JupyterLab guide de l'utilisateur

JupyterLab est une interface utilisateur web pour Project Jupyter et est étroitement intégré à Adobe Experience Platform. Il fournit un environnement de développement interactif pour que les analystes de données puissent travailler avec les notebooks, le code et les données Jupyter.

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

JupyterLab on Experience Platform

L’intégration JupyterLab d’Experience Platform est accompagnée de modifications architecturales, de considérations de conception, d’extensions de notebooks personnalisées, de bibliothèques préinstallées et d’une interface sur le thème Adobe.

La liste suivante présente quelques-unes des fonctionnalités propres à JupyterLab sur Platform :

Fonctionnalité	Description
Noyaux	Kernels provide notebook and other JupyterLab front-ends the ability to execute and introspect code in different programming languages. Experience Platform fournit des noyaux supplémentaires pour prendre en charge le développement dans Python, R, PySpark et Spark. Pour plus d’informations, consultez la section sur les noyaux.
Accès aux données	Access existing datasets directly from within JupyterLab with full support for read and write capabilities.
Platformintégration de service	Built-in integrations allows you to utilize other Platform services directly from within JupyterLab. Une liste complète des intégrations prises en charge est fournie dans la section sur l’intégration avec d’autres services Platform.
Authentification	Outre le modèle de sécurité intégré de JupyterLab, chaque interaction entre votre application et Experience Platform, y compris la communication service à service de Platform, est chiffrée et authentifiée à l’aide d’Adobe Identity Management System (IMS).
Bibliothèques de développement	In Experience Platform, JupyterLab provides pre-installed libraries for Python, R, and PySpark. Consultez l’annexe pour obtenir une liste complète des bibliothèques prises en charge.
Contrôleur de bibliothèque	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. Pour plus d’informations, consultez la section sur les noyaux.

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: Accédez et explorez des jeux de données avec des fonctionnalités de lecture et d'écriture.
• Query Service : accédez aux jeux de données et explorez-les à l’aide de SQL, ce qui vous permet de réduire les frais généraux d’accès aux données lorsque vous traitez de grandes quantités de données.
• Sensei ML Framework : développement de modèles avec la possibilité de former et de noter des données, ainsi que de créer des recettes en un seul clic.
• Experience Data Model (XDM): La normalisation et l’interopérabilité sont les concepts clés d’Adobe Experience Platform. Le modèle de données d’expérience (XDM), piloté par l’Adobe, vise à normaliser les données d’expérience client et à définir des schémas pour la gestion de l’expérience client.

Fonctionnalités clés et opérations courantes

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

• Accès à JupyterLab
• Interface de JupyterLab
• Cellules de code
• Noyaux
• Sessions de noyau
• Lanceur

Accès JupyterLab

Dans Adobe Experience Platform, sélectionnez Ordinateurs portables dans la colonne de navigation de gauche. Allow some time for JupyterLab to fully initialize.

JupyterLab interface

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

Barre de menus

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

• Fichier : actions relatives aux fichiers et répertoires
• Modifier : actions relatives à la modification des documents et d’autres activités
• Afficher : actions qui modifient l’apparence de JupyterLab
• Exécuter : actions d’exécution de code dans différentes activités telles que les notebooks et les consoles de code
• Noyau : actions de gestion des noyaux
• Onglets : une liste des activités et des documents ouverts
• Paramètres : paramètres courants et un éditeur de paramètres avancés
• **Aide 😗*JupyterLab une liste des liens d’aide de et du noyau

Barre latérale gauche

La barre latérale gauche contient des onglets cliquables qui permettent d’accéder aux fonctionnalités suivantes :

• Navigateur de fichiers : une liste de documents et de répertoires de notebook enregistrés
• Explorateur de données : accédez aux jeux de données et aux schémas, explorez-les et parcourez-les
• Noyaux et terminaux en cours d’exécution : une liste des sessions de noyau et de terminal actives pouvant être interrompues
• Commandes : une liste de commandes utiles
• Inspecteur de cellule : un éditeur de cellules qui donne accès aux outils et aux métadonnées utiles pour configurer un notebook à des fins de présentation
• onglets : une liste d’onglets ouverts

Cliquez sur un onglet pour afficher ses fonctionnalités ou cliquez sur un onglet développé pour réduire la barre latérale gauche comme illustré ci-dessous :

Espace de travail principal

The main work area in JupyterLab enables you to arrange documents and other activities into panels of tabs that can be resized or subdivided. Faites glisser un onglet au centre d’un panneau à onglets pour le faire migrer. Divisez un panneau en faisant glisser un onglet vers la gauche, la droite, le haut ou le bas du panneau :

Cellules de code

Les cellules de code constituent le contenu principal des notebooks. Elles contiennent le code source dans le langage du noyau associé au notebook et la sortie résultant de l’exécution de la cellule de code. Le nombre d’exécutions est affiché à droite de chaque cellule de code qui représente son ordre d’exécution.

Les actions de cellule courantes sont décrites ci-dessous :

• Ajouter une cellule : cliquez sur le symbole plus (+) dans le menu du notebook pour ajouter une cellule vide. Les nouvelles cellules sont placées sous la cellule en cours d’interaction ou à la fin du notebook si aucune cellule particulière n’est concernée.

• Déplacer une cellule : placez votre curseur à droite de la cellule que vous souhaitez déplacer, puis cliquez sur la cellule et faites-la glisser vers un nouvel emplacement. De plus, le déplacement d’une cellule d’un notebook vers un autre réplique la cellule et son contenu.

• Exécuter une cellule : cliquez sur le corps de la cellule que vous souhaitez exécuter, puis sur l’icône lecture (▶) dans le menu du notebook. Un astérisque (*) est affiché dans le compteur d’exécution de la cellule lorsque le noyau traite l’exécution, et est remplacé par un nombre entier une fois l’exécution terminée.

• Supprimer une cellule : cliquez sur le corps de la cellule que vous souhaitez supprimer, puis sur l’icône ciseaux.

Noyaux

Les noyaux des notebooks sont les moteurs informatiques spécifiques au langage pour le traitement des cellules des notebooks. In addition to Python, JupyterLab provides additional language support in R, PySpark, and Spark (Scala). Lorsque vous ouvrez un document de notebook, le noyau associé est lancé. Lorsqu’une cellule de notebook est exécutée, le noyau effectue le calcul et produit des résultats qui peuvent consommer d’importantes ressources de processeur et de mémoire. Notez que la mémoire allouée n’est pas libérée tant que le noyau n’est pas arrêté.

Certaines fonctionnalités sont limitées à des noyaux particuliers, comme décrit dans le tableau ci-dessous :

Noyau	Prise en charge de l’installation de la bibliothèque	Platform intégrations
Python	Oui	Sensei ML Framework Catalog Service Query Service
r	Oui	Sensei ML Framework Catalog Service
Scala	Non	Sensei ML Framework Catalog Service

Sessions de noyau

Each active notebook or activity on JupyterLab utilizes a kernel session. Vous trouverez toutes les sessions actives en développant l’onglet Noyaux et terminaux en cours d’exécution de la barre latérale gauche. Vous pouvez identifier le type et l’état du noyau d’un notebook en observant le coin supérieur droit de l’interface du notebook. Dans le diagramme ci-dessous, le noyau associé au notebook est Python 3 et son état actuel est représenté par un cercle gris à droite. Un cercle creux implique un noyau inactif et un cercle plein implique un noyau occupé.

Si le noyau est arrêté ou inactif pendant une longue période, alors aucun noyau avec un cercle plein n’est affiché. Activez un noyau en cliquant sur l’état du noyau et en sélectionnant le type de noyau approprié, comme illustré ci-dessous :

Lanceur

Le Lanceur personnalisé fournit des modèles de notebook utiles pour les noyaux pris en charge afin de vous aider à démarrer rapidement vos tâches, notamment :

Modèle	Description
Vide	Un fichier de notebook vide.
Démarrage	Un notebook prérempli présentant l’exploration des données à l’aide de données d’exemple.
Ventes au détail	A pre-filled notebook featuring the retail sales recipe using sample data.
Recipe Builder	Un modèle de notebook pour la création d’une recette dans JupyterLab. Il est prérempli de code et de commentaires qui présentent et décrivent le processus de création de la recette. Consultez le tutoriel notebook vers recette pour une présentation détaillée.
Query Service	A pre-filled notebook demonstrating the usage of Query Service directly in JupyterLab with provided sample workflows that analyzes data at scale.
Événements XDM	Un notebook prérempli qui présente l’exploration des données sur les données d’événement d’expérience de valeur post, en mettant l’accent sur les fonctionnalités communes à l’ensemble de la structure de données.
Requêtes XDM	Un notebook prérempli présentant des exemples de requêtes d’entreprise sur les données d’événement d’expérience.
Agrégation	Un notebook prérempli présentant des exemples de processus pour agréger de grandes quantités de données en petits blocs gérables.
Mise en cluster	Un notebook prérempli présentant le processus de modélisation d’apprentissage automatique de bout en bout à l’aide d’algorithmes de mise en cluster.

Certains modèles de notebook sont limités à des noyaux spécifiques. La disponibilité des modèles pour chaque noyau est mappée dans le tableau suivant :

	Vide	Démarrage	Ventes au détail	Recipe Builder	Service de Requête	Événements XDM	Requêtes XDM	Agrégation	Mise en cluster
Python	oui	oui	oui	oui	oui	oui	non	non	non
R	oui	oui	oui	non	non	non	non	non	non
PySpark 3 (Spark 2.4)	non	oui	non	non	non	non	oui	oui	non
Scala	oui	oui	non	non	non	non	non	non	oui

Pour ouvrir un nouveau lanceur, cliquez sur Fichier > Nouveau lanceur. Vous pouvez également développer le navigateur de fichiers depuis la barre latérale gauche et cliquer sur le symbole plus (+) :

Configuration du GPU et du serveur de mémoire dans Python/R

Dans JupyterLab sélectionnez l'icône d'engrenage dans le coin supérieur droit pour ouvrir la configuration du serveur portable. Vous pouvez activer GPU et allouer la quantité de mémoire dont vous avez besoin en utilisant le curseur. La quantité de mémoire que vous pouvez allouer dépend de la quantité de mémoire allouée par votre organisation. Sélectionnez Mettre à jour les configurations pour enregistrer.

Étapes suivantes

Pour en savoir plus sur chacun des portables pris en charge et comment les utiliser, consultez le guide du développeur d'accès aux données des ordinateurs portables Jupyterlab. Ce guide se concentre sur l'utilisation des portables JupyterLab pour accéder à vos données, y compris la lecture, l'écriture et l'interrogation de données. Le guide d'accès aux données contient également des informations sur la quantité maximale de données pouvant être lues par chaque bloc-notes pris en charge.

Bibliothèques prises en charge

Python / R

Bibliothèque	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

Bibliothèque	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