Notebook per utenti R

Più di un anno fa abbiamo lanciato DataCamp Workspace, il nostro IDE per notebook basato sul cloud, pensato per permettere a professionisti e team di lavorare con i dati e collaborare online senza soluzione di continuità. Oggi migliaia di persone e team usano Workspace per analizzare dati e condividere insight, creare progetti per il portfolio e partecipare a competizioni. 

Abbiamo recentemente migrato i nostri workspace RStudio all’Editor di Notebook di DataCamp o a JupyterLab. Questo significa che gli utenti R possono godere delle funzionalità più recenti di Workspace, tra cui condivisione, collaborazione, commenti, integrazione SQL nativa e altro ancora. In questo post, descriviamo le funzionalità chiave di JupyterLab, in cosa differisce da RStudio e come gli utenti R possono sfruttare al meglio il DataCamp Notebook Editor.

JupyterLab: un’interfaccia notebook di nuova generazione

JupyterLab è un ambiente di sviluppo interattivo basato sul web per notebook R e Python, oltre ad altri linguaggi di programmazione. Progettato specificamente per i workflow di data science e machine learning, offre un’interfaccia ricca composta da un notebook, un terminale, un editor di testo e un browser di file. Il suo design modulare invita anche la community open source a creare estensioni per ampliarene le funzionalità. In JupyterLab, l’output di ogni cella di codice compare quando la cella viene eseguita. Come in un notebook R Markdown, è possibile alternare blocchi di codice e annotazioni markdown. 

Panoramica dell’interfaccia JupyterLab su DataCamp Workspace

JupyterLab ≈ RStudio 

Sia JupyterLab sia RStudio sono popolari ambienti di sviluppo integrati (IDE) per il linguaggio R. A parte alcune differenze sottili, sono molto simili per funzioni ed esperienza d’uso. Tra le altre cose, RStudio include un file manager, un terminale, un esploratore delle variabili e persino un pannello di aiuto per le funzioni. Questi elementi consentono di accedere facilmente a vari file e impostazioni, rendendo l’analisi più rapida e semplice. Molte di queste funzionalità sono presenti anche in JupyterLab. In questa sezione evidenziamo i componenti principali dell’interfaccia JupyterLab. 

La barra laterale

La barra laterale sinistra contiene cinque icone:

• Un browser dei file, dove puoi aprire file diversi 
• Terminali e kernel in esecuzione, dove puoi vedere i processi attivi 
• Git, dove puoi gestire i repository
• Indice, dove puoi scorrere la struttura del notebook
• Gestore delle estensioni, dove puoi scaricare estensioni per i notebook

Panoramica del file manager

Terminali e kernel in esecuzione

Panoramica dell’indice

Panoramica del gestore delle estensioni

L’area di lavoro principale

L’area di lavoro principale è dove si scrive il codice, si eseguono comandi shell e si modifica la documentazione in markdown. Proprio come in RStudio, puoi personalizzare il layout come preferisci. Puoi scegliere di concentrarti su un singolo riquadro o lavorare su più riquadri contemporaneamente.

Interfaccia personalizzabile di JupyterLab

Barra dei menu superiore

Esattamente come in RStudio, la barra dei menu superiore ospita una serie di modali e ribbon che permettono di eseguire le seguenti azioni:

• File per aprire, salvare e scaricare notebook, tra le altre azioni
• Edit per modificare il contenuto delle celle (come annulla, ripristina, elimina e dividi cella)
• View per personalizzare i riquadri disponibili in JupyterLab
• Run per eseguire blocchi di codice nei notebook Jupyter
• Kernel per interrompere o fermare l’esecuzione di un kernel (ne parleremo tra poco)
• Git per gestire repository e controllo di versione
• Tab consente di navigare tra le schede in JupyterLab.
• Settings offre la possibilità di personalizzare l’aspetto di JupyterLab.
• Help contiene ulteriori informazioni su JupyterLab.

Barra dei menu superiore in JupyterLab

Il motore di esecuzione di JupyterLab: il kernel

Un termine che incontrerai spesso lavorando con Jupyter è “kernel”. Un kernel è un processo che esegue il codice e interagisce con applicazioni Jupyter come JupyterLab. Puoi pensarla come il motore che fa girare il codice contenuto in un notebook Jupyter. Il kernel continua a funzionare anche quando il documento del notebook, la console del codice o il terminale sono chiusi. Questo significa che puoi avviare operazioni che durano a lungo (magari chiudendo il notebook) e tornare più tardi. 

Per visualizzare tutti i kernel attivi, vai alla scheda “Running Terminals and Kernels”. Da qui puoi riaprire il notebook collegato a un dato kernel.

Il riquadro laterale di terminali e kernel in esecuzione

Ci sono alcune azioni legate al kernel a disposizione, tra cui

• Interrompere un kernel: interrompe l’esecuzione del codice nel notebook, ma mantiene le variabili del notebook.
• Spegnere un kernel: interrompe il kernel e cancella tutti gli stati e le variabili esistenti del notebook. 
• Riavviare un kernel: spegne il kernel esistente e ne avvia uno nuovo.

 La barra dei menu del kernel

Primi passi con JupyterLab

Vediamo come creare un nuovo notebook ed eseguire un’analisi con JupyterLab. Puoi seguire queste istruzioni aprendo un nuovo dataset o un template tramite DataCamp Workspace. 

Creare un documento

Puoi creare un nuovo notebook in JupyterLab usando il menu File > New > Notebook. È molto simile a RStudio. In alternativa, puoi anche cliccare sul pulsante blu + in alto a sinistra per aprire nuovi file.

Apertura di un nuovo file in JupyterLab

Scrivere ed eseguire codice

Un notebook JupyterLab è composto da più blocchi, ciascuno dei quali può contenere markdown o codice. Un blocco di codice in JupyterLab è simile a uno chunk in RNotebook.

Per creare un blocco, puoi cliccare sul pulsante + vicino alla parte superiore della console. Puoi eseguire un blocco di codice premendo il pulsante ▶ (oppure Cmd+Enter per utenti Mac, o Control+Enter per utenti Windows). Come in RStudio, l’output verrà visualizzato sotto il blocco di codice al momento dell’esecuzione. Nota che ogni blocco di codice viene eseguito in una volta sola, come la funzione “run current chunk” in RStudio. 

In RStudio, ogni riga può essere eseguita singolarmente (Run > Run Selected Lines). In JupyterLab, invece, non è così. Per eseguire due righe individualmente, gli utenti JupyterLab devono separarle in blocchi di codice usando la funzione di divisione della cella (Edit > Split Cell).

Esecuzione di una cella di codice in JupyterLab

Gestire i file

Come in RStudio, JupyterLab ha un’interfaccia di gestione dei file in cui puoi navigare tra file e directory. Puoi creare, rinominare, spostare e duplicare file.

File manager in JupyterLab

Annotare il codice con Markdown

Le annotazioni sono essenziali per un notebook leggibile. Sia in Jupyter Notebook sia in RStudio, puoi dare contesto al codice con segmenti in markdown.

Per usare il markdown, in JupyterLab puoi creare un nuovo blocco di codice e convertirlo in un blocco Markdown. Poi puoi usare la sintassi markdown per formattare il testo.

Uso del Markdown in JupyterLab

Questo è leggermente diverso da RNotebook, dove non è necessario creare un blocco separato per il markdown. Al momento del knitting, il notebook viene convertito in un documento HTML, in cui codice e markdown vengono visualizzati correttamente.

Salvare e pubblicare un notebook

Il salvataggio in JupyterLab è simile a RStudio: entrambi salvano automaticamente il notebook a intervalli predefiniti. 

JupyterLab consente di esportare i file dei notebook Jupyter (.ipynb) in altri formati, tra cui HTML, LaTeX, Markdown e PDF. Per farlo, vai su File > Save and Export Notebook As… > Il formato di output desiderato.

Salvataggio ed esportazione di un notebook

Questo forse non sorprenderà gli utenti RStudio. In anteprima di un file RNotebook, RStudio salva automaticamente una pagina HTML nel formato .nb.html. 

Aprire un terminale e una console di codice

Il terminale è l’interfaccia per eseguire comandi shell. Torna utile quando hai bisogno di eseguire codice R e comandi shell in modo interattivo. In JupyterLab, puoi andare su File > New > Terminal. Questo potrebbe essere nuovo per gli utenti RStudio, dove il riquadro Terminal è visibile per impostazione predefinita.

Apertura di un terminale in JupyterLab

Personalizzare i temi

JupyterLab include un tema scuro predefinito (Settings > Theme > Dark). Puoi anche installare temi non predefiniti tramite il Gestore delle estensioni. 

Tema scuro di JupyterLab

JupyterLab vs RStudio

JupyterLab e RStudio sono simili ma non identici. Qui evidenziamo due differenze.

• Licenze: Il progetto Jupyter è rilasciato sotto licenza BSD modificata. RStudio, invece, è pubblicato sotto licenza Affero General Public License.
• Funzionalità: Alcune funzionalità di Markdown non sono supportate nativamente nei notebook Jupyter, tra cui gli header YAML per impostare il tema, configurare l’indice, impostazioni avanzate dell’aspetto del codice 

Oltre JupyterLab e RStudio: il DataCamp Notebook Editor

Sebbene JupyterLab offra molte funzionalità utili per lavorare con i dati, volevamo offrire sia ai professionisti dei dati in Python sia a quelli in R ulteriori vantaggi quando lavorano con DataCamp Workspace. Per questo abbiamo rilasciato il nostro DataCamp Notebook Editor.

Il DataCamp Notebook Editor è costruito sopra i Jupyter Notebook: consente ai team di scrivere codice, analizzare dati e condividere insight con facilità. Supporta R, Python e SQL. Ecco una panoramica delle funzionalità chiave del DataCamp Notebook Editor.

Il DataCamp Notebook Editor

Collaborazione semplice

Gli strumenti esistenti non sempre permettono ai data scientist di modificare lo stesso codice simultaneamente. Si crea un collo di bottiglia quando i data scientist iniziano a passarsi i file dei notebook tra loro. DataCamp Workspace risolve il problema alla radice. È come Google Docs per i notebook: più utenti possono lavorare sullo stesso notebook in qualsiasi momento. 

Il notebook può essere pubblicato e il suo link condiviso con i tuoi compagni di team. Condividere un notebook che vive nel cloud è meglio che passare un notebook offline, che potrebbe funzionare su una macchina locale ma non su un’altra.

Collaborazione in DataCamp Workspace

Supporto SQL nativo

Una funzionalità utile in DataCamp Workspace è il supporto SQL nativo. Puoi impostare una connessione sicura dall’Editor di Notebook di DataCamp a un database, come PostgreSQL, MySQL e Redshift. I dati estratti dal database integrato possono poi essere analizzati con R o Python. 

SQL in Workspace

Zero configurazione

DataCamp Workspace e tutte le sue funzionalità non richiedono configurazione. È on-demand, a portata di mano, in qualsiasi momento. Che tu usi JupyterLab o il DataCamp Notebook Editor, puoi aprire Workspace in un browser e il tuo ambiente notebook sarà operativo in pochi secondi. Poiché Workspace vive ed è eseguito nel cloud, non devi scaricare o installare alcun software aggiuntivo. Al contrario, installare correttamente JupyterLab sul browser è notoriamente difficile, soprattutto per i principianti. 

Inizia con DataCamp Workspace

Speriamo che questa panoramica ti sia piaciuta e che ti abbia mostrato come DataCamp Workspace può potenziare i tuoi workflow in R. Mentre continuiamo a migliorare le funzionalità esistenti e a crearne di nuove, facci sapere qui come possiamo creare il miglior ambiente possibile per i professionisti dei dati.

Pronto a partire? Inizia a programmare con DataCamp Workspace ora.