JupyterLab Benutzerhandbuch

JupyterLab ist eine Web-basierte Benutzeroberfläche für Project Jupyter und ist eng in Adobe Experience Platform integriert. Sie bietet eine interaktive Entwicklungsumgebung für Datenwissenschaftler, die mit Jupyter-Notebooks, -Code und -Daten arbeiten möchten.

This document provides an overview of JupyterLab and its features as well as instructions to perform common actions.

JupyterLab on Experience Platform

Die JupyterLab-Integration mit Experience Platform wird von Architekturänderungen, Designüberlegungen, benutzerdefinierten Notebook-Erweiterungen, vorinstallierten Bibliotheken und einer Oberfläche im Stil von Adobe begleitet.

In der folgenden Liste werden einige der Funktionen vorgestellt, die bei JupyterLab auf Platform einzigartig sind:

Funktion	Beschreibung
Kernels	Kernels provide notebook and other JupyterLab front-ends the ability to execute and introspect code in different programming languages. Experience Platform bietet zusätzliche Kernel zur Unterstützung der Entwicklung in Python, R, PySpark und Spark. Weiterführende Informationen finden Sie im Abschnitt Kernels.
Datenzugriff	Access existing datasets directly from within JupyterLab with full support for read and write capabilities.
PlatformDienstintegration	Built-in integrations allows you to utilize other Platform services directly from within JupyterLab. Eine vollständige Liste der unterstützten Integrationen finden Sie im Abschnitt zur Integration mit anderen Platform-Diensten.
Authentifizierung	Zusätzlich zum nativen Sicherheitsmodell von JupyterLab wird jede Interaktion zwischen Ihrer Anwendung und Experience Platform, einschließlich der Kommunikation zwischen Platform-Diensten, über das Adobe Identity Management System (IMS) verschlüsselt und authentifiziert.
Entwicklungsbibliotheken	In Experience Platformbietet JupyterLab vorinstallierte Bibliotheken für Python, R und PySpark. Eine vollständige Liste der unterstützten Bibliotheken finden Sie im Anhang.
Bibliotheks-Controller	When the the pre-installed libraries are lacking for your needs, additional libraries can be installed for Python and R, and are temporarily stored in isolated containers to maintain the integrity of Platform and keep your data safe. Weiterführende Informationen finden Sie im Abschnitt Kernels.

Integration with other Platform services

Standardization and interoperability are key concepts behind Experience Platform. The integration of JupyterLab on Platform as an embedded IDE allows it to interact with other Platform services, enabling you to utilize Platform to its full potential. The following Platform services are available in JupyterLab:

• Catalog Service: Aufrufen und Erkunden von Datensätzen mit Lese- und Schreibfunktionen.
• Query Service: Aufrufen und Erkunden von Datensätzen mit SQL, wodurch sich beim Datenzugriff bei großen Datenmengen der Overhead verringert.
• Sensei ML Framework: Modellentwicklung mit der Möglichkeit, Daten zu trainieren und zu bewerten, sowie Rezepterstellung mit einem Klick.
• Experience Data Model (XDM): Normung und Interoperabilität sind Schlüsselkonzepte für Adobe Experience Platform. Erlebnis-Datenmodell (XDM), angetrieben von Adobe, ist ein Versuch, Kundenerlebnisdaten zu standardisieren und Schema für das Kundenerlebnis-Management zu definieren.

Wichtigste Funktionen und allgemeine Vorgänge

Information regarding key features of JupyterLab and instructions on performing common operations are provided in the sections below:

• Zugriff auf JupyterLab
• Oberfläche von JupyterLab
• Code-Zellen
• Kernels
• Kernel-Sitzungen
• Starter

Zugriff auf JupyterLab

Wählen Sie in Adobe Experience Platformin der linken Navigationsspalte Notebooks aus. Allow some time for JupyterLab to fully initialize.

JupyterLab Benutzeroberfläche

The JupyterLab interface consists of a menu bar, a collapsible left sidebar, and the main work area containing tabs of documents and activities.

Menüleiste

The menu bar at the top of the interface has top-level menus that expose actions available in JupyterLab with their keyboard shortcuts:

• Datei: Aktionen im Zusammenhang mit Dateien und Ordnern
• Bearbeiten: Aktionen im Zusammenhang mit der Bearbeitung von Dokumenten und anderen Aktivitäten
• Ansicht: Aktionen, die das Erscheinungsbild von ändernJupyterLab
• Ausführen: Aktionen zum Ausführen von Code in verschiedenen Aktivitäten, wie z. B. Notebooks und Code-Konsolen
• Kernel: Aktionen zum Verwalten von Kerneln
• Registerkarten: Eine Liste offener Dokumente und Aktivitäten
• Einstellungen: Allgemeine Einstellungen und ein Editor für erweiterte Einstellungen
• **Hilfe:**JupyterLab Eine Liste von - und Kernel-Hilfe-Links

Linke Seitenleiste

Die linke Seitenleiste enthält anklickbare Registerkarten, die Zugriff auf folgende Funktionen bieten:

• Datei-Browser: Eine Liste gespeicherter Notebook-Dokumente und -Verzeichnisse
• Data Explorer: Durchsuchen, Aufrufen und Erforschen von Datensätzen und Schemas
• Laufende Kernel und Terminals: Eine Liste von aktiven Kernel- und Terminal-Sitzungen mit der Möglichkeit zum Beenden
• Befehle: Eine Liste mit hilfreichen Befehlen
• Zellinspektor: Ein Zelleneditor, der Zugriff auf Tools und Metadaten bietet, die für die Einrichtung eines Notebooks zu Präsentationszwecken nützlich sind
• Registerkarten: Eine Liste offener Registerkarten

Klicken Sie auf eine Registerkarte, um deren Funktionen anzuzeigen, oder klicken Sie auf eine erweiterte Registerkarte, um die linke Seitenleiste wie unten gezeigt zu reduzieren:

Hauptarbeitsbereich

The main work area in JupyterLab enables you to arrange documents and other activities into panels of tabs that can be resized or subdivided. Ziehen Sie eine Registerkarte in die Mitte eines Registerkarten-Panels, um die Registerkarte zu verschieben. Unterteilen Sie ein Panel durch Ziehen einer Registerkarte nach links, rechts, oben oder unten im Panel:

Code-Zellen

Code-Zellen sind der Hauptinhalt von Notebooks. Sie enthalten Quell-Code in der Sprache des Kernels vom Notebook und die Ausgabe als Ergebnis der Ausführung der Code-Zelle. Rechts neben jeder Code-Zelle, die die Ausführungsreihenfolge darstellt, wird ein Ausführungszähler angezeigt.

Häufige Zellaktionen werden nachfolgend beschrieben:

• Zelle hinzufügen: Klicken Sie im Notebook-Menü auf das Pluszeichen (+), um eine leere Zelle hinzuzufügen. Neue Zellen werden unter der Zelle platziert, mit der derzeit interagiert wird, oder am Ende des Notebooks, wenn keine bestimmte Zelle im Fokus ist.

• Zelle verschieben: Platzieren Sie den Cursor rechts neben der Zelle, die Sie verschieben möchten, und ziehen Sie die Zelle dann an eine neue Position. Wenn Sie eine Zelle von einem Notebook in ein anderes verschieben, wird die Zelle zusammen mit ihrem Inhalt repliziert.

• Zelle ausführen: Klicken Sie auf den Text der Zelle, die Sie ausführen möchten, und klicken Sie dann auf das Wiedergabesymbol (▶) im Notebook-Menü. Im Ausführungszähler der Zelle wird ein Sternchen (*) angezeigt, wenn der Kernel die Ausführung verarbeitet, und nach Abschluss durch eine Ganzzahl ersetzt.

• Zelle löschen: Klicken Sie auf den Text der Zelle, die Sie löschen möchten, und klicken Sie dann auf das Symbol Schere.

Kernels

Notebook-Kernel sind sprachspezifische Rechen-Engines zur Verarbeitung von Notebook-Zellen. In addition to Python, JupyterLab provides additional language support in R, PySpark, and Spark (Scala). Wenn Sie ein Notebook-Dokument öffnen, wird der zugehörige Kernel gestartet. Wenn eine Notebook-Zelle ausgeführt wird, führt der Kernel die Berechnung durch und erzeugt Ergebnisse, die erhebliche CPU- und Arbeitsspeicherressourcen beanspruchen können. Beachten Sie, dass zugewiesener Arbeitsspeicher erst freigegeben wird, wenn der Kernel heruntergefahren wird.

Bestimmte Funktionen und Funktionen sind auf bestimmte Kernels beschränkt, wie in der folgenden Tabelle beschrieben:

Kernel	Installationsunterstützung für Bibliotheken	Platform Integrationen
Python	Ja	Sensei ML Framework Catalog Service Query Service
R	Ja	Sensei ML Framework Catalog Service
Scala	Nein	Sensei ML Framework Catalog Service

Kernel-Sitzungen

Each active notebook or activity on JupyterLab utilizes a kernel session. Alle aktiven Sitzungen finden Sie, indem Sie auf der linken Seitenleiste die Registerkarte Laufende Terminals und Kernel erweitern. Typ und Zustand des Kernels eines Notebooks finden Sie in der oberen rechten Ecke der Notebook-Oberfläche. In der Abbildung unten ist der zugehörige Kernel des Notebooks Python3 und der aktuelle Status wird durch einen grauen Kreis rechts dargestellt. Ein leerer Kreis impliziert einen Kernel im Leerlauf, während ein ausgefüllter Kreis einen aktiven Kernel darstellt.

Wenn der Kernel heruntergefahren wurde oder über einen längeren Zeitraum inaktiv war, dann wird Kein Kernel! mit einem ausgefüllten Kreis angezeigt. Aktivieren Sie einen Kernel, indem Sie auf den Kernel-Status klicken und den entsprechenden Kernel-Typ auswählen, wie unten gezeigt:

Starter

Der angepasste Starter bietet nützliche Notebook-Vorlagen für die unterstützten Kernels, die Ihnen helfen, mit Ihrer Aufgabe zu beginnen, darunter:

Vorlage	Beschreibung
Leer	Eine leere Notebook-Datei.
Starter	Ein vorausgefülltes Notebook, das die Datenerfassung anhand von Musterdaten demonstriert.
Einzelhandelsumsätze	A pre-filled notebook featuring the retail sales recipe using sample data.
Recipe Builder	Eine Notebook-Vorlage zum Erstellen eines Rezepts in JupyterLab. Sie ist mit Code und Kommentaren vorausgefüllt, die die Erstellung von Rezepten demonstrieren und beschreiben. Eine ausführliche Vorgehensweise finden Sie im Tutorial Notebook an Rezept.
Query Service	A pre-filled notebook demonstrating the usage of Query Service directly in JupyterLab with provided sample workflows that analyzes data at scale.
ExperienceEvents	Ein vorausgefülltes Notebook, das die Datenerkundung bei Nachwertdaten von Erlebnisereignissen demonstriert und sich auf Funktionen konzentriert, die in der ganzen Datenstruktur einheitlich sind.
XDM Queries	Ein vorausgefülltes Notebook, das geschäftliche Beispielabfragen zu Erlebnisereignisdaten veranschaulicht.
Aggregation	Ein vorausgefülltes Notebook, das Beispiel-Workflows zur Aggregation großer Datenmengen in kleineren, besser handhabbaren Blöcken veranschaulicht.
Clustering	Ein vorausgefülltes Notebook, das die durchgängige Modellierung für maschinellen Lernen mithilfe von Clustering-Algorithmen demonstriert.

Einige Notebook-Vorlagen sind auf bestimmte Kernels beschränkt. Die Vorlagenverfügbarkeit für jeden Kernel wird in der folgenden Tabelle dargestellt:

	Leer	Starter	Einzelhandelsumsätze	Recipe Builder	Abfrage Service	ExperienceEvents	XDM Queries	Aggregation	Clustering
Python	ja	ja	ja	ja	ja	ja	nein	nein	nein
R	ja	ja	ja	nein	nein	nein	nein	nein	nein
PySpark 3 (Spark 2.4)	nein	ja	nein	nein	nein	nein	ja	ja	nein
Scala	ja	ja	nein	nein	nein	nein	nein	nein	ja

Um einen neuen Starter zu öffnen, klicken Sie auf Datei > Neuer Starter. Alternativ können Sie den Datei-Browser in der linken Seitenleiste erweitern und auf das Pluszeichen (+) klicken:

GPU- und Speicherserverkonfiguration in Python/R

Wählen Sie JupyterLab das Zahnradsymbol in der oberen rechten Ecke aus, um die Notebook-Serverkonfiguration zu öffnen. Mit dem Schieberegler können Sie die GPU aktivieren und die benötigte Speichermenge zuweisen. Wie viel Arbeitsspeicher Sie zuweisen können, hängt davon ab, wie viel Arbeitsspeicher Ihr Unternehmen bereitgestellt hat. Wählen Sie Zu speichernde Konfigurationen aktualisieren.

Nächste Schritte

Weitere Informationen zu den einzelnen unterstützten Notebooks und deren Verwendung finden Sie im Jupyterlab-Handbuch für den Datenzugriff auf Notebooks. Dieser Leitfaden konzentriert sich darauf, wie Sie mit JupyterLab-Notebooks auf Ihre Daten zugreifen können, einschließlich Lesen, Schreiben und Abfragen von Daten. Die Anleitung zum Datenzugriff enthält außerdem Informationen zur maximalen Datenmenge, die von jedem unterstützten Notebook gelesen werden kann.

Unterstützte Bibliotheken

Python / R

Bibliothek	Version
notebook	6.0.0
requests	2.22.0
plotly	4.0.0
folium	0.10.0
ipywidgets	7.5.1
bokeh	1.3.1
gensim	3.7.3
ipyparallel	0.5.2
jq	1,6
keras	2.2.4
nltk	3.2.5
pandas	0.22.0
pandasql	0.7.3
pillow	6.0.0
scikit-image	0.15.0
scikit-learn	0.21.3
scipy	1.3.0
scrapy	1.3.0
seaborn	0.9.0
statsmodels	0.10.1
elastic	5.1.0.17
ggplot	0.11.5
py-xgboost	0,90
opencv	3.4.1
pyspark	2.4.3
pytorch	1.0.1
wxpython	4.0.6
colorlover	0.3.0
geopandas	0.5.1
pyshp	2.1.0
shapely	1.6.4
rpy2	2.9.4
r-essentials	3,6
r-arules	1.6_3
r-fpc	2.2_3
r-e1071	1.7_2
r-gam	1.16.1
r-gbm	2.1.5
r-ggthemes	4.2.0
r-ggvis	0.4.4
r-igraph	1.2.4.1
r-leaps	3,0
r-manipulate	1.0.1
r-rocr	1.0_7
r-rmysql	0.10.17
r-rodbc	1.3_15
r-rsqlite	2.1.2
r-rstan	2.19.2
r-sqldf	0.4_11
r-survival	2.44_1.1
r-zoo	1.8_6
r-stringdist	0.9.5.2
r-quadprog	1.5_7
r-rjson	0.2.20
r-forecast	8,7
r-rsolnp	1,16
r-reticulate	1,12
r-mlr	2.14.0
r-viridis	0.5.1
r-corrplot	0,84
r-fnn	1.1.3
r-lubridate	1.7.4
r-randomforest	4.6_14
r-tidyverse	1.2.1
r-tree	1.0_39
pymongo	3.8.0
pyarrow	0.14.1
boto3	1.9.199
ipyvolume	0.5.2
fastparquet	0.3.2
python-snappy	0.5.4
ipywebrtc	0.5.0
jupyter_client	5.3.1
wordcloud	1.5.0
graphviz	2.40.1
python-graphviz	0.11.1
azure-storage	0.36.0
jupyterlab	1.0.4
pandas_ml	0.6.1
tensorflow-gpu	1.14.0
nodejs	12.3.0
mock	3.0.5
ipympl	0.3.3
fonts-anacond	1,0
psycopg2	2.8.3
nose	1.3.7
autovizwidget	0.12.9
altair	3.1.0
vega_datasets	0.7.0
papermill	1.0.1
sql_magic	0.0.4
iso3166	1,0
nbimporter	0.3.1

PySpark

Bibliothek	Version
requests	2.18.4
gensim	2.3.0
keras	2.0.6
nltk	3.2.4
pandas	0.20.1
pandasql	0.7.3
pillow	5.3.0
scikit-image	0.13.0
scikit-learn	0.19.0
scipy	0.19.1
scrapy	1.3.3
statsmodels	0.8.0
elastic	4.0.30.44
py-xgboost	0,60
opencv	3.1.0
pyarrow	0.8.0
boto3	1.5.18
azure-storage-blob	1.4.0
python	3.6.7
mkl-rt	11,1