整数据科学的大多会把大部分精力花在数据可视化、预处理以及基于结果的模型调整上；实际上，最难的部分也在于——只有当我们精确地落地这三个步骤时，才能换回一个好的模型，由此，有必要手边备些有用的Jupyter Notebook扩展，助力我们的工作。

以下介绍10个非常有用的Jupyter Notebook扩展插件。

1 . Qgrid

Qgrid是Jupyter Notebook组件。它在单个Jupyter Notebook内，利用SlickGrid来渲染pandas dataframes，这使我们能够借用直观的滚动、排序和过滤控件去浏览DataFrame，同时通过双击单元格来编辑DataFrame。

相关链接：

安装上它：

pip install qgrid  #Installing with pipconda install qgrid  #Installing with conda

相关链接：

2 . itables

接下来推荐的自然是ITables，

其工作原理是在Jupyter Notebook及其HTML表示形式中将pandas dataframe连同series转换为交互式数据表，运用的是最基础的JS，也因此仅在Jupyter Notebook中好使，在JupyterLab中就无法工作。

安装运行：

pip install itables

用以下命令激活所有series和数据框的交互模式:

from itables import init_notebook_modeinit_notebook_mode(all_interactive=True)import world_bank_data as wbdf = wb.get_countries()df

相关链接：

3 . Jupyter DataTables

无论是卷数据的还是搞编程的，或许大多都会利用dataframe来解读数据，并对它们进行处理，常见的工作流程是：展示数据框——>查看数据模式——>生成多个plots以检查数据的分布(以便呈现更加清晰的图片）——>在表中搜索一些数据等等......

假如分布图是dataframe的一部分......而我们需要尽量省力地快速搜索表格，咋办！？假如它是系统设定的表示法，咋办呢......

让我们把目光转向jupyter-datatables，它通过jupyter-require绘制表格。

相关链接：

相关链接：

进行安装：

pip install jupyter-datatables

使用：

from jupyter_datatables import init_datatables_modeinit_datatables_mode()

4 . ipyvolume

你或许对IPython使用的是WebGL有所了解，而ipyvolume正是在Jupyter notebook中基于IPython小组件来支持Python3D绘图一个扩展工具。

目前Ipyvolume在如下方面能够帮助到我们：

执行大量的渲染工作；创建散布图（多达约100万个glyphs）；创建quiver plots（类似于散布图，区别在于箭头指向特定方向）；lasso mouse选取；通过Google Cardboard进行stereo渲染，来实现虚拟现实；以d3样式进行动画处理；

安装：

$ pip install ipyvolume #通过pip安装$ conda install -c conda-forge ipyvolume  #通过conda进行安装

相关链接：

5 . bqplot

bqplot是Jupyter的2D可视化系统，基于“图形语法”的构造。

用途：

使用pythonic API为2D可视化提供统一的框架；支持用于添加用户交互（平移、缩放、选择等等）的API；

此外，提供了两个API：

我们可以使用内部对象模型构建自定义的可视化效果，这个对象模型受图形语法（图、标记、轴、比例尺）构造的启发，并通过我们的交互层丰富其可视化效果；当然，他们也可以使用基于上下文的API（类似Matplotlib的pyplot）；

安装：

$ pip install bqplot $ conda install -c conda-forge bqplot 

相关链接：

6 . livelossplot

livelossplot在Jupyte中为Keras、PyTorch和其他框架提供实时的training loss曲线图。

进行安装：

pip install livelossplot

使用：

from livelossplot import PlotLossesKerasmodel.fit(X_train, Y_train,          epochs=10,          validation_data=(X_test, Y_test),          callbacks=[PlotLossesKeras()],          verbose=0)

7 . TensorWatch

TensorWatch来自Microsoft Research，它是一种旨在帮助数据科学、深度学习和强化学习进行调试和可视化工具；可在Jupyter Notebook中工作，帮助我们实现机器学习训练的实时可视化，还可帮助到模型和数据执行其他一些关键分析任务。

安装：

pip install tensorwatch

相关链接：

8 . Polyaxon

Polyaxon是一个用于构建、训练以及监控大规模深度学习应用的平台。

我们正在开发一种系统，以解决机器学习应用程序的可再现性，自动化和可伸缩性。Polyaxon可以被部署到数据中心和云服务商上，也可以接受Polyaxon的托管与管理；它支持你能够想到的所有主流深度学习框架，譬如：Tensorflow、MXNet、Caffe、Torch等等。

安装上它：$ pip install -U polyaxon

相关链接：

9 . handcalcs

handcalcs是一可在Latex中自动对Python运算型代码进行呈现的库，其渲染的样式不由让我会联想起用铅笔写东西的感觉，它好像模拟的也的确是这个风格：编写符号公式，紧跟的是numeric substitutions，后面就是结果了。

同样，安装起来：

pip install handcalcs

相关链接：

10 . jupyternotify

jupyternotify为Jupyter提供了一个单元模范（函数）%%notify——当我们完成一个长时间运行的单元时，它会通过浏览器推送通知来通知用户。

用例包括长期运行的机器学习模型、grid searches、Spark计算。这种模范使我们可以导航到其他工作中，而在前一个单元格运行完成时会收到通知。

安装：

pip install jupyternotify

相关链接：

结束语：

或许你比我所了解的扩展还要多一些，可以留言补充其它，以上仅做个查漏补缺。感谢阅读。