Notebooks para usuarios de R

Hace más de un año lanzamos DataCamp Workspace, nuestro IDE de notebooks en la nube, diseñado para que profesionales y equipos trabajen con datos y colaboren en línea sin fricciones. A día de hoy, miles de personas y equipos usan Workspace para analizar datos y compartir insights, crear proyectos de porfolio y competir en competiciones. 

Recientemente hemos migrado nuestros espacios de trabajo de RStudio al Editor de notebooks de DataCamp o a JupyterLab. Esto significa que los usuarios de R pueden disfrutar de las últimas funciones de Workspace, como compartir, colaborar, comentar, integración nativa con SQL y mucho más. En esta entrada, resumimos las funciones clave de JupyterLab, en qué se diferencia de RStudio y cómo puedes sacar partido al Editor de notebooks de DataCamp si trabajas con R.

JupyterLab: una interfaz de notebooks de nueva generación

JupyterLab es un entorno de desarrollo interactivo basado en la web para notebooks de R y Python, además de otros lenguajes de programación. Diseñado específicamente para flujos de trabajo de ciencia de datos y machine learning, su interfaz rica incluye un notebook, terminal, editor de texto y explorador de archivos. Su diseño modular también invita a la comunidad open source a crear extensiones para ampliar la funcionalidad de JupyterLab. En JupyterLab, la salida de cada celda de código aparece en cuanto se ejecuta. Al igual que en un notebook de R Markdown, puedes intercalar bloques de código con anotaciones en markdown. 

Vista general de la interfaz de JupyterLab en DataCamp Workspace

JupyterLab ≈ RStudio 

Tanto JupyterLab como RStudio son entornos de desarrollo integrados (IDE) muy populares para el lenguaje R. Salvo por algunas diferencias sutiles, su funcionamiento y sensación son muy parecidos. Entre otras cosas, RStudio incluye un gestor de archivos, terminal, un explorador de variables e incluso un panel de ayuda de funciones. Esto permite acceder fácilmente a distintos archivos y ajustes, acelerando y simplificando el análisis. Muchas de estas funciones también están disponibles en JupyterLab. En esta sección destacamos los componentes principales de la interfaz de JupyterLab. 

La barra lateral

La barra lateral izquierda contiene cinco iconos:

• Un explorador de archivos, donde puedes abrir distintos archivos 
• Terminales y kernels en ejecución, donde puedes ver los procesos en marcha 
• Git, donde puedes gestionar repositorios
• Tabla de contenido, donde puedes hojear el esquema del notebook
• Gestor de extensiones, donde puedes descargar extensiones de notebooks

Vista general del gestor de archivos

Terminales y kernels en ejecución

Vista general de la tabla de contenidos

Vista general del gestor de extensiones

El área de trabajo principal

El área de trabajo principal es donde escribirás código, ejecutarás comandos de shell y editarás documentación en markdown. Al igual que en RStudio, puedes personalizar el diseño a tu gusto. Puedes centrarte en un único panel o trabajar con varios a la vez.

Interfaz personalizable de JupyterLab

Barra de menús superior

Igual que en RStudio, la barra de menús superior incluye opciones y cintas que permiten realizar las siguientes acciones:

• File para abrir, guardar y descargar notebooks, entre otras acciones
• Edit para editar el contenido de las celdas (deshacer, rehacer, borrar y dividir celdas)
• View para personalizar los paneles disponibles en JupyterLab
• Run para ejecutar bloques de código en notebooks de Jupyter
• Kernel para interrumpir o detener un kernel en ejecución (lo veremos más adelante)
• Git para gestionar repositorios y control de versiones
• Tab para navegar por las pestañas de JupyterLab.
• Settings para personalizar la apariencia de JupyterLab.
• Help con más información sobre JupyterLab.

Barra de menús superior en JupyterLab

El motor de ejecución de JupyterLab: el kernel

Un término común cuando trabajas con Jupyter es “kernel”. Un kernel es un proceso que ejecuta código e interactúa con aplicaciones de Jupyter como JupyterLab. Puedes considerarlo el motor que ejecuta el código de un notebook de Jupyter. El kernel sigue ejecutándose incluso cuando cierras el documento del notebook, la consola de código o el terminal. Esto significa que puedes lanzar tareas de larga duración (incluso cerrar el documento del notebook) y volver más tarde. 

Para ver todos los kernels en ejecución, ve a la pestaña “Running Terminals and Kernels”. Desde ahí puedes reabrir el notebook vinculado a un kernel concreto.

Panel lateral de terminales y kernels en ejecución

Hay varias acciones relacionadas con el kernel disponibles, entre ellas:

• Interrumpir un kernel: detiene la ejecución del código en el notebook, pero mantiene las variables.
• Apagar un kernel: interrumpe el kernel y borra todos los estados y variables existentes del notebook. 
• Reiniciar un kernel: apaga el kernel actual e inicia uno nuevo.

 La barra de menú de kernel

Primeros pasos con JupyterLab

Veamos el proceso para crear un notebook nuevo y ejecutar un análisis con JupyterLab. Puedes seguir estas instrucciones abriendo un nuevo conjunto de datos o una plantilla en DataCamp Workspace. 

Crear un documento

Puedes crear un notebook nuevo en JupyterLab desde el menú File > New > Notebook. Es muy similar a RStudio. Como alternativa, también puedes pulsar el botón azul + en la esquina superior izquierda para abrir archivos nuevos.

Abrir un archivo nuevo en JupyterLab

Escribir y ejecutar código

Un notebook de JupyterLab se compone de múltiples bloques, cada uno de los cuales puede contener markdown o código. Un bloque de código en JupyterLab es similar a un chunk en RNotebook.

Para crear un bloque, puedes hacer clic en el botón + cerca de la parte superior de la consola. Ejecuta un bloque de código con el botón ▶ (o Cmd+Enter en Mac, o Control+Enter en Windows). Igual que en RStudio, la salida se muestra debajo del bloque de código al ejecutarlo. Ten en cuenta que cada bloque se ejecuta de una vez, como la función “run current chunk” de RStudio. 

En RStudio, puedes ejecutar cada línea de forma individual (Run > Run Selected Lines). En JupyterLab no es así. Para ejecutar dos líneas por separado, debes dividirlas en bloques distintos usando la función de dividir celda (Edit > Split Cell).

Ejecutar una celda de código en JupyterLab

Gestión de archivos

Al igual que RStudio, JupyterLab tiene un gestor de archivos donde puedes navegar por archivos y directorios. Puedes crear, renombrar, mover y duplicar archivos.

Gestor de archivos en JupyterLab

Anotar código con Markdown

Las anotaciones son imprescindibles para que un notebook sea legible. Tanto en Jupyter Notebook como en RStudio, puedes dar contexto a tu código con bloques en markdown.

Para usar markdown, crea un bloque nuevo y conviértelo en un bloque de Markdown. Luego aplica la sintaxis de markdown para dar formato al texto.

Uso de Markdown en JupyterLab

Esto difiere ligeramente de RNotebook, donde no es necesario crear un bloque aparte para markdown. Al compilar, el notebook se convierte en un documento HTML en el que se muestran correctamente el código y el markdown.

Guardar y publicar un notebook

Guardar en JupyterLab es similar a RStudio: ambos guardan automáticamente el notebook a intervalos predeterminados. 

JupyterLab permite exportar archivos de notebook (.ipynb) a otros formatos, como HTML, LaTeX, Markdown y PDF. Para ello, ve a File > Save and Export Notebook As… > Tu formato de salida ideal.

Guardar y exportar un notebook

Esto no sorprenderá a los usuarios de RStudio. Al previsualizar un archivo de RNotebook, RStudio guarda automáticamente una página HTML con el formato .nb.html. 

Abrir un terminal y una consola de código

El terminal es la interfaz para ejecutar comandos de shell. Es útil cuando necesitas ejecutar código en R y comandos de shell de forma interactiva. En JupyterLab, ve a File > New > Terminal. Esto puede ser nuevo para usuarios de RStudio, donde el panel de Terminal se muestra por defecto.

Abrir un terminal en JupyterLab

Personalizar temas

JupyterLab incluye un tema oscuro por defecto (Settings > Theme > Dark). También puedes instalar temas adicionales desde el Gestor de extensiones. 

Tema oscuro de JupyterLab

JupyterLab vs RStudio

JupyterLab y RStudio son similares, pero no idénticos. Aquí resaltamos dos diferencias.

• Licencias: El proyecto Jupyter se publica bajo la licencia BSD modificada. RStudio, por su parte, se publica bajo la licencia Affero General Public License.
• Funciones: Algunas características de Markdown no están disponibles de forma nativa en notebooks de Jupyter, como los encabezados YAML para definir el tema, configurar la tabla de contenidos y opciones avanzadas de apariencia del código. 

Más allá de JupyterLab y RStudio: el Editor de notebooks de DataCamp

Aunque JupyterLab ofrece un buen conjunto de funciones para trabajar con datos, queríamos dar a los profesionales de datos de Python y de R ventajas adicionales cuando trabajan en DataCamp Workspace. Por eso lanzamos nuestro propio Editor de notebooks de DataCamp.

El Editor de notebooks de DataCamp está construido sobre Jupyter Notebooks y permite a los equipos escribir código, analizar datos y compartir insights con facilidad. Es compatible con R, Python y SQL. Estas son algunas de sus funciones clave.

El Editor de notebooks de DataCamp

Colaboración sencilla

Las herramientas existentes no siempre permiten que varias personas editen el mismo código a la vez. Se crea un cuello de botella cuando empiezan a pasarse archivos de notebooks entre sí. DataCamp Workspace lo resuelve de raíz. Es como Google Docs para notebooks: varias personas pueden trabajar en un mismo notebook al mismo tiempo. 

El notebook se puede publicar y compartir su enlace con tu equipo. Compartir un notebook que vive en la nube es mejor que compartir uno offline, que puede funcionar en un equipo local pero no en otro.

Colaboración en DataCamp Workspace

Compatibilidad nativa con SQL

Una función muy útil de DataCamp Workspace es su compatibilidad nativa con SQL. Puedes configurar una conexión segura desde el Editor de notebooks de DataCamp a una base de datos como PostgreSQL, MySQL o Redshift. Los datos extraídos de la base de datos integrada pueden analizarse después con R o Python. 

SQL en Workspace

Sin configuración

DataCamp Workspace y todas sus funciones no requieren configuración. Es bajo demanda, siempre a tu alcance. Tanto si usas JupyterLab como el Editor de notebooks de DataCamp, puedes abrir Workspace en un navegador y tu entorno de notebooks estará listo en cuestión de segundos. Como Workspace vive y se ejecuta en la nube, no necesitas descargar ni instalar software adicional. En cambio, instalar correctamente JupyterLab en el navegador puede ser complicado, especialmente para quienes están empezando. 

Empieza con DataCamp Workspace

Esperamos que este repaso te haya ayudado a ver cómo DataCamp Workspace puede impulsar tus flujos de trabajo en R. A medida que seguimos mejorando y creando nuevas funciones, cuéntanos aquí cómo podemos crear el mejor entorno de notebooks para profesionales de datos.

¿Listo para empezar? Ponte a programar con DataCamp Workspace ahora.