龙空技术网

10个有用的Jupyter Notebook扩展插件

工号1024 544

前言:

现时朋友们对“slick插件”大体比较讲究,我们都想要剖析一些“slick插件”的相关知识。那么小编也在网络上汇集了一些对于“slick插件””的相关资讯,希望兄弟们能喜欢,大家快快来了解一下吧!

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。

标签: #slick插件