sammlung von vielen Open-Source-Paketen enthält. Anaconda ist eine gute Wahl, wenn du in die Datenwissenschaft einsteigen willst. Du musst dir keine Gedanken mehr darüber machen, wie du Python oder JupyterLab installierst, denn in modernen Anaconda-Distributionen werden sie automatisch installiert.

Der einfachste Weg, JupyterLab zu starten, ist der Anaconda Navigator, eine Anwendung, mit der du die Funktionen von Anaconda benutzerfreundlich und ohne Code nutzen kannst. Wie du auf dem Bild unten sehen kannst, sind sowohl Jupyter Notebook als auch JupyterLab bereits installiert. Du musst nur auf die Schaltfläche Starten klicken, um JupyterLab in deinem Webbrowser zu öffnen. 

In bestimmten Fällen - zum Beispiel, wenn du eine neue conda-Umgebung-erstellst, musst du JupyterLab möglicherweise in dieser Umgebung installieren. Am schnellsten geht es, wenn du Folgendes in der conda-Befehlszeile (Anaconda Prompt unter Windows und Terminal unter macOS und Linux) ausführst:

>>conda install -c conda-forge jupyterlab

Installation von JupyterLab mit Docker

Docker ist eine offene Plattform, um Software in Containern auszuführen. Diese Container sind in sich geschlossene und isolierte Prozesse, die es dir ermöglichen, deine Anwendungen von deiner Infrastruktur zu trennen, damit du Software schnell bereitstellen kannst. 

Wenn du Docker installiert hast, kannst du JupyterLab installieren und verwenden, indem du eines der vielen Docker-Images auswählst, die von den Jupyter Docker Stacks unterstützt werden. Du kannst diese Images als vorgefertigte Softwarepakete betrachten, die automatisch von Docker heruntergeladen werden können, wenn du sie ausführst.

Wenn du zum Beispiel das Docker-Image jupyter/datascience-notebook installieren möchtest, das Bibliotheken für die Datenanalyse von Julia, Python und R enthält, musst du nur den folgenden Befehl in Docker ausführen:

>>docker run -it -p 10000:8888 -e JUPYTER_ENABLE_LAB=yes jupyter/scipy-notebook

Weitere Details und Beispiele für die Verwendung von JupyterLab auf Docker findest du in der Dokumentation. Für eine ausführliche Einführung in Docker empfehlen wir dir außerdem dieses DataCamp-Tutorial.

JupyterLab Interface

Die JupyterLab-Benutzeroberfläche ist eine überarbeitete Version der Jupyter Notebook-Benutzeroberfläche und bietet eine neue Reihe modularer Bausteine für interaktives und effizientes Rechnen. JupyterLab integriert mehrere Codierwerkzeuge in einer einzigen Oberfläche und bietet so ein Codier-Erlebnis, das eher traditionellen IDEs ähnelt. 

Die JupyterLab-Schnittstelle besteht aus den folgenden Hauptelementen: 

• Arbeitsbereich. Der Hauptarbeitsbereich verfügt über ein neues, auf Registerkarten basierendes Layout, mit dem du verschiedene Dokumente (Notizbücher, Datendateien, HTML, PDFs, Bilder usw.) und Programmierwerkzeuge (Terminal, Codekonsolen, Texteditor usw.) in Registerkartenfeldern zusammenfassen kannst, die per Drag & Drop in der Größe verändert oder unterteilt werden können. Das tabulatorbasierte System, das es in Jupyter Notebook nicht gibt, ermöglicht eine integriertere und effizientere Programmierung, da die Entwickler die meisten ihrer Aufgaben erledigen können, ohne JupyterLab zu verlassen. 
• Linke Seitenleiste. Die ausklappbare Seitenleiste enthält verschiedene häufig genutzte Registerkarten, z. B:
  • Dateibrowser. Es ermöglicht dir, Dateien und Ordner auf deinem Computer zu verwalten.
  • Tab und Kernel Manager. Es bietet eine Liste der Registerkarten im Hauptarbeitsbereich und der laufenden Kernel und Terminals.
  • Inhalt der Tabelle. Ein interaktiver Index, der auf Überschriften in Markdown-Zellen basiert.
  • Extension Manager. Damit kannst du neue Anwendungen und Plugins installieren, um dein JupyterLab-Erlebnis zu verbessern (siehe unten). 
• Rechte Seitenleiste. Eine zweite ausklappbare Seitenleiste, die Folgendes enthält:
  • Grundstücksinspektor/in. Sie ermöglicht es dir, die Informationen und Eigenschaften der Zellen genau zu untersuchen. 
  • Debugger (siehe weiter unten)
• Menüleiste. Die Menüleiste am oberen Rand von JupyterLab enthält übergeordnete Menüs mit den in JupyterLab verfügbaren Aktionen. Die verschiedenen Menüs sind: 
  • Datei: Aktionen, die sich auf Dateien und Verzeichnisse beziehen.
  • Bearbeiten: Aktionen im Zusammenhang mit der Bearbeitung von Dokumenten und anderen Aktivitäten.
  • AnsichtAktionen, die das Aussehen von JupyterLab verändern.
  • AusführenAktionen zum Ausführen von Code in verschiedenen Aktivitäten.
  • KernelAktionen zur Verwaltung von Kerneln.
  • Registerkarten: eine Liste der offenen Dokumente und Aktivitäten im Arbeitsbereich.
  • Einstellungen: allgemeine Einstellungen und ein Editor für erweiterte Einstellungen. Eine der coolsten Funktionen von JupyterLab ist die Möglichkeit, verschiedene Themen für die Benutzeroberfläche auszuwählen, darunter den Dark Mode.
  • Hilfe: eine Liste mit Links zur JupyterLab- und Kernel-Hilfe.

Fehlersuche in JupyterLab

Das Ziel der Fehlersuche ist es, die Ursachen für die Fehler, die während des Testprozesses in deinem Programm gefunden wurden, aufzuzeigen und deinen Code so anzupassen, dass er das richtige und gewünschte Ergebnis liefert. 

Datenentwicklerinnen und -entwickler und im weiteren Sinne auch Softwareentwicklerinnen und -entwickler überwachen die Wechselwirkungen zwischen den Programmvariablen und deren Veränderungen im Rahmen eines Debugging-Prozesses. Du kannst die möglichen Ursachen für die Fehler in deinem Programm untersuchen, indem du dir ansiehst, wie die verschiedenen Funktionen, Methoden oder sogar Codezeilen den Wert und die Funktionalität der Variablen verändern.

Jupyter Notebook und die ersten Versionen von JupyterLab enthalten den eingebauten magischen Befehl %debug, um Debugging-Aufgaben durchzuführen. Allerdings ist das Tool im Vergleich zu Debuggern in anderen IDEs recht rudimentär. 

Glücklicherweise enthalten die neuesten Versionen von JupyerLab standardmäßig ein Debugger-Frontend. Es beinhaltet die traditionellen Debugging-Funktionen, wie das Setzen von Haltepunkten, das Springen in Funktionen und das Überprüfen von Variablen. Du kannst sie in der rechten Seitenleiste aktivieren, wie in der Abbildung unten gezeigt: 

JupyterLab-Erweiterungen

JupyterLab ist bereits ein leistungsfähiges und gut ausgestattetes Tool, mit neuen Funktionen, die dein Coding-Erlebnis noch IDE-ähnlicher machen werden. Wenn du jedoch das Gefühl hast, dass einige Funktionen fehlen oder du die Fähigkeiten von JupyterLab erweitern möchtest, solltest du dir die Jupyter Extensions ansehen.

JUpyterLab-Erweiterungen sind in JavaScript geschriebene Software, die ein oder mehrere Plugins enthält, um JupyterLab neue Funktionen hinzuzufügen, z. B. neue Themen, einen Dateieditor und neue Befehlskürzel. 

Es gibt zwei Arten von JupyterLab-Erweiterungen: 

• Vorgefertigte Erweiterung. Sie erfordern keine Neuinstallation von JupyterLab.
• Quellenerweiterung. Sie erfordern eine Neuinstallation von JupyterLab, wenn sie installiert werden. Um JupyterLab neu zu erstellen, muss Node.js - eine plattformübergreifende Open-Source-Umgebung zum Ausführen von JavaScript-Anwendungen - installiert werden. 

Wenn du conda mit conda-forge Paketen verwendest, kannst du Node.js mit bekommen:

>>conda install -c conda-forge nodejs

Es gibt mehrere Möglichkeiten, JupyterLab-Erweiterungen zu verwalten, aber wir empfehlen dir dringend, den eingebauten Erweiterungsmanager zu verwenden. Über das Puzzle-Symbol in der Seitenleiste kannst du mit dem Erweiterungsmanager Erweiterungen installieren und deaktivieren, ohne dass du einen Code eingeben musst.

Weitere Informationen über JupyterLab-Erweiterungen und wie du sie verwaltest, findest du in der JupyterLab-Dokumentation.

JupyterLab vs. Jupyter Notebook

​Unten findest du eine Tabelle mit den Unterschieden zwischen Jupyter Notebook und JupyterLab:

DataLab

Wenn du auf der Suche nach einer cloudbasierten Online-IDE bist, mit der du gemeinsam Code schreiben, Daten analysieren und deine Erkenntnisse teilen kannst, ist DataLab eine gute Wahl. 

DataLab wurde von DataCamp entwickelt und ist eine Cloud-basierte Datenanalyseplattform, mit der du schnell und einfach loslegen kannst. Mit DataLab kannst du den zeitaufwändigen Einrichtungsprozess überspringen und sofort mit den Daten arbeiten. Es muss nichts installiert werden, da alles über den Browser zugänglich ist. 

Wenn du DataLab verwendest, findest du integrierte Datensätze, die du sofort verwenden kannst, sowie vorgefertigte Vorlagen mit vorgefertigtem Code. DataLab ist für alle Qualifikationsstufen zugänglich und bietet Low- und No-Code-Tools, mit denen du beeindruckende Berichte und Visualisierungen erstellen kannst. 

Es unterstützt auch Python und R, beide mit nativen SQL-Integrationen, und ist mit den weltweit beliebtesten Data Science-Paketen vorkonfiguriert und vorinstalliert.