JupyterLab 是Project Jupyter的基于Web的用 户界面 ,紧密集成到Adobe Experience Platform。 它为数据科学家提供一个交互式开发环境,以便与Jupyter笔记本、代码和数据一起使用。
本文档概述其 JupyterLab 功能以及执行常见操作的说明。
Experience Platform的JupyterLab集成包含架构更改、设计注意事项、自定义笔记本扩展、预安装库和Adobe主题界面。
以下列表概述了JupyterLab在平台上独有的一些功能:
功能 | 描述 |
---|---|
内核 | 内核提供笔记本和 JupyterLab 其他前端以不同编程语言执行和检查代码的能力。 Experience Platform 提供额外的内核, Python支持在、R、PySpark和中进行开发 Spark。 有关更多 详细信息 ,请参阅内核部分。 |
数据访问 | 完全支持读写功能, JupyterLab 直接从内部访问现有数据集。 |
Platform服务集成 | 内置集成功能允许您直接从内 Platform 部利用其他服务 JupyterLab。 与其他平台服务集成部分提供支持的集 成的完整列表。 |
身份验证 | 除了JupyterLab 的内置安全模型,您的应用程序与Experience Platform之间的每次交互(包括平台服务到服务通信)都经过加密,并通过 Adobe Identity Management System (IMS)进行验证。 |
开发库 | 在 Experience Platform中 JupyterLab ,提供预装的 PythonPySpark、R和PySpark库。 有关受 支持库 的完整列表,请参阅附录。 |
库控制器 | 当您需要预装的库时,可以为Python和R安装额外的库,并临时存储在隔离的容器中,以保持数据的完整性 Platform 和安全性。 有关更多 详细信息 ,请参阅内核部分。 |
其他库仅可用于安装它们的会话。 启动新会话时,必须重新安装所需的任何其他库。
标准化和互操作性是背后的关键概念 Experience Platform。 集成到 JupyterLab 作为 Platform 嵌入式IDE,可以与其他服务交互, Platform 使您能够充分利用 Platform 其潜能。 以下服 Platform 务可在以下网站 JupyterLab提供:
上的 Platform 某些服务集 JupyterLab 成仅限于特定内核。 有关详细信息,请 参阅 “内核”一节。
以下各节提供了 JupyterLab 有关执行常见操作的主要功能和说明的信息:
在 Adobe Experience Platform,从左 侧导航列 中选择“笔记本”。 允许一些时间 JupyterLab 进行完全初始化。
界 JupyterLab 面由菜单栏、可折叠的左侧提要栏和包含文档和活动选项卡的主工作区组成。
菜单栏
界面顶部的菜单栏有顶级菜单,这些菜单显示使用键盘快捷键 JupyterLab 可执行的操作:
左侧提要栏
左侧提要栏包含可单击的选项卡,这些选项卡提供对以下功能的访问:
单击某个选项卡以显示其功能,或单击展开的选项卡折叠左侧提要栏,如下所示:
主要工作区
中的主要工作区 JupyterLab 域允许您将文档和其他活动排列到选项卡的面板中,这些选项卡可以调整大小或细分。 将选项卡拖动到选项卡面板的中心,以迁移选项卡。 将选项卡拖至面板的左侧、右侧、顶部或底部,以划分面板:
代码单元是笔记本的主要内容。 它们包含笔记本关联内核的语言和作为执行代码单元格结果的输出中的源代码。 每个代码单元的右侧显示一个执行计数,它表示其执行顺序。
常见单元格操作如下所述:
添加单元格: 单击笔记本菜单中的加号(+)以添加空单元格。 新单元格被放置在当前正在与之交互的单元格下,或者如果没有特定单元格处于焦点,则放置在笔记本的末尾。
移动单元格: 将光标放在要移动的单元格的右侧,然后单击并将单元格拖动到新位置。 此外,将一个单元从一个笔记本移动到另一个单元将复制该单元及其内容。
执行单元格: 单击要执行的单元格的正文,然后单击 笔记本菜 单中的播放图标()。 当内核处理执行时,单元格的执行计数器中会显示星号(*),并在完成时替换为整数。
删除单元格: 单击要删除的单元格的正文,然后单击剪 刀 图标。
笔记本电脑内核是处理笔记本电脑单元的语言专用计算引擎。 此外,还 Python在 JupyterLab R、PySpark和(Scala)中提供 Spark 其他语言支持。 打开笔记本文档时,将启动关联的内核。 当执行笔记本单元时,内核执行计算并产生可能消耗大量CPU和内存资源的结果。 请注意,在内核关闭之前,不会释放已分配的内存。
某些特性和功能仅限于下表所述的特定内核:
内核 | 库安装支持 | Platform 集成 |
---|---|---|
Python | 是 |
|
R | 是 |
|
斯卡拉 | 否 |
|
每个活动笔记本或活动 JupyterLab 都使用内核会话。 通过从左侧提要栏扩展“运行终 端和内核”选项卡 ,可以找到所有活动会话。 通过观察笔记本界面的右上角,可以识别笔记本的内核类型和状态。 在下图中,笔记本的关联内核为 Python3 ,其当前状态由右侧的灰色圆圈表示。 空心圆表示空闲内核,实心圆表示忙碌内核。
如果内核长时间处于关闭或非活动状态,则无 内核! 显示实心圆。 通过单击内核状态并选择相应的内核类型来激活内核,如下所示:
自定义的 Launcher ,为您提供实用的笔记本模板,以支持其内核,帮助您启动任务,包括:
模板 | 描述 |
---|---|
空白 | 一个空的笔记本文件。 |
入门 | 一种预填的笔记本,用样本数据演示数据探索。 |
零售销售 | 预填的笔记本,使用样 本数据显示零售 销售菜谱。 |
Recipe Builder | 用于在中创建菜谱的笔记本模 JupyterLab板。 它预填了演示和描述菜谱创建过程的代码和评注。 有关详细的 演练,请参阅笔记本 ,参阅菜谱教程。 |
Query Service | 一种预填充的笔记本,其演示直接在 Query Service 提供的 JupyterLab 样本工作流中使用,该样本可大规模分析数据。 |
XDM事件 | 预填的笔记本,展示对后值体验事件数据的数据探索,侧重于数据结构中的常见功能。 |
XDM查询 | 预填的笔记本,展示关于体验查询数据的示例业务事件。 |
聚合 | 预先填充的笔记本,展示将大量数据聚合为较小、可管理的块的样本工作流。 |
聚类 | 预填充的笔记本电脑,演示使用聚类算法的端对端机器学习建模过程。 |
某些笔记本模板仅限于某些内核。 下表将映射每个内核的模板可用性:
空白 | 入门 | 零售销售 | Recipe Builder | 查询服务 | XDM事件 | XDM查询 | 聚合 | 聚类 | |
---|---|---|---|---|---|---|---|---|---|
Python | 是 | 是 | 是 | 是 | 是 | 是 | 否 | 否 | 否 |
R | 是 | 是 | 是 | 否 | 否 | 否 | 否 | 否 | 否 |
PySpark 3(Spark 2.4) | 否 | 是 | 否 | 否 | 否 | 否 | 是 | 是 | 否 |
斯卡拉 | 是 | 是 | 否 | 否 | 否 | 否 | 否 | 否 | 是 |
要打开新的启动 器,请单 击“文件”>“新建启动器”。 或者,从左侧 提要栏 展开“文件”浏览器并单击加号(+):
在 JupyterLab 中,选择右上角的齿轮图标以打开笔记本 服务器配置。 您可以打开GPU并使用滑块分配所需的内存量。 您可以分配的内存量取决于您的组织已配置的内存量。 选择 要保存 的更新配置。
每个组织只为笔记本提供一个GPU。 如果GPU正在使用,您需要等待当前已保留GPU的用户释放它。 这可以通过注销或将GPU置于空闲状态四小时或更长时间来完成。
要进一步了解每个受支持的笔记本电脑以及如何使用它们,请访 问Jupyterlab笔记本数据访问 开发人员指南。 本指南重点介绍如何使用JupyterLab笔记本访问数据,包括读取、写入和查询数据。 数据访问指南还包含关于每个受支持的笔记本可以读取的最大数据量的信息。
库 | 版本 |
---|---|
笔记本 | 6.0.0 |
请求 | 2.22.0 |
极端 | 4.0.0 |
叶 | 0.10.0 |
小部件 | 7.5.1 |
博凯 | 1.3.1 |
亨西姆 | 3.7.3 |
平行 | 0.5.2 |
jq | 1.6 |
keras | 2.2.4 |
nltk | 3.2.5 |
熊猫 | 0.22.0 |
潘达斯 | 0.7.3 |
枕 | 6.0.0 |
Scikit图像 | 0.15.0 |
scikit-learn | 0.21.3 |
熏 | 1.3.0 |
杂乱 | 1.3.0 |
西伯恩 | 0.9.0 |
statmodels | 0.10.1 |
弹性 | 5.1.0.17 |
gplot | 0.11.5 |
py-xgboost | 0.90 |
opencv | 3.4.1 |
皮什帕克 | 2.4.3 |
火炬 | 1.0.1 |
wxpython | 4.0.6 |
颜色 | 0.3.0 |
盖潘达 | 0.5.1 |
地源 | 2.1.0 |
形象 | 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操作 | 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-surval | 2.44_1.1 |
动物园 | 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-陈化 | 1.12 |
r-mlr | 2.14.0 |
病毒 | 0.5.1 |
r-corplot | 0.84 |
r-fnn | 1.1.3 |
r-lubridate | 1.7.4 |
r-randomforest | 4.6_14 |
逆反 | 1.2.1 |
r树 | 1.0_39 |
皮蒙戈 | 3.8.0 |
派箭 | 0.14.1 |
boto3 | 1.9.199 |
ipyvolume | 0.5.2 |
fast | 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存储 | 0.36.0 |
jupyterlab | 1.0.4 |
熊猫_ml | 0.6.1 |
tensorflow-gpu | 1.14.0 |
nodejs | 12.3.0 |
模型 | 3.0.5 |
ipympl | 0.3.3 |
fonts-anacond | 1.0 |
psycopg2 | 2.8.3 |
鼻子 | 1.3.7 |
autovizwidget | 0.12.9 |
阿尔泰 | 3.1.0 |
vega_datasets | 0.7.0 |
平磨机 | 1.0.1 |
sql_magic | 0.0.4 |
iso3166 | 1.0 |
nbimporter | 0.3.1 |
库 | 版本 |
---|---|
请求 | 2.18.4 |
亨西姆 | 2.3.0 |
keras | 2.0.6 |
nltk | 3.2.4 |
熊猫 | 0.20.1 |
潘达斯 | 0.7.3 |
枕 | 5.3.0 |
Scikit图像 | 0.13.0 |
scikit-learn | 0.19.0 |
熏 | 0.19.1 |
杂乱 | 1.3.3 |
statmodels | 0.8.0 |
弹性 | 4.0.30.44 |
py-xgboost | 0.60 |
opencv | 3.1.0 |
派箭 | 0.8.0 |
boto3 | 1.5.18 |
azure-存储-blob | 1.4.0 |
python | 3.6.7 |
mkl-rt | 11.1 |