Tutoriel de démarrage avec JupyterLab

Il est impossible de comprendre le développement de logiciels sans les langages de programmation. Il est vrai qu'un développeur de logiciels sans langage de programmation est comme un chauffeur de taxi sans voiture. Cependant, les choses sont plus complexes. Tout comme le GPS facilite la vie des chauffeurs de taxi, les environnements de développement intégré (IDE) facilitent la tâche des programmeurs. 

Les IDE sont conçus pour permettre aux programmeurs d'écrire du code et de développer des applications logicielles plus efficacement. Les IDE augmentent la productivité des programmeurs en regroupant plusieurs utilitaires dans une interface unique. L'écriture, le test et le débogage du code, ainsi que les fonctionnalités d'édition, telles que la coloration syntaxique, la correspondance entre crochets et l'autocomplétion du code, font partie des caractéristiques les plus courantes des IDE modernes. 

Il existe de nombreux IDE particulièrement bien adaptés à la science des données, notamment DataLab de DataCamp. Dans cet article, nous allons vous présenter JupyterLab, la nouvelle génération de Jupyter Notebook, probablement l'IDE le plus populaire pour la science des données. Sorti en 2018, JupyterLab offre une interface utilisateur flexible et plus de fonctionnalités que le carnet Jupyter classique, et c'est certainement le présent et l'avenir du projet Jupyter. Vous souhaitez commencer à utiliser JupyterLab ? Poursuivez votre lecture !

Une brève introduction à Jupyter Notebook

Lorsque Jupyter Notebook a été lancé pour la première fois en 2014, il a rapidement révolutionné le paysage des IDE. Récemment considéré comme l'un des projets informatiques les plus importants, qui a changé à jamais le processus de publication scientifique, Jupyter est devenu la norme de facto dans le domaine de la science des données.

Jupyter Notebook fonctionne comme une application serveur-client, permettant aux codeurs d'éditer et d'exécuter des carnets de notes via un navigateur web. L'application peut être exécutée sur un ordinateur sans accès à l'internet ou être installée sur un serveur distant, auquel vous pouvez accéder via l'internet.

Initialement conçu pour prendre en charge Julia, Python et R - trois des langages de programmationles plus populaires pour la science des données - aujourd'hui, Jupyter prend en charge plus de 40 langages de programmation. 

Jupyter est composé de deux éléments principaux.

• Kernel. Il s'agit d'un programme qui s'exécute et inspecte le code de l'utilisateur. Par défaut, Jupyter dispose d'un noyau pour le code Python, mais il existe également des noyaux disponibles pour d'autres langages de programmation.
• Tableau de bord. Un carnet est principalement composé d'une séquence de cellules, qui peut contenir des éléments tels que du code, du texte, des visualisations, des images et des formules. Outre les cellules, le tableau de bord comprend divers outils permettant de configurer le flux de travail des carnets, de déboguer le code, d'exporter les carnets dans différents formats, de parcourir les documents, et bien d'autres choses encore. 

En tant que version améliorée de Jupyter Notebook, JupyterLab ajoute de nouvelles fonctionnalités et capacités, bien que les composants de base restent intacts.

Démarrer avec JupyterLab

Pour utiliser JupyterLab, vous devez d'abord l'installer sur votre ordinateur, comme n'importe quel autre programme. Cela peut se faire de différentes manières, selon vos préférences : en utilisant pip, Anaconda, ou Docker.

Installer JupyterLab avec pip

Pip est le gestionnaire de paquets standard de Python. Pour installer JupyterLab avec pip, il suffit de le lancer en ligne de commande :

>>pip install jupyterlab

Après avoir exécuté cette instruction, pip installera les paquets JupyterLab ainsi que toutes les dépendances nécessaires au fonctionnement de JupyterLab. Si vous souhaitez en savoir plus sur la gestion des paquets en Python, consultez notre Tutoriel Pip Python pour la gestion des paquets.

Une fois que vous avez installé JupyterLab sur votre ordinateur, il vous suffit d'exécuter l'instruction suivante pour ouvrir JupyterLab :

>>jupyter lab

Vous verrez alors l'application s'ouvrir dans votre navigateur web préféré à l'adresse suivante : http://localhost:8888/lab 

Installer JupyterLab avec Anaconda

Anaconda est un gestionnaire de paquets, un gestionnaire d'environnement et une distribution Python qui contient une collection de nombreux paquets open-source. Anaconda est un excellent choix si vous souhaitez vous lancer dans la science des données. Vous n'avez plus à vous soucier de savoir comment installer Python ou JupyterLab, car ils s'installent automatiquement dans les distributions modernes d'Anaconda.

La manière la plus simple de lancer JupyterLab est de passer par le Navigateur Anaconda, une application qui vous permet d'utiliser les fonctionnalités d'Anaconda de manière conviviale et sans code. Comme vous pouvez le voir dans l'image ci-dessous, Jupyter Notebook et JupyterLab sont déjà installés. Il vous suffit de cliquer sur le bouton Lancer pour ouvrir JupyterLab sur votre navigateur web. 

Cependant, dans certains cas - par exemple, lorsque vous créez un nouvel environnement environnement conda-, vous devrez peut-être installer JupyterLab dans cet environnement. Pour ce faire, le moyen le plus rapide est d'exécuter la commande suivante sur la ligne de commande conda (Anaconda Prompt sous Windows et terminal sous macOS et Linux) :

>>conda install -c conda-forge jupyterlab

Installer JupyterLab avec Docker

Docker est une plateforme ouverte permettant d'exécuter des logiciels dans des conteneurs. Ces conteneurs sont des processus autonomes et isolés qui vous permettent de séparer vos applications de votre infrastructure afin de fournir rapidement des logiciels. 

Si vous avez installé Docker, vous pouvez installer et utiliser JupyterLab en sélectionnant l'une des nombreuses images Docker prises en charge par les piles Jupyter Docker. Vous pouvez considérer ces images comme des paquets de logiciels préemballés qui peuvent être automatiquement téléchargés à partir de Docker lorsque vous les exécutez.

Par exemple, si vous souhaitez installer l'image de Doker jupyter/datascience-notebook, qui comprend des bibliothèques d'analyse de données de Julia, Python et R, il vous suffit d'exécuter ce qui suit sur la commande Docker :

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

Pour plus de détails et d'exemples sur l'utilisation de JupyterLab sur Docker, consultez la documentation. Par ailleurs, pour une introduction détaillée à Docker, nous vous recommandons vivement ce tutoriel de DataCamp.

JupyterLab Interface

L'interface JupyterLab est une version remastérisée de l'interface Jupyter Notebook, qui fournit un nouvel ensemble de blocs de construction modulaires pour un calcul interactif et efficace. JupyterLab intègre plusieurs outils de codage dans une interface unique, offrant ainsi une expérience de codage qui ressemble davantage aux IDE traditionnels. 

L'interface de JupyterLab comprend les principaux éléments suivants : 

• Zone de travail. La zone de travail principale est dotée d'une nouvelle disposition basée sur des onglets qui vous permet de combiner différents documents (carnets de notes, fichiers de données, HTML, pdf, images, etc.) et outils de codage (terminal, consoles de code, éditeur de texte, etc.) dans des panneaux d'onglets qui peuvent être redimensionnés ou subdivisés par glisser-déposer. Le système de tabulation, absent de Jupyter Notebook, permet une programmation plus intégrée et plus efficace, car les développeurs peuvent effectuer la plupart de leurs tâches sans quitter JupyterLab. 
• Barre latérale gauche. La barre latérale rabattable contient divers onglets couramment utilisés, notamment
  • Navigateur de fichiers. Il vous permet de gérer les fichiers et les dossiers de votre ordinateur.
  • Onglet et gestionnaire de noyau. Il fournit une liste des onglets de la zone de travail principale et des noyaux et terminaux en cours d'exécution.
  • Table des matières. Un index interactif basé sur les titres inclus dans les cellules de markdown.
  • Responsable de l'extension. Il vous permet d'installer de nouvelles applications et de nouveaux plugins pour améliorer votre expérience de JupyterLab (voir ci-dessous). 
• Barre latérale droite. Une deuxième barre latérale escamotable qui contient :
  • Inspecteur des biens. Il vous permet d'examiner en détail les informations et les propriétés des cellules. 
  • Débogueur (voir plus bas)
• Barre de menu. La barre de menu en haut de JupyterLab comprend des menus de haut niveau avec des actions disponibles dans JupyterLab. Les différents menus sont les suivants : 
  • Fichier: actions liées aux fichiers et aux répertoires.
  • Editer: actions liées à l'édition de documents et à d'autres activités.
  • Voir: actions qui modifient l'apparence de JupyterLab.
  • Exécuter: actions permettant d'exécuter du code dans différentes activités.
  • Noyau: actions pour la gestion des noyaux.
  • Onglets: liste des documents et activités ouverts dans l'espace de travail.
  • Paramètres: paramètres courants et éditeur de paramètres avancés. L'une des fonctionnalités les plus intéressantes de JupyterLab est la possibilité de choisir différents thèmes pour l'interface, y compris le mode sombre.
  • Aide: liste des liens d'aide de JupyterLab et du noyau.

Débogage dans JupyterLab

L'objectif du débogage est de mettre en évidence les causes des bogues trouvés dans votre programme au cours du processus de test, et donc d'ajuster votre code pour produire le résultat exact et souhaité. 

Les progressions de données, et plus généralement les développeurs de logiciels, surveillent les interactions entre les variables du programme et les changements qu'elles subissent dans le cadre d'un processus de débogage. Vous pouvez rechercher les causes potentielles des erreurs dans votre programme en observant comment chaque fonction, méthode ou même ligne de code modifie la valeur et la fonctionnalité des variables.

Jupyter Notebook et les premières versions de JupyterLab ont intégré la commande magique %debug pour effectuer des tâches de débogage. Toutefois, l'outil est assez rudimentaire par rapport aux débogueurs d'autres IDE. 

Heureusement, les dernières versions de JupyerLab incluent par défaut une interface de débogage, qui comprend les capacités de débogage traditionnelles, notamment la définition de points d'arrêt, l'accès aux fonctions et l'inspection des variables. Vous pouvez l'activer à partir de la barre latérale droite, comme le montre l'image ci-dessous : 

JupyterLab Extensions

JupyterLab est déjà un outil puissant et bien équipé, avec de nouvelles fonctionnalités qui rendront votre expérience de codage plus proche d'un IDE. Cependant, si vous pensez que certaines fonctionnalités sont manquantes ou si vous souhaitez améliorer les capacités de JupyterLab, vous devriez consulter les extensions de Jupyter.

Écrites en JavaScript, les extensions JUpyterLab sont des logiciels contenant un ou plusieurs plugins permettant d'ajouter de nouvelles fonctionnalités à JupyterLab, telles que de nouveaux thèmes, un éditeur de fichiers et de nouveaux raccourcis de commande. 

Il existe deux types d'extensions JupyterLab : 

• Extension préconstruite. Ils ne nécessitent pas de reconstruire JupyterLab.
• Extension de la source. Ils nécessitent une reconstruction de JupyterLab lors de leur installation. La reconstruction de JupyterLab nécessite l'installation de Node.js - un environnement open-source et multiplateforme pour l'exécution d'applications JavaScript. 

Si vous utilisez conda avec les paquets conda-forge, vous pouvez obtenir Node.js avec :

>>conda install -c conda-forge nodejs

Il existe plusieurs façons de gérer les extensions JupyterLab, mais nous vous recommandons vivement d'utiliser le gestionnaire d'extensions intégré. Accessible via l'icône du puzzle dans la barre latérale de la vie, le gestionnaire d'extensions vous permet d'installer et de désactiver des extensions sans avoir besoin de coder.

Pour plus d'informations sur les extensions JupyterLab et leur gestion, consultez la documentation JupyterLab.

JupyterLab vs Jupyter Notebook

​Vous trouverez ci-dessous un tableau des différences entre Jupyter Notebook et JupyterLab :

DataLab

Si vous recherchez un IDE en ligne, basé sur le cloud, qui vous permet d'écrire du code et d'analyser des données de manière collaborative et de partager vos connaissances sur les données, DataLab est un excellent choix. 

Construit par DataCamp, DataLab est une plateforme d'analyse de données basée sur le cloud qui est conçue pour vous aider à démarrer rapidement et facilement. Avec DataLab, vous pouvez éviter le processus d'installation fastidieux et commencer à travailler avec les données immédiatement. Il n'est pas nécessaire d'installer quoi que ce soit, car tout est accessible via le navigateur. 

Lorsque vous utilisez DataLab, vous trouverez des ensembles de données intégrés que vous pouvez utiliser instantanément, ainsi que des modèles préconstruits avec du code pré-écrit. DataLab est accessible à tous les niveaux de compétence, avec des outils à code faible ou nul permettant de créer des rapports et des visualisations étonnants. 

Il prend également en charge Python et R, tous deux avec des intégrations SQL natives, et est livré préconfiguré et préinstallé avec les packages de science des données les plus populaires au monde.