Show Menu
ARGOMENTI×

JupyterLab guida utente

JupyterLab è un'interfaccia utente basata sul Web per Project Jupyter ed è strettamente integrata in Adobe Experience Platform. Fornisce un ambiente di sviluppo interattivo che consente agli scienziati dei dati di lavorare con notebook, codice e dati Jupyter.
Questo documento fornisce una panoramica delle funzioni JupyterLab e delle istruzioni per eseguire azioni comuni.

JupyterLab su Experience Platform

'integrazione JupyterLab è accompagnata da modifiche architettoniche, considerazioni di progettazione, estensioni personalizzate dei notebook, librerie preinstallate e un'interfaccia a tema Adobe.
L'elenco seguente illustra alcune delle funzioni esclusive di JupyterLab sulla piattaforma:
Funzione
Descrizione
Kernel
I kernel forniscono ai notebook e agli altri JupyterLab front-end la possibilità di eseguire e analizzare il codice in diversi linguaggi di programmazione. Experience Platform fornisce ulteriori kernel per supportare lo sviluppo in Python, R, PySpark e Spark. Per ulteriori dettagli, consulta la sezione kernel .
Accesso ai dati
Accedete ai set di dati esistenti direttamente dall'interno JupyterLab con il supporto completo delle funzionalità di lettura e scrittura.
Platformintegrazione dei servizi
Le integrazioni integrate consentono di utilizzare altri Platform servizi direttamente dall'interno JupyterLab. Un elenco completo delle integrazioni supportate è disponibile nella sezione Integrazione con altri servizi della piattaforma.
Autenticazione
Oltre al modello security.html di sicurezza integrato diJupyterLab, ogni interazione tra l'applicazione e Experience Platform, inclusa la comunicazione tra servizi della piattaforma, viene crittografata e autenticata tramite auth-methods.html Adobe Identity Management System (IMS).
Librerie di Sviluppo
In Experience Platform, JupyterLab fornisce librerie preinstallate per Python, R e PySpark. Consultate l' appendice per un elenco completo delle librerie supportate.
Controller libreria
Se le librerie preinstallate non sono adatte alle vostre esigenze, è possibile installare librerie aggiuntive per Python e R e memorizzare temporaneamente in contenitori isolati per mantenere l'integrità dei dati Platform e mantenerli al sicuro. Per ulteriori dettagli, consulta la sezione kernel .
Le librerie aggiuntive sono disponibili solo per la sessione in cui sono state installate. È necessario reinstallare tutte le librerie aggiuntive necessarie all'avvio delle nuove sessioni.

Integrazione con altri Platform servizi

Standardizzazione e interoperabilità sono concetti chiave alla base di Experience Platform. L'integrazione di JupyterLab on Platform come IDE integrato consente di interagire con altri Platform servizi, consentendo di sfruttare Platform al massimo il suo potenziale. I seguenti Platform servizi sono disponibili in JupyterLab:
  • Catalog Service: Accesso ed esplorazione di set di dati con funzionalità di lettura e scrittura.
  • Query Service: Accesso ed esplorazione di dataset utilizzando SQL, fornendo costi generali di accesso ai dati inferiori quando si tratta di grandi quantità di dati.
  • Sensei ML Framework: Sviluppo di modelli con la capacità di formare e valutare i dati, nonché creazione di ricette con un solo clic.
  • Experience Data Model (XDM): Standardizzazione e interoperabilità sono concetti chiave di Adobe Experience Platform. Experience Data Model (XDM) , guidato da Adobe, è uno sforzo per standardizzare i dati sull'esperienza cliente e definire schemi per la gestione dell'esperienza cliente.
Alcune integrazioni Platform di servizio JupyterLab sono limitate a specifici kernel. Per ulteriori informazioni, consulta la sezione sui kernel .

Funzioni principali e operazioni comuni

Le informazioni relative alle caratteristiche chiave di JupyterLab e le istruzioni sull'esecuzione di operazioni comuni sono fornite nelle sezioni seguenti:

Accedere ad JupyterLab

In Adobe Experience Platform , selezionate Blocco note dalla colonna di navigazione a sinistra. Consentire un po' di tempo per JupyterLab l'inizializzazione completa.

JupyterLab interfaccia

L' JupyterLab interfaccia è composta da una barra dei menu, una barra laterale sinistra comprimibile e l'area di lavoro principale contenente schede di documenti e attività.
Barra dei menu
Nella barra dei menu nella parte superiore dell'interfaccia sono disponibili menu di livello principale che mostrano le azioni disponibili tramite JupyterLab le relative scelte rapide da tastiera:
  • File: Azioni relative a file e directory
  • Modifica: Azioni relative alla modifica di documenti e altre attività
  • Visualizza: Azioni che modificano l’aspetto JupyterLab
  • Esegui: Azioni per l’esecuzione di codice in diverse attività, ad esempio blocchi appunti e console di codice
  • Kernel: Azioni per la gestione dei kernel
  • Schede: Elenco di documenti e attività aperti
  • Impostazioni: Impostazioni comuni e un editor di impostazioni avanzato
  • Aiuto: Elenco di collegamenti della guida JupyterLab e del kernel
Barra laterale sinistra
La barra laterale sinistra contiene schede selezionabili che consentono di accedere alle seguenti funzioni:
  • Browser file: Elenco dei documenti e delle directory del blocco appunti salvati
  • Esploratore dati: Sfogliare, accedere ed esplorare dataset e schemi
  • Canali e terminali in esecuzione: Un elenco di sessioni attive del kernel e del terminale con la possibilità di terminare
  • Comandi: Un elenco di comandi utili
  • Controllo celle: Editor di celle che consente di accedere a strumenti e metadati utili per impostare un blocco appunti a scopo di presentazione
  • schede: Un elenco di schede aperte
Fate clic su una scheda per visualizzarne le caratteristiche, oppure fate clic su una scheda espansa per comprimere la barra laterale sinistra come illustrato di seguito:
Area di lavoro principale
L'area di lavoro principale in JupyterLab consente di disporre documenti e altre attività in pannelli di schede che possono essere ridimensionati o suddivisi in due parti. Trascinare una scheda al centro di un pannello di tabulazione per migrare la scheda. Per dividere un pannello, trascinate una scheda a sinistra, a destra, in alto o in basso nel pannello:

Celle di codice

Le celle di codice sono il contenuto principale dei blocchi appunti. Contengono codice sorgente nella lingua del kernel associato al notebook e l'output come risultato dell'esecuzione della cella di codice. Viene visualizzato un conteggio di esecuzione a destra di ogni cella di codice che rappresenta il relativo ordine di esecuzione.
Di seguito sono descritte le azioni comuni delle celle:
  • Aggiungere una cella: Fare clic sul simbolo più ( + ) dal menu del blocco appunti per aggiungere una cella vuota. Le nuove celle vengono posizionate sotto la cella con la quale è in corso l'interazione oppure alla fine del blocco appunti, se non è attiva alcuna cella particolare.
  • Spostare una cella: Posizionare il cursore a destra della cella che si desidera spostare, quindi fare clic e trascinare la cella in una nuova posizione. Inoltre, lo spostamento di una cella da un blocco appunti a un altro replica la cella con il relativo contenuto.
  • Eseguire una cella: Fare clic sul corpo della cella che si desidera eseguire, quindi fare clic sull'icona di riproduzione ( ) dal menu del blocco appunti. Un asterisco ( * ) viene visualizzato nel contatore di esecuzione della cella quando il kernel sta elaborando l'esecuzione e viene sostituito con un numero intero al termine.
  • Eliminare una cella: Fare clic sul corpo della cella che si desidera eliminare, quindi fare clic sull'icona forbici .

Kernel

I kernel per notebook sono i motori informatici specifici per la lingua per l'elaborazione delle celle per notebook. Oltre a Python, JupyterLab fornisce supporto linguistico aggiuntivo in R, PySpark e Spark (Scala). Quando si apre un documento del blocco appunti, viene avviato il kernel associato. Quando viene eseguita una cella del blocco appunti, il kernel esegue il calcolo e produce risultati che possono richiedere notevoli risorse di CPU e di memoria. Tenere presente che la memoria allocata non viene liberata fino alla chiusura del kernel.
Alcune caratteristiche e funzionalità sono limitate a specifici kernel come descritto nella tabella seguente:
Kernel
Supporto per l'installazione della libreria
Platform integrazioni
Python
  • Sensei ML Framework
  • Catalog Service
  • Query Service
R
  • Sensei ML Framework
  • Catalog Service
Scala
No
  • Sensei ML Framework
  • Catalog Service

Sessioni kernel

Ogni blocco appunti o attività attiva JupyterLab utilizza una sessione del kernel. Tutte le sessioni attive si trovano espandendo la scheda Terminali in esecuzione e kernel dalla barra laterale sinistra. Il tipo e lo stato del kernel di un notebook possono essere identificati osservando l'interfaccia superiore destra del notebook. Nel diagramma seguente, il kernel associato al notebook è Python3 e lo stato corrente è rappresentato da un cerchio grigio a destra. Un cerchio vuoto implica un kernel inattivo e un cerchio pieno implica un kernel occupato.
Se il kernel è spento o inattivo per un periodo prolungato, allora nessun kernel! con un cerchio pieno viene visualizzato. Attivate un kernel facendo clic sullo stato del kernel e selezionando il tipo di kernel appropriato come mostrato di seguito:

Launcher

Il modulo Launcher personalizzato offre utili modelli per notebook per i kernel supportati, che consentono di avviare rapidamente l'attività, tra cui:
Modello
Descrizione
Vuoto
Un file di blocco appunti vuoto.
Starter
Un blocco appunti precompilato che illustra l'esplorazione dei dati utilizzando dati di esempio.
Vendite al dettaglio
Un blocco appunti precompilato con la ricetta di vendita al dettaglio utilizzando dati di esempio.
Generatore di ricette
Un modello per notebook per la creazione di una ricetta in JupyterLab. È precompilato con codice e commenti che mostrano e descrivono il processo di creazione delle ricette. Per informazioni dettagliate, fare riferimento al notebook per l'esercitazione sulle ricette.
Query Service
Un notebook precompilato che illustra l’utilizzo Query Service diretto di JupyterLab con flussi di lavoro di esempio forniti che analizza i dati in scala.
Eventi XDM
Un blocco appunti precompilato che illustra l'esplorazione dei dati relativi ai dati degli eventi di post-valore, con particolare attenzione alle funzioni comuni all'intera struttura di dati.
Query XDM
Un blocco appunti precompilato che illustra le query aziendali di esempio sui dati dell'evento esperienza.
Aggregazione
Un notebook precompilato che illustra i flussi di lavoro campione per aggregare grandi quantità di dati in blocchi più piccoli e gestibili.
Clustering
Un blocco appunti precompilato che illustra il processo di modellazione end-to-end dell'apprendimento automatico utilizzando gli algoritmi di clustering.
Alcuni modelli per notebook sono limitati a determinati kernel. La disponibilità del modello per ciascun kernel è mappata nella seguente tabella:
Vuoto Starter Vendite al dettaglio Generatore di ricette [!DNL Query Service] Eventi XDM Query XDM Aggregazione Clustering
[!DNL Python] no no no
R no no no no no no
PySpark 3 ([!DNL Spark] 2.4) no no no no no no
Scala no no no no no no
Per aprire un nuovo avvio , fai clic su File > Nuovo avvio . In alternativa, espandete il browser ​File dalla barra laterale sinistra e fate clic sul simbolo più ( + ):

Configurazione di GPU e server di memoria in Python/R

Nell' JupyterLab angolo superiore destro selezionate l'icona a forma di ingranaggio per aprire la configurazione del server Notebook. È possibile attivare la GPU e allocare la quantità di memoria necessaria utilizzando il cursore. La quantità di memoria che è possibile allocare dipende dalla quantità di provisioning dell'organizzazione. Selezionare Update configs per salvare.
Per i notebook viene fornita una sola GPU per organizzazione. Se la GPU è in uso, è necessario attendere che l'utente che ha attualmente riservato la GPU la rilasci. A questo scopo, disconnettetevi o uscite dalla GPU in uno stato di inattività per quattro o più ore.

Passaggi successivi

Per ulteriori informazioni su ciascuno dei notebook supportati e su come utilizzarli, visitare la guida per gli sviluppatori di accesso ai dati dei notebook Jupyterlab. Questa guida è incentrata su come utilizzare i notebook JupyterLab per accedere ai dati, inclusi lettura, scrittura e query. La guida all'accesso ai dati contiene inoltre informazioni sulla quantità massima di dati leggibile da ciascun blocco appunti supportato.

Librerie supportate

Python / R

Libreria
Versione
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
ipyparallelo
0.5.2
jq
1.6
grano
2.2.4
nltk
3.2.5
panda
0.22.0
pandasql
0.7.3
cuscino
6.0.0
scikit-image
0.15.0
scikit-learn
0.21.3
sciolto
1.3.0
andatura
1.3.0
marinaio
0.9.0
optslm
0.10.1
Il elastico
5.1.0.17
ggplot
0.11.5
py xgipplo
0.90
opencv
3.4.1
pyspark
2.4.3
torcia
1.0.1
wxpitone
4.0.6
naso
0.3.0
geopandas
0.5.1
pirata
2.1.0
sagomato
1.6.4
rpy2
2.9.4
r-Essentials
3.6
aruli
1.6_3
r-fpc
2.2_3
r-e1071
1.7_2
r-gam
1.16.1
r-gbm
2.1.5
r-gtopics
4.2.0
r-gvis
0.4.4
r-igrafo
1.2.4.1
giri
3.0
ri-manipolare
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-sopravvivenza
2.44_1.1
r-zoo
1.8_6
r-stringdist
0.9.5.2
quadrante r
1.5_7
r-rjson
0.2.20
r-previsione
8.7
r-rsolnp
1.16
reticolare
1.12
r-mlr
2.14.0
r-viridis
0.5.1
raccordo
0.84
r-fnn
1.1.3
r-lubridato
1.7.4
r-randomForest
4.6_14
r-tidyverse
1.2.1
r-tree
1.0_39
pymongo
3.8.0
freccia
0.14.1
boto3
1.9.199
ipyvolume
0.5.2
parquet
0.3.2
pitone
0.5.4
ipywebrtc
0.5.0
jupyter_client
5.3.1
wordcloud
1.5.0
graphviz
2.40.1
pitone-grafviz
0.11.1
stoccaggio di azzurro
0.36.0
jupyterlab
1.0.4
pandas_ml
0.6.1
tensorflow-gpu
1.14.0
nodejs
12.3.0
beffa
3.0.5
ipympl
0.3.3
fonts-anacond
1,0
psycopg2
2.8.3
stringere
1.3.7
autovwidget
0.12.9
altair
3.1.0
vega_datasets
0.7.0
cartiere
1.0.1
sql_magic
0.0.4
iso3166
1,0
nbimporter
0.3.1

PySpark

Libreria
Versione
requests
2.18.4
gensim
2.3.0
cheras
2.0.6
nltk
3.2.4
panda
0.20.1
pandasql
0.7.3
cuscino
5.3.0
scikit-image
0.13.0
scikit-learn
0.19.0
sciolto
0.19.1
andatura
1.3.3
statsmodels
0.8.0
sciolto
4.0.30.44
py xgipplo
0.60
pirencv
3.1.0
freccia
0.8.0
boto3
1.5.18
azure-storage-blob
1.4.0
python
3.6.7
mkl-rt
11.1