无论您是准备入门的数据科学爱好者，还是拥有多年经验的数据科学家，动手开展一个数据科学项目总是令人兴奋。
不过，配置工作环境、安装所需的包、安全存储所有项目文件，以及克服本机算力限制，这些往往都不容易。
在本指南中，您将了解 Google Colab 如何帮助简化并加速您的数据科学工作流。
目录：
什么是 Google Colab？
Google Colab 是 Google Research 提供的云端 Jupyter 笔记本环境。借助其简洁易用的界面，Colab 让您几乎无需配置即可开启数据科学之旅。
如果您对使用 Python 进行数据科学感兴趣，Colab 是启动数据科学项目的绝佳选择，无需担心环境配置。Google Colab 支持您直接在浏览器中编写并执行 Python 代码，同时预装了一些最流行的 Python 数据科学库。
在接下来的部分，您将进一步了解 Google Colab 的功能。
创建您的第一个 Google Colab 笔记本
理解一件事最好的方式就是亲自试一试。让我们先来创建第一个 Colab 笔记本：
- 登录 Colab 后，点击“File” → “New notebook”即可创建新笔记本，如下所示：
创建新笔记本后，您可以将其重命名为任意名称。现在就可以开始为项目编写代码了。
- Google Colab 是一个自包含环境。它允许您编写 Python 代码，也支持使用 markdown 单元编写文本，以包含富文本与媒体，如下所示。这有助于添加分步讲解，从而提升可读性。
现在您已经了解了如何创建 Colab 笔记本，接下来让我们看看它的优势。
为什么值得考虑使用 Google Colab
除了只需通过浏览器并以 Google 账号登录即可使用外，Colab 还有多项对数据科学社区非常有用的功能。以下是其中一些优势：
- 预装的数据科学库
- 便捷的共享与协作
- 与 GitHub 的无缝集成
- 可使用来自多种来源的数据
- 自动存储与版本控制
- 可使用 GPU、TPU 等硬件加速器
预装的数据科学库
预装库是 Colab 之所以适合几乎即刻搭建数据科学项目的原因之一。
Colab 预装了用于数据分析与可视化的 Python 库，如 NumPy、pandas、matplotlib 和 seaborn。这意味着您可以直接在当前项目中导入并按需使用这些模块，无需另行安装。
如您所知，这些库足以应对大多数数据分析项目，并可支持更大型项目中机器学习流程的 数据预处理 与 探索性数据分析（EDA）步骤。
如果您想系统掌握这些数据科学库，欢迎查看 DataCamp 的 Data Analyst with Python 学习路径。
除此之外，Colab 还预装了机器学习库（如 scikit-learn）以及深度学习库（如 PyTorch、TensorFlow 和 Keras）。
您完全可以在无需任何安装的情况下构建机器学习与深度学习项目。只需能使用浏览器，几分钟内即可启动并运行您的项目。
以小组形式开展项目是很好的学习体验。下一节将介绍 Colab 如何促进协作。
便捷的共享与协作
在本地计算机上的 Jupyter 笔记本环境进行协作存在一定限制。而在 Colab 中，您可以共享笔记本，并与同事和朋友共同编辑。
如下面的图片所示，您只需一步即可开启共享。
与 GitHub 的无缝集成
作为开发者，您会经常使用 GitHub 来跟踪项目中不同文件的更改，而与 Colab 集成只会锦上添花。
下面看看如何将笔记本保存到 GitHub 仓库：
将 Colab 笔记本保存到 GitHub
- 要将笔记本保存到 GitHub 仓库，请前往“File” → “Save a copy in GitHub”。
- 随后系统会提示您授权 Colab。此授权用于允许 Colab 向您的仓库推送提交。
-
接着，按照屏幕提示确认访问权限。
-
授权成功后，屏幕上会弹出如下窗口。
在上图中：
- “username”和“name of the repo”为占位符。您会看到自己的 GitHub 用户名，并可将当前笔记本推送到所选仓库（即“name of the repo”）。
- 默认分支为所选仓库的“main”分支，但您也可以选择其他分支。同时可按需自定义文件路径。
- 最后，填写清晰的提交信息并点击“Ok”，您的提交就会被推送到所选的 GitHub 仓库。
通过这种方式，您可以将所有 Colab 笔记本托管在 GitHub 仓库中，也有利于知识传播与开源项目的蓬勃发展。
使用来自多种来源的数据
在任何数据科学项目中，第一步通常是将数据集导入到工作环境。本节将介绍在 Google Colab 中实现这一点的不同方法。
从本地计算机加载数据
若要从本地计算机上传数据文件，请在“Files”选项卡中点击“File upload”图标，如下所示，然后选择您要上传的文件。
将 Google Drive 挂载到 Colab 实例
如果您更习惯将所有文件存储在 Google Drive 中，可以轻松地将其挂载到当前 Colab 实例。这样就能访问存储在云端硬盘中的所有数据集和文件。
您可以通过以下几种方式实现：
- 在“Files”选项卡中点击“drive”图标，并按照屏幕提示操作。
- Drive 挂载成功后，您应能在“Files”选项卡中看到名为“drive”的文件夹列为可用目录。
或者，您也可以在笔记本的代码单元中运行以下代码，将 Google Drive 挂载到当前 Colab 实例。
from google.colab import drive
drive.mount('content/drive')
技术支持
系统会提示您授予访问权限。请选择“Connect to Google Drive”。与前一种方法相同，您应能在“Files”选项卡中看到“drive”文件夹。
将 GitHub 仓库克隆到 Colab 实例
如果您需要访问某个 GitHub 仓库中的全部文件，可以按以下方式将其克隆到当前工作区。
运行以下代码行即可克隆任意远程 GitHub 仓库——只需将占位符替换为实际地址
!git clone <URL of the repo>
技术支持
获取远程数据
有时，您可能需要从网络获取数据集；方法如下：
由于可以在笔记本环境中运行常见的 Shell 命令，您可以使用“!wget”命令并指定 URL 来获取远程数据。
现在让我们尝试获取 DataCamp 的“使用 scikit-learn 进行监督学习”课程中用到的波士顿房价数据集。
该数据集可在此链接找到，下面的图片展示了如何成功下载。
自动存储与版本控制
您是否曾在项目中为丢失文件而困扰？
在 Colab 中，这不成问题，因为所有笔记本都会自动保存到您登录所用 Google 账号的云端硬盘。
即使与同事和朋友协作项目，您也可以通过查看修订历史来追踪笔记本随时间的所有更改。前往“File” → “Revision History”，即可查看更改内容及其时间点。
以下是一个修订历史示例：
使用 GPU、TPU 等硬件加速器
很多时候，本地计算机的配置和算力限制会成为瓶颈，尤其是在处理大型深度学习模型时。
为克服这些硬件限制，Colab 提供对硬件加速器的访问——图形处理器（GPU）和张量处理器（TPU），以更快地训练深度学习模型。
下图演示了如何在 Colab 笔记本中启用 GPU，仅需两步即可完成。
- 前往“Runtime” → “Change runtime type”
- 将硬件加速器设置为所需的 GPU 或 TPU。
到目前为止，您已经了解了 Colab 在数据科学方面的实用功能。如果这些听起来很有吸引力，您或许也会对 DataLab 感兴趣。注册一个免费的 DataCamp 账户即可开始使用 DataLab。
DataLab：概览
DataLab 提供一个完全基于浏览器的环境，满足您的全部数据科学需求。您可以使用 Python 或 R 编码，并内置支持 SQL，而且无需任何配置即可与他人协作。
- 如果您希望开始打造数据科学作品集，DataLab 是不错的选择。您可以创建新的 Python 或 R DataLab，或直接基于 GitHub 仓库开展工作。
- 与 Google Colab 类似，DataLab 具备多项功能：预装库、预加载数据集、与常见数据源的集成等。您可以编写并执行 Python 与 R 代码，也可添加富文本与图片。
Google Colab 的局限性
尽管 Colab 使许多事情变得更简单，但仍有以下一些限制需要注意：
- 免费的 Colab 实例足以应对中小型项目。但使用 GPU 存在限制。通常您可以在 GPU 上训练模型约 12 小时，之后运行时会断开。若需更长时间使用 GPU 和 TPU，您需要升级到 Colab Pro 以获得增强的使用配额。
- Google Colab 专为使用 Python 的数据科学而设计。但有时您可能需要使用 R、SQL 或其他语言从数据库检索数据。Colab 目前仅支持 Python。如果您更愿意使用 R 开展数据科学工作，并需要集成 MySQL 数据库，建议试试 DataLab。
- 在 Colab 中，硬件加速器的供需与分配是实时进行的，这有时会导致 GPU 和 TPU 的可用性出现波动。
总结
在本教程中，您从数据科学视角了解了 Google Colab 的实用功能。您也了解到如何借助 DataLab 直接在浏览器中打造数据科学作品集——只需一个免费的 DataCamp 账户，即可在浏览器中轻松起步。
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
无论您是准备入门的数据科学爱好者，还是拥有多年经验的数据科学家，动手开展一个数据科学项目总是令人兴奋。
不过，配置工作环境、安装所需的包、安全存储所有项目文件，以及克服本机算力限制，这些往往都不容易。
在本指南中，您将了解 Google Colab 如何帮助简化并加速您的数据科学工作流。
目录：
什么是 Google Colab？
Google Colab 是 Google Research 提供的云端 Jupyter 笔记本环境。借助其简洁易用的界面，Colab 让您几乎无需配置即可开启数据科学之旅。
如果您对使用 Python 进行数据科学感兴趣，Colab 是启动数据科学项目的绝佳选择，无需担心环境配置。Google Colab 支持您直接在浏览器中编写并执行 Python 代码，同时预装了一些最流行的 Python 数据科学库。
在接下来的部分，您将进一步了解 Google Colab 的功能。
创建您的第一个 Google Colab 笔记本
理解一件事最好的方式就是亲自试一试。让我们先来创建第一个 Colab 笔记本：
创建新笔记本后，您可以将其重命名为任意名称。现在就可以开始为项目编写代码了。
现在您已经了解了如何创建 Colab 笔记本，接下来让我们看看它的优势。
为什么值得考虑使用 Google Colab
除了只需通过浏览器并以 Google 账号登录即可使用外，Colab 还有多项对数据科学社区非常有用的功能。以下是其中一些优势：
预装的数据科学库
预装库是 Colab 之所以适合几乎即刻搭建数据科学项目的原因之一。
Colab 预装了用于数据分析与可视化的 Python 库，如 NumPy、pandas、matplotlib 和 seaborn。这意味着您可以直接在当前项目中导入并按需使用这些模块，无需另行安装。
如您所知，这些库足以应对大多数数据分析项目，并可支持更大型项目中机器学习流程的 数据预处理 与 探索性数据分析（EDA）步骤。
如果您想系统掌握这些数据科学库，欢迎查看 DataCamp 的 Data Analyst with Python 学习路径。
除此之外，Colab 还预装了机器学习库（如 scikit-learn）以及深度学习库（如 PyTorch、TensorFlow 和 Keras）。
您完全可以在无需任何安装的情况下构建机器学习与深度学习项目。只需能使用浏览器，几分钟内即可启动并运行您的项目。
以小组形式开展项目是很好的学习体验。下一节将介绍 Colab 如何促进协作。
便捷的共享与协作
在本地计算机上的 Jupyter 笔记本环境进行协作存在一定限制。而在 Colab 中，您可以共享笔记本，并与同事和朋友共同编辑。
如下面的图片所示，您只需一步即可开启共享。
与 GitHub 的无缝集成
作为开发者，您会经常使用 GitHub 来跟踪项目中不同文件的更改，而与 Colab 集成只会锦上添花。
下面看看如何将笔记本保存到 GitHub 仓库：
将 Colab 笔记本保存到 GitHub
接着，按照屏幕提示确认访问权限。
授权成功后，屏幕上会弹出如下窗口。
在上图中：
通过这种方式，您可以将所有 Colab 笔记本托管在 GitHub 仓库中，也有利于知识传播与开源项目的蓬勃发展。
使用来自多种来源的数据
在任何数据科学项目中，第一步通常是将数据集导入到工作环境。本节将介绍在 Google Colab 中实现这一点的不同方法。
从本地计算机加载数据
若要从本地计算机上传数据文件，请在“Files”选项卡中点击“File upload”图标，如下所示，然后选择您要上传的文件。
将 Google Drive 挂载到 Colab 实例
如果您更习惯将所有文件存储在 Google Drive 中，可以轻松地将其挂载到当前 Colab 实例。这样就能访问存储在云端硬盘中的所有数据集和文件。
您可以通过以下几种方式实现：
或者，您也可以在笔记本的代码单元中运行以下代码，将 Google Drive 挂载到当前 Colab 实例。
系统会提示您授予访问权限。请选择“Connect to Google Drive”。与前一种方法相同，您应能在“Files”选项卡中看到“drive”文件夹。
将 GitHub 仓库克隆到 Colab 实例
如果您需要访问某个 GitHub 仓库中的全部文件，可以按以下方式将其克隆到当前工作区。
运行以下代码行即可克隆任意远程 GitHub 仓库——只需将占位符替换为实际地址
获取远程数据
有时，您可能需要从网络获取数据集；方法如下：
由于可以在笔记本环境中运行常见的 Shell 命令，您可以使用“!wget”命令并指定 URL 来获取远程数据。
现在让我们尝试获取 DataCamp 的“使用 scikit-learn 进行监督学习”课程中用到的波士顿房价数据集。
该数据集可在此链接找到，下面的图片展示了如何成功下载。
自动存储与版本控制
您是否曾在项目中为丢失文件而困扰？
在 Colab 中，这不成问题，因为所有笔记本都会自动保存到您登录所用 Google 账号的云端硬盘。
即使与同事和朋友协作项目，您也可以通过查看修订历史来追踪笔记本随时间的所有更改。前往“File” → “Revision History”，即可查看更改内容及其时间点。
以下是一个修订历史示例：
使用 GPU、TPU 等硬件加速器
很多时候，本地计算机的配置和算力限制会成为瓶颈，尤其是在处理大型深度学习模型时。
为克服这些硬件限制，Colab 提供对硬件加速器的访问——图形处理器（GPU）和张量处理器（TPU），以更快地训练深度学习模型。
下图演示了如何在 Colab 笔记本中启用 GPU，仅需两步即可完成。
到目前为止，您已经了解了 Colab 在数据科学方面的实用功能。如果这些听起来很有吸引力，您或许也会对 DataLab 感兴趣。注册一个免费的 DataCamp 账户即可开始使用 DataLab。
DataLab：概览
DataLab 提供一个完全基于浏览器的环境，满足您的全部数据科学需求。您可以使用 Python 或 R 编码，并内置支持 SQL，而且无需任何配置即可与他人协作。
DataLab 预加载了多个数据集、模板与 Playbook，覆盖广泛主题——如无监督学习、市场分析、自然语言处理等。这些模板为您提供足够的方向，让您从一开始就能着手构建项目。
您无需将笔记本托管到 GitHub 仓库。所有笔记本都可通过您的 DataCamp 个人主页访问，使用免费的 DataCamp 账户即可管理您的整个数据科学作品集。
要进一步了解 DataLab，请前往文档。
Google Colab 的局限性
尽管 Colab 使许多事情变得更简单，但仍有以下一些限制需要注意：
您安装和导入的文件与库仅作用于当前 Colab 实例。一旦运行时断开，实例中的所有文件与包都会丢失。如果需要分多次冲刺完成笔记本工作，您需要重新连接运行时并再次安装所需包。
Colab 在每个实例中对磁盘空间设有限制，具体取决于分配给该实例的机器。这对超大规模数据集可能构成障碍。
总结
在本教程中，您从数据科学视角了解了 Google Colab 的实用功能。您也了解到如何借助 DataLab 直接在浏览器中打造数据科学作品集——只需一个免费的 DataCamp 账户，即可在浏览器中轻松起步。