Jupyter Lab使用教程

Jupyter简介

Jupyter是一个开源的、交互式的计算环境，旨在为科学计算、数据分析和机器学习等领域提供支持。其核心在于Jupyter Notebook，一种Web应用程序，允许用户创建和共享包含实时代码、方程、可视化以及文本的文档。Jupyter支持超过40种编程语言，包括Python、R、Julia和Scala等。以下是对Jupyter的简要介绍：

Jupyter发展历程

Jupyter项目起源于IPython项目，一个旨在提高Python交互式计算体验的项目。随着时间的推移，IPython项目的发展扩展到了对其他编程语言的支持，因此需要一个新的名称来反映这一变化，由此Jupyter诞生。Jupyter这个名字来源于三个核心编程语言：Julia、Python和R，同时也向伽利略的开创性工作致敬，他是第一个使用望远镜记录木星的卫星运动的人。

Jupyter核心特性

代码和数据的交互式执行：用户可以一步步执行代码块，立即看到每步的输出结果。
支持Markdown和HTML：这使得用户可以在同一文档中添加说明、数学方程、图像和视频等。
数据可视化：集成各种图表库，如Matplotlib、Plotly等，方便直观展示数据分析结果。
多语言支持：通过所谓的“kernels”，Jupyter可以运行多种编程语言的代码。
易于共享：Jupyter Notebook可以导出为多种格式，包括HTML、PDF、Markdown等，便于共享和展示。

Jupyter使用场景

数据清洗和转换：数据科学家和分析师可以使用Jupyter Notebook来探索、处理和整理数据。
数值模拟：科学家可以使用Jupyter进行复杂的数学模拟计算。
机器学习：提供了一个便捷的平台，用于训练模型、评估模型性能和调整参数。
教学和学习：Jupyter Notebook是一个出色的教学工具，可以用来演示编程概念、数据分析方法和统计理论。

Jupyter生态组件

Jupyter生态系统由多个组件和工具构成，旨在提供一个全面的、互联的平台以支持交互式数据科学和科学计算。以下是Jupyter生态系统中的一些关键组件：

Jupyter Notebook：这是Jupyter项目的核心组件，一个开源的Web应用程序，允许用户创建和分享包含实时代码、方程、可视化和解释性文本的文档。
JupyterLab：JupyterLab是Jupyter Notebook的下一代Web界面，提供一个灵活且集成的开发环境，支持笔记本、代码控制台、文本编辑器、终端、数据文件查看等多种工具。
JupyterHub：JupyterHub允许多个用户通过浏览器访问Jupyter Notebook环境。它适用于教育、科研和企业环境，可以部署在云平台或本地服务器上，实现资源的集中管理和分配。
nbconvert：nbconvert是一个工具，允许用户将Jupyter笔记本转换为其他格式，如HTML、PDF、Markdown、Python脚本等，便于分享和发布。
IPython：IPython是交互式Python的强化版，提供了一个富交互性的命令行界面和一个架构，用于并行计算。在Jupyter Notebook中运行的Python代码实际上是通过IPython内核执行的。
Jupyter Kernels：Jupyter支持超过40种编程语言，这是通过各种“内核”（Kernels）实现的。内核是与特定编程语言交互的程序。除了Python，还有R、Julia、Scala等多种语言的内核。
Binder：Binder是一个开源的Web服务，允许用户在没有任何配置的情况下，直接在浏览器中运行Jupyter笔记本环境。用户只需提供Git仓库的URL，Binder就会创建一个包含这些笔记本的环境。
Voilà：Voilà可以将Jupyter笔记本转换为交互式仪表板，使得笔记本不仅可以作为分析和研究的工具，还可以用于构建交互式的Web应用。
Nbgrader：Nbgrader是一种用于Jupyter笔记本的自动化作业分发和评分工具，广泛应用于教学场景。
Jupyter Widgets：Jupyter Widgets（也称为ipywidgets）是一种交云计算工具，允许在Jupyter笔记本中嵌入交互式HTML控件。
Jupyter Community：除了这些技术组件，Jupyter项目还拥有一个活跃的社区，包括开发者、贡献者和用户，他们不断地贡献代码、分析、教程和反馈，推动Jupyter生态系统的发展。

Jupyter生态系统的这些组件相互协作，为数据分析、科学研究、教学等提供了强大、灵活和易用的工具集。

JupyterLab

JupyterLab是Jupyter项目的下一代Web-based交云计算环境，旨在提供一个统一的、集成的开发环境（IDE）体验，同时保持了Jupyter Notebook的核心特性。它是开源的，并设计成可扩展的，这意味着可以通过安装扩展来增加新的功能。JupyterLab不仅支持笔记本，还支持代码控制台、文本编辑器、终端以及自定义组件等，所有这些都可以在同一个窗口中使用。

核心特性：

灵活的工作区：JupyterLab的用户界面允许你自定义布局，可以同时打开和查看多个文档（包括笔记本、数据文件、文本文件等）。
集成的开发环境：它集成了代码编辑器、交互式控制台、图形显示等多种工具，支持多种编程语言。
丰富的扩展支持：可以通过安装第三方扩展来增强JupyterLab的功能，比如支持更多语言的内核、主题、数据可视化工具等。
交互式数据探索：支持交互式数据可视化和操作，使数据分析和模型构建过程更直观。
文件和目录管理：内置文件浏览器使得管理笔记本文件、数据文件和其他文档更加方便。

安装JupyterLab通常很简单，如果你已经有Python环境，可以通过pip安装：pip install jupyterlab

安装完成后，通过命令行启动：jupyter lab

这将启动一个本地服务器，并在默认的Web浏览器中打开JupyterLab的界面。

Jupyter Notebook

JupyterLab是Jupyter Notebook的演进版本，旨在提供更加现代化和强大的用户体验。虽然JupyterLab和Jupyter Notebook共享许多相同的底层技术和概念，但JupyterLab提供了更为灵活和强大的界面，支持更多种类的工作流程和集成开发环境的特性。

Jupyter nbclassic

nbclassic 是 Jupyter 生态系统中的一个相对较新的组件，旨在为用户提供使用 Jupyter Notebook 经典界面的能力，同时运行在 JupyterLab 的架构之上。随着 JupyterLab 的快速发展和普及，Jupyter 社区希望确保那些偏好经典 Notebook 用户界面的用户也能享受到 JupyterLab 提供的底层改进和新特性。

主要特性

经典用户界面：nbclassic 提供了 Jupyter Notebook 经典界面的体验，对于那些习惯了经典界面的用户来说，这提供了无缝过渡的可能。
JupyterLab 的优势：尽管用户界面保持经典，nbclassic 仍然运行在 JupyterLab 的基础设施上，这意味着用户可以享受到 JupyterLab 带来的性能和功能上的改进。
平滑过渡：对于计划从 Jupyter Notebook 迁移到 JupyterLab，但又不想完全放弃经典界面的用户，nbclassic 提供了一个平滑过渡的方案。
兼容性：nbclassic 保持对现有 Jupyter Notebook 扩展的兼容性，使用户可以继续使用他们喜爱的扩展和工具，而不需要进行重大修改。

使用场景

经典界面的偏好者：对于那些喜欢 Jupyter Notebook 经典用户界面简洁直观的用户，nbclassic 提供了保持这种经验的同时享受新技术优势的选择。
平滑过渡期的用户：对于那些在考虑是否迁移到 JupyterLab 的用户，nbclassic 作为一个中间站，让他们可以更舒适地适应新环境。
兼容性考虑：使用了大量依赖经典 Notebook 界面的扩展或定制的用户，可以通过 nbclassic 来确保这些功能在新的架构下继续有效。
教育和培训：在教育和培训场景中，讲师可能会选择 nbclassic 来减少学习者的认知负荷，特别是当课程内容侧重于编程或数据科学概念本身，而不是工具的细节时。

安装和使用：

nbclassic 可以通过 pip 直接安装：pip install nbclassic
安装完成后，你可以通过命令行启动 nbclassic：jupyter nbclassic

这将启动一个 Web 服务器，并且在默认的 Web 浏览器中打开 Jupyter 的经典界面，但实际上是运行在 JupyterLab 的架构之上。

Jupyer架构

Jupyter（Julia、Python 和 R 的组合词，表示其跨语言的特性）项目的架构设计得相当灵活，以支持交互式计算的广泛应用。Jupyter 的架构可以分为几个核心组件，这些组件共同工作，提供了一个强大且可扩展的环境，旨在改进交互式数据科学和科学计算的工作流程。

核心组件

Jupyter Notebook / JupyterLab：前端界面：用户通过Web浏览器与之交互的图形界面。对于Jupyter Notebook，它是一个单一的Web应用程序，而JupyterLab提供了一个更为灵活和可扩展的工作环境，类似于一个Web版的IDE。
Notebook服务器：服务器组件：作为前端界面和后端执行环境（内核）之间的桥梁。它处理来自用户界面的请求，如打开笔记本、保存更改、执行代码单元，并将这些请求转发给适当的内核来执行。
内核（Kernels）：代码执行引擎：内核是与特定编程语言相关的进程，负责执行用户代码。每种支持的编程语言（Python、R、Julia等）都有自己的内核。Jupyter通过一个通用的消息协议与内核通信，这使得Jupyter能够支持多种编程语言。
JupyterHub：多用户服务器：JupyterHub是一个可选组件，使多个用户能够同时访问Jupyter服务器的不同实例。它适用于教育、科研和企业环境，提供用户管理、认证和资源分配等功能。
nbconvert：文档转换工具：nbconvert允许用户将Jupyter笔记本转换为其他格式，如HTML、PDF、Markdown等，便于分享和发布。

工作流程

用户在Web浏览器中打开Jupyter Notebook或JupyterLab。
Notebook服务器处理用户请求，比如创建新的笔记本或打开已有笔记本。
当用户在笔记本中执行代码时，服务器将代码发送到相应的内核。
内核执行代码，并将结果返回给服务器，服务器再将结果显示给用户。
用户可以将笔记本保存在服务器上，也可以使用nbconvert将笔记本导出为其他格式。

可扩展性和插件

Jupyter项目通过允许第三方开发和集成扩展来增加新的功能，大大增强了其可扩展性。例如，可以添加新的内核以支持更多编程语言，或者开发JupyterLab扩展以增强其界面和功能。

截至2022年的项目关系的图：

IPython Kernel

IPython Kernel 是 Jupyter Notebook 的心脏，它是 Python 代码执行的地方。Kernel 这个词在 Jupyter 生态系统中指的是一个编程语言的执行环境。虽然 Jupyter 支持多种语言的 Kernel，但 IPython Kernel 是专为 Python 设计的，并且是最初支持的 Kernel。它不仅可以执行 Python 代码，还提供了丰富的交互式编程功能。

核心特性：

交互式编程：IPython Kernel 支持交云计算的方式，允许用户输入代码，并立即看到执行结果。这种方式非常适合数据探索、实验性分析和快速原型设计。
魔法命令（Magic Commands）：IPython 提供了一组以百分号 % 开头的特殊命令，称为魔法命令。这些命令提供了执行控制、环境管理、性能测量等额外的便利功能。例如，%timeit 命令可以用来测量某段代码的执行时间。
高级调试：IPython Kernel 支持高级调试功能，比如设置断点、单步执行代码等，这对于代码开发和错误排查非常有用。
内省：内省（Introspection）功能允许用户查询对象的信息（如类型、函数文档字符串等），这通过在对象名后添加 ? 实现，有助于更好地了解和使用代码。
集成的数据可视化：通过与 Matplotlib、Plotly 等数据可视化库的集成，IPython Kernel 支持在 Notebook 中直接嵌入图表，使数据分析结果的可视化变得简单直观。
富媒体支持：IPython Kernel 支持富媒体输出，例如，可以在 Notebook 中直接展示图片、视频、HTML 内容等。

所有其他接口（包括Notebook、Qt控制台、ipython控制台和第三方接口）都使用IPython Kernel。IPython Kernel是一个独立的进程，负责运行用户代码，以及计算可能的完成情况。前端（如Notebook或Qt控制台）通过使用ZeroMQ套接字发送的JSON消息与IPython内核进行通信；前端和IPython内核之间使用的协议在Jupyter中的消息传递中进行了描述。

这种设计的目的是允许基于同一内核轻松开发不同的前端，同时，也可以通过开发新的内核来支持新的编程语言。目前有两种方法可以为另一种语言开发内核：

Wrapper Kernel，重用IPython的通信机制，只实现核心执行部分
Native Kernel，采用目标语言实现执行和通信

Jupyter Notebook接口

Jupyter Notebook 提供了一个基于网页的用户界面，允许用户创建和分享包含实时代码、可视化输出和解释性文本的文档。它的界面设计旨在促进交互式数据探索、分析和可视化，同时也支持教育和演示。

Jupyter Notebooks是包含了代码、元数据、内容和输出的结构化数据。当保存到磁盘时，文件扩展名为.ipynb，并使用JSON结构。有关notebook格式结构和规范的更多信息，请参阅nbformat文档。

Notebook server：不是内核，它主要负责保存和加载notebook，所以你可以编辑notebook，即使你没有该语言的内核（当然也无法运行代码）。
Kernel：对notebook文档一无所知：当用户运行它们时，它只接收要执行的代码单元。

Notebook导出为其它格式

使用工具 Nbconvert 将notebook文件导出为其他格式，比如HTML, LaTeX, 或者reStructuredText等。转换过程如下：

Preprocessors：在内存中修改notebook。比如：ExecutePreprocessor运行notebook中的代码并更新输出
Exporter: 转换notebook为其他格式。
Postprocessors：处理导出的文件。

Projects overview

下面是截至2017年的项目关系的图：

可以看到，整个项目分为四层：

Kernel：主要是由Ipykernel实现
API：将Kernel的一些功能抽象开放出来
Application：调用API，实现一些前端的功能。
Servers：主要是Web服务器

JupyterLab安装和基本使用

Jupyter Lab是Jupyter的下一代基于Web的交互式开发环境，是 Jupyter Notebook的升级版。

JupyterLab的安装

JupyterLab 可以通过多种方式安装。

使用 pip 安装

如果你已经安装了 Python 和 pip，可以直接使用 pip 来安装 JupyterLab：

pip install jupyterlab

安装Anaconda

如果安装的Anaconda发行版，该版本已经包含了JupyterLab，所以不需要再另外安装。

安装好后，启动JupyterLab

jupyter lab

默认情况下，启动成功后，会自动打开浏览器进入JupyterWeb界面。

界面初识

当点击左边栏的文件浏览（File Browser）按钮，可以查看到notebook的root目录下的文件，上面有添加文件和文件夹、上传文件、刷新文件列表等按钮。

右边是notebook的工作区域, 整个notebook由单元格（cell）组成，以工作区域的上面有notebook的保存、单元的添加、删除、运行、单元类型切换等按钮。

cell的三种类型

Code：编辑代码，运行后显示代码运行结果
Markdown：编写Markdown文档，运行后输出Markdown格式的文档)
Raw：普通文本，运行不会输出结果

notebook支持两种模式

该方式起源于vim编辑器。

编辑模式：
进入方式：命令模式下按Enter键或者鼠标点击Cell的编辑框进入编辑状态
主要操作：可以操作代码或文本的编辑、剪切、复制、粘贴等操作
命令模式
进入方式：Esc键或者鼠标点击Cell编辑框前方的空白区域进入命令模式。
主要操作：可以操作cell单元本身，比如进入单元的删除、添加、剪切、复制、粘贴、移动等操作

菜单

文件（File)：与文件和目录有关的操作
编辑（Edit)：与编辑文档和其他活动有关的动作
视图（View)：视图相关操作
运行（Run)：用于在不同活动（例如笔记本和代码控制台）中运行代码的动作，可运行选中单元，也可以运行所有单元
内核（Kenel)：内核的起、停、切换等相关操作
标签（Tabs)：停靠面板中打开的文档和活动的列表
设置（Settings)：常用设置和高级设置编辑器
帮助（Help)：JupyterLab和内核帮助链接的列表。

工作目录、Notebook文件

工作目录

由启动jupyterLab的启动参数–notebook-dir指定

jupyter lab --notebook-dir="E:/Projects"

如果没有指定参数–notebook-dir，则由配置文件中的参数c.ServerApp.root_dir指定

配置文件可以通过下面命令生成（可参考第五部分内容进行设置）：

jupyter lab --generate-config

如果配置文件中也没有指定，工作目录由启动JupyterLab时的当前路径决定。

Notebook文件

Notebooks是包含了代码、元数据、内容和输出的结构化数据。当保存到磁盘时，文件扩展名为.ipynb(存储在工作目录下的某个子目录中)，并使用JSON结构。

文件名的修改可以在文件系统中修改，也可以在Web界面右键进行修改

在jupyter中使用shell命令

当你正在使用Python编译器，需要用到命令行工具的时候，麻烦的事情就出现了：要在shell和IDLE之间进行切换。

但是，如果你用的是Jupyter，就完全不用这么麻烦，你可以直接在命令之前加一个!，就能执行shell命令，完全不用来回切换，就能在Jupyter中执行任何命令。

下面是在windows系统中，使用命令dir查看当前目前的文件内容

比如我们需要使用pip安装包的时候，便可以直接在JupyterLab的某个文档的单元中运行!pip install xxxx即可。

快捷键

在使用 Jupyter Notebook 或 JupyterLab 时，熟悉一些快捷方式可以大大提高你的工作效率。这些快捷方式分为两大类：编辑模式（当你正在编辑单元格内的文本时激活）和命令模式（当你在单元格之间导航而不是编辑单元格内容时激活）

以下是一些常用的快捷方式：

通用快捷键（两种模式通用）

Shift-Enter : 运行本单元，选中下个单元
Ctrl-Enter : 运行本单元
Alt-Enter : 运行本单元，在其下插入新单元
Ctrl-S: 保存并检查

命令行模式(按 Esc 生效)快捷键

A：在当前单元格上方插入一个新单元格。
B：在当前单元格下方插入一个新单元格。
C：复制当前单元格。
V：粘贴到当前单元格下方。
D, D（按两次 D 键）：删除当前单元格。
Z：撤销删除单元格。
M：将当前单元格转换为 Markdown 类型。
Y：将当前单元格转换为代码类型。
Enter：进入编辑模式
Shift-M: 合并选中单元格, 如果只有一个单元格被选中，合并下方的单元格
Shift-空格: 向上滚动
空格: 向下滚动

编辑模式(按 Enter 生效)快捷键

Ctrl + Shift + -：从当前光标位置分割单元格。
Esc：返回命令模式。
Ctrl-Z : 撤销
Ctrl-Shift-Z : 重做
Ctrl-/: 注释或解除注释
Ctrl-D: 删除整行

自定义快捷方式

在 JupyterLab 中，快捷方式可以通过用户界面或直接编辑 JSON 设置进行自定义。这使得用户可以根据自己的工作习惯调整快捷键，以达到最佳的工作效率。

你可以通过点击左侧边栏的 Settings（设置）> Advanced Settings Editor（高级设置编辑器）> Keyboard Shortcuts（键盘快捷方式）来自定义快捷方式或查看快捷方式。

魔法命令

在 Jupyter Notebook 和 IPython 终端中，魔法命令（Magic Commands）是一些以 % 或 %% 开头的特殊命令，它们提供了一种快速实现各种常见任务的方法，从而使得工作流程更加高效。这些命令不是 Python 语言的一部分，而是 IPython 系统的一种增强功能。魔法命令分为两种：行魔法（Line Magics）和单元格魔法（Cell Magics）。

行魔法（line magic）：以单个%字符作为前缀，作用于单行输入
单元魔法（cell magic）：以两个%%作为前缀，作用于多行输入。

查看魔法命令

%magic: 输出所有魔法指令帮助文档
%lsmagic：列出所有magics命令
%quickref：输出所有魔法指令的简单版帮助文档
%MagicName?：输出某个魔法命令详细帮助文档

查看魔法命令简单版的帮助文档

行魔法（Line Magics）

行魔法以单个百分号 % 开头，作用于行中的内容。它们仅对其后紧跟的单个行命令有效。例如：

%timeit：这个魔法命令用于测量单行 Python 语句的执行时间。
%matplotlib inline：这使得 Jupyter Notebook 可以内联显示 Matplotlib 生成的图形。
%pwd：显示当前工作目录的路径。
%cd 进入目录命令
%env：列出当前环境变量或设置新的环境变量。
%prun statement 通过cProfile执行statement，并打印分析器的结果
%run script.py 在ipython中执行一个外部的脚本文件
%pdb 在异常发生后自动计入调试器
%debug 从最新的异常跟踪的底部进入交互式调试器
%precision：设置浮点数输出精度。

单元格魔法（Cell Magics）

单元格魔法以双百分号 %% 开头，作用于整个单元格的内容。例如：

%%!：执行 shell 命令并返回输出。
%%bash：在 bash shell 内执行单元格内的代码。
%%sh：同 %%bash，在 shell 中执行代码。
%%system (%%sx)：执行单元格内的系统命令。
%%capture：捕获单元格的输出（包括 stdout、stderr 和 IPython 的富文本输出）。
%%prun：使用 Python 的分析器（profiler）运行单元格内的代码，显示性能分析结果。
%%time：测量单元格内代码的执行总时间。
%%timeit：使用 Python 的 timeit 模块，多次执行单元格的代码以获得更准确的平均执行时间。
%%debug：在单元格内的代码触发的异常后启动 Python 调试器。
%%writefile：将单元格的内容写入一个文件。
%%HTML：以 HTML 格式渲染单元格内的内容。
%%markdown：将单元格内的内容作为 Markdown 渲染。
%%latex：将单元格内的内容作为 LaTeX 渲染。
%%svg：将单元格内的内容作为 SVG 图像渲染。
%%javascript(%%js)：在客户端（浏览器内）执行单元格内的 JavaScript 代码。

使用注意

使用魔法命令时，命令和参数之间不需要括号或引号，这是它们与普通 Python 函数的一个重要区别。
魔法命令对于快速数据分析、原型开发、教学演示等场景非常有用。
魔法命令是 IPython 的特有功能，如果在其他 Python 解释器中使用这些命令，会引发语法错误。

通过使用魔法命令，可以有效地探索数据、管理工作环境、优化代码性能等，从而提升工作和学习的效率。

扩展组件

插件的安装

安装 JupyterLab 插件（扩展）是扩展其功能的一种有效方法。根据你的具体需求，你可以添加诸如版本控制（如 Git）、增强的代码编辑功能（如自动补全、语法检查）、交互式小部件等插件。以下是安装 JupyterLab 插件的几种常用方法。

使用 JupyterLab 扩展管理器

JupyterLab 3.0 之后的版本内置了一个图形化的扩展管理器，这是最简单的安装插件的方法。

打开 JupyterLab。
在左侧边栏找到扩展管理器的图标（一个方块中有一个加号的图标）并点击它。
在扩展管理器中搜索你想要的插件。
点击安装按钮进行安装。

如果你找不到扩展管理器的图标，可能需要先启用它。可以通过在 JupyterLab 的命令面板（Cmd/Ctrl + Shift + C）中搜索“Enable Extension Manager (experimental)”命令来启用扩展管理器。

使用命令行

对于一些插件，特别是在 JupyterLab 3.0 之前的版本中，你可能需要使用命令行来安装。这通常涉及到两步：安装 Python 包和安装前端扩展。

对于 JupyterLab 3.0 及以后版本：许多插件都可以通过 pip 或 conda 直接安装，这些命令会同时处理后端（Python 包）和前端（JavaScript 包）部分的安装。

使用 pip：pip install <插件名>
使用 conda：conda install -c conda-forge <插件名>
查看已安装插件：jupyter labextension list
更新已安装插件：jupyter labextension update –all

常用插件

jupyterlab-git：一个 JupyterLab 的 Git 扩展，提供了一个图形化界面来控制 Git 版本控制系统。
jupyterlab-github：JupyterLab左侧会出现一个github栏按钮，你可以在里面搜索github项目，并且打开项目里面的文件。
jupyterlab-lsp：提供了语言服务器协议（Language Server Protocol）的支持，带来了改进的代码补全、文档查看和语法检查等功能。
jupyter-matplotlib：帮助我们在notebook界面配合matplotlib实现交互式的作图，只需要在绘图之前执行魔法命令%matplotlib widget，之后绘制的所有matplotlib图表即可自动转换为交互式的：
jupyterlab-drawio：集成了io，使用户可以在 JupyterLab 内创建和编辑图表。
jupyterlab-sql：该插件可以在Lab中连接数据库，并进行sql查询和修改操作。
jupyterlab-variableInspector：该插件可以在Lab中展示代码中的变量及其属性，类似RStudio中的变量检查器。你可以一边撸代码，一边看有哪些变量。
jupyterlab-spreadsheet：在Lab上显示excel表格（只读模式）
jupyter-resource-usage：系统监视器是用于显示系统信息(内存和 cpu 使用情况）的 JupyterLab 扩展。它用于监视自己的资源使用情况。
jupyterlab-go-to-definition：在Lab笔记本和文件编辑器中跳转到变量或函数的定义。
nbdime：Jupyter差异对比与合并
RISE：将 Jupyter Notebooks 变成幻灯片

更多插件请见最后参考链接

远程访问

如果你有一台云服务器，是不是很想在服务器上配置好环境，在任何地方都可以通过浏览器进行访问使用呢？考虑到服务器一般使用Linux，这里将以ubuntu为例，介绍如何配置远程访问方式，前提是服务器上已经安装好了JupyterLab。（如果是windows，亦是如此操作）：

生成配置文件

jupyter lab --generate-config

运行上面的命令后，会生成jupyter的配置文件，比如这里生成的配置文件为：/home/biaodianfu/.jupyter/jupyter_lab_config.py

编辑配置文件以允许远程访问

打开配置文件，并取消如下配置的注释，编辑内容：

c.LabApp.open_browser = False              # 浏览器是否自动打开
c.ServerApp.allow_remote_access = True     # 远程连接
c.ServerApp.ip = '0.0.0.0'                 # 允许所有ip访问
c.ServerApp.password_required = True       # 是否需要密码
c.ServerApp.password = 'argon2:$argon2id$v=19$m=10240,t=10,p=8$DRDk6yNJmBl6+XK0tTdHBQ$Ve48WMkehKHQz0T4v1A5LS8mXAvoiNGQPmxY/9Eu0C0' # 添加密码
c.ServerApp.port = 8888                    # 访问端口
c.ServerApp.allow_root = True     	       #允许root用户开启
c.ServerApp.notebook_dir = '/home/biaodianfu/' #设置工作的文档目录

注意：

allow_root：如果用root 用户启动 jupyter lab时，必须将其设置为True。实际上不建议使用 root 启动，因为这样可能在浏览器端 cmd 窗口直接暴露 root 权限
password: 这里的密码需要加密版的密码。
port: 示例中设置的 8888 端口
- 应该是一个未被占用的端口，如果设置的端口被已经被占用，会依次尝试后面的端口，比如8889。
- 是一个被防火墙允许的端口，如果是阿里云、腾讯云等服务器需要在官网修改安全策略。
notebook_dir:设置的是工作的文档目录，需要自行选择并创建（否则运行时会报错）

加密版的密码获取方式为在Jupyter Lab中运行如下代码生成：

from jupyter_server.auth import passwd
passwd()

启动JupyterLab服务为后台进程

nohup jupyter lab &

注意：输入的密码是加密之前的密码，比如在第2步中设置的是123456，则输入123456即可。

JupyterLab 使用 Conda 环境

给虚拟环境添加 Ipykernel

# 1. 创建环境时直接添加ipykernel
conda create -n py39 python=3.9 ipykernel

# 2. 已有环境添加
conda install -n [env_name] ipykernel

Jupyter 环境添加 kernel

# 虚拟环境写入kernel
# 第一个参数是环境名称,第二个参数是kernel显示名称
python -m ipykernel install --user --name py37 --display-name "py37"
jupyter kernelspec list # 显示所有kernel命名
jupyter kernelspec remove [kernel_name] # 移除某个kernel

安装其他语言的 Kernel

前面我们说到 JupyterLab 支持多种语言，所以我们只需在Jupyter kernels · jupyter/jupyter Wiki (github.com)列表上找对对应的语言，安装其 Kernel 就可以使用。

这里我们以 R为例。

如果你使用的是 Anaconda，也可以通过 conda 来安装 R 和 IRkernel。以下是相应的命令：

conda install -c r r-essentials

r-essentials 包包含 R 语言以及 Jupyter 环境中常用的 R 包，包括 IRkernel。

参考链接：