前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >15款好用到爆炸的Jupyter Lab插件

15款好用到爆炸的Jupyter Lab插件

作者头像
派大星的数据屋
发布于 2022-04-02 12:07:22
发布于 2022-04-02 12:07:22
3.9K0
举报

最近在从Jupyter Notebook向Jupyter Lab转,倍感舒适。 Lab和Notebook是一家人,前者算后者的升级加强版。 Lab相比较Notebook最大的优势在于它的用户界面集成强,适合多文档协助工作。 而且Lab是可拓展的,插件丰富,非常像vs code,但又完美地继承了Notebook的所有优点。

之前写过Lab的介绍文档,这次再来聊聊Lab里那些好用到爆炸的插件神器 | JupyterLab,极其强大的下一代notebook!

在Lab中安装插件并不需要pip,直接在界面侧栏就可以搜索插件。

当然在此之前,你需要设置显示插件栏,因为默认插件栏不显示。

默认无插件栏

点击菜单栏Settings下拉框中的Advanced Settings Editor选项,会出现一个设置页面。

设置

接着,点击Extension Manager,并且在右边的空白框里填上{'enabled':true},并且按右上角的保存按钮。

设置显示插件栏

最后,你会看到Lab右边会出现插件栏的按钮,我已经安装过一些插件。 你可以在搜索栏搜索想要的插件,并直接安装。

下面就来介绍15款非常nice的Jupyter Lab插件

1. github

安装这个插件后,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,如果是notebook文件,能够直接运行代码。 这个插件非常适合在Lab上学习github项目,方便高效。

https://github.com/jupyterlab/jupyterlab-github

2. toc

这是一个Lab的目录插件,安装后就能很方便地在Lab上展示notebook或者markdown的目录。 目录可以滚动,并且能展示或隐藏子目录。

https://github.com/jupyterlab/jupyterlab-toc

3. LaTeX

支持在线编辑并预览LaTeX文档。

https://github.com/jupyterlab/jupyterlab-latex

4. HTML

该插件允许你在Jupyter Lab内部呈现HTML文件,这在打开例如d3可视化效果时非常有用。

https://github.com/mflevine/jupyterlab_html

5. plotly

该插件可以在Lab中展示plotly可视化效果。

https://github.com/jupyterlab/jupyter-renderers

6. bokeh

该插件可以在Lab中展示bokeh可视化效果。

https://github.com/bokeh/jupyter_bokeh

7. matplotlib

该插件可以在Lab中启用matplotlib可视化交互功能。

https://github.com/matplotlib/jupyter-matplotlib

8. drawio

该插件可以在Lab中启用drawio绘图工具,drawio是一款非常棒的流程图工具。

https://github.com/QuantStack/jupyterlab-drawio

9. 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。

https://github.com/pbugnion/jupyterlab-sql

10. 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。

https://github.com/lckr/jupyterlab-variableInspector

11. dash

该插件可以在Lab中展示plotly dash交互式面板。

https://awesomeopensource.com/project/plotly/jupyterlab-dash

12. gather

在Lab中清理代码,恢复丢失的代码以及比较代码版本的工具。

https://github.com/microsoft/gather

13. go to Definition

该插件用于在Lab笔记本和文件编辑器中跳转到变量或函数的定义。

https://github.com/krassowski/jupyterlab-go-to-definition

14. lsp

该插件用于自动补全、参数建议、函数文档查询、跳转定义等。

https://github.com/krassowski/jupyterlab-lsp

15. spreadsheet

该插件用于在Lab上显示excel表格,只读模式。

https://github.com/quigleyj97/jupyterlab-spreadsheet

小结

Jupyter Lab还有很多强大的拓展插件,这里也没办法一一列举。

感兴趣的去github找找,提供一个项目供参考。

https://github.com/mauhai/awesome-jupyterlab 还有最近发现了一个宝藏:

A gallery of interesting Jupyter Notebooks 这是一个notebook项目集合,涵盖了天文地理哲学医疗教育等等学科,大大小小几百个项目,当然都是英文的。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-12-19,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Python大数据分析 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
软件测试|使用Python绘制小提琴图
小提琴图(Violin Plot)是一种数据可视化工具,用于展示数据分布的密度和分布情况。它通常用于比较不同组或类别的数据分布。在Python中,我们可以使用seaborn库来轻松绘制小提琴图。本文将详细介绍如何创建小提琴图,并提供示例以帮助您更好地理解。
霍格沃兹测试开发Muller老师
2023/11/13
2710
软件测试|使用Python绘制小提琴图
美化你的单细胞各个亚群特异性高表达基因小提琴图
最近,郑州大学第一附属医院的史阳同学无私的分享了他对这些基础函数的改造,颜值说不上巅峰,但打败基础函数是没有问题的, 同时也算是抛砖引玉吧,希望广大生信技能树粉丝们都投稿分享自己的创作,投稿请发邮件到 jmzeng1314@163.com
生信技能树
2022/03/03
2.8K0
美化你的单细胞各个亚群特异性高表达基因小提琴图
seaborn从入门到精通03-绘图功能实现02-分类绘图Categorical plots
本文主要是seaborn从入门到精通系列第3篇,本文介绍了seaborn的绘图功能实现,本文是分类绘图,同时介绍了较好的参考文档置于博客前面,读者可以重点查看参考链接。本系列的目的是可以完整的完成seaborn从入门到精通。重点参考连接
IT从业者张某某
2023/10/16
6030
seaborn从入门到精通03-绘图功能实现02-分类绘图Categorical plots
一文读懂PCA分析 (原理、算法、解释和可视化)
NGS系列文章包括NGS基础、高颜值在线绘图和分析、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step))、批次效应处理等内容。
生信宝典
2021/04/14
19.6K1
Xenium多样本分析实战-代码分享
最近陆陆续续完成了几个Xenium项目的数据分析,主要集中在肿瘤样本研究,每个项目由于实验设计的不同,老师关心的科学问题不同,都做了许多个性化的分析,有时间闲下来后自己做了一些总结,将自己在Xenium, Visium HD 以及CosMx这些高精度空间数据分析过程中用到的一些分析方法及代码(这里分享的主要是基于python实现的各种方法,之前一直使用的是R进行分析,数据量大了之后非常慢,于是乎转向了python
生信大杂烩
2025/06/15
910
Xenium多样本分析实战-代码分享
万字长文 | 超全代码详解Python制作精美炫酷图表教程
本文将探讨三种用Python可视化数据的不同方法。以可视化《2019年世界幸福报告》的数据为例,本文用Gapminder和Wikipedia的信息丰富了《世界幸福报告》数据,以探索新的数据关系和可视化方法。
昱良
2019/11/27
3.3K0
万字长文 | 超全代码详解Python制作精美炫酷图表教程
【阅读】A Comprehensive Survey on Distributed Training of Graph Neural Networks——翻译
        Graph neural networks (GNNs) have been demonstrated to be a powerful algorithmic model in broad application fields for their effectiveness in learning over graphs. To scale GNN training up for large-scale and ever-growing graphs, the most promising solution is distributed training which distributes the workload of training across multiple computing nodes. However, the workflows, computational patterns, communication patterns, and optimization techniques of distributed GNN training remain preliminarily understood. In this paper, we provide a comprehensive survey of distributed GNN training by investigating various optimization techniques used in distributed GNN training. First, distributed GNN training is classified into several categories according to their workflows. In addition, their computational patterns and communication patterns, as well as the optimization techniques proposed by recent work are introduced. Second, the software frameworks and hardware platforms of distributed GNN training are also introduced for a deeper understanding. Third, distributed GNN training is compared with distributed training of deep neural networks, emphasizing the uniqueness of distributed GNN training. Finally, interesting issues and opportunities in this field are discussed.
小锋学长生活大爆炸
2023/02/02
5030
【阅读】A Comprehensive Survey on Distributed Training of Graph Neural Networks——翻译
自动化超参数优化最强神器:Optuna
你是否曾经觉得模型有太多的超参数而感到厌烦吗?要从某一个演算法得到好的解必须要调整超参数,所谓的超参数就是控制训练模型的一组神秘数字,例如学习速率就是一种超参数。你永远不能事先知道 0~1 之间哪一个数字是最适合的,唯一的方法就是试错(trial and error)。那万一模型有多个超参数可以控制,岂不是就有成千上万种组合要慢慢尝试吗?
数据STUDIO
2022/05/24
18.5K1
自动化超参数优化最强神器:Optuna
统计学学术速递[8.30]
【1】 Bayesian Sparse Blind Deconvolution Using MCMC Methods Based on Normal-Inverse-Gamma Prior 标题:基于正反伽马先验的贝叶斯稀疏盲反卷积MCMC方法 链接:https://arxiv.org/abs/2108.12398
公众号-arXiv每日学术速递
2021/09/16
5690
医学AI论文解读 | 超声心动图在临床中的自动化检测 | Circulation | 2018 | 中英双语
论文是2018年的,发表在医学期刊《Circulation》(影响因子20+)的一篇文章《Fully Automated Echocardiogram Interpretation in Clinical Practice》 (超声心动图在临床中的自动化检测)。现在对于整体的学习做一个回顾,可以当成导读:整个文章的算法方面不难,分类模型用的VGG,分割模型用的Unet,损失函数中规中矩,图片处理中规中矩,算是一个老方法在医学领域的一个使用。本文包含三个部分,英文的论文原文内容,宋体的百度翻译内容,以及加粗字体的我的理解与精炼的内容。
机器学习炼丹术
2020/11/23
7560
医学AI论文解读 | 超声心动图在临床中的自动化检测 | Circulation | 2018 | 中英双语
NumPyML 源码解析(四)
The wrappers.py module implements wrappers for the layers in layers.py. It includes
ApacheCN_飞龙
2024/02/17
3980
比较微生物组中的差异分析方法
在微生物组研究中我们常常需要根据某些感兴趣的表型来找到与其相关的特征(比如菌群、OTU、基因家族等等)。但微生物组学的数据结构导致了这必然是一项相当艰巨的任务,因为他们:
生信菜鸟团
2021/12/13
7.3K0
比较微生物组中的差异分析方法
数据科学家的工具箱教程
非常实用,不扯任何理论概念 不包含python基础教程,numpy pandas等常见已经中文化很好的部分知识。
spark
2018/12/20
1.3K0
统计学学术速递[12.14]
【1】 Sequential Break-Point Detection in Stationary Time Series: An Application to Monitoring Economic Indicators 标题:平稳时间序列的序贯断点检测:在经济指标监测中的应用 链接:https://arxiv.org/abs/2112.06889
公众号-arXiv每日学术速递
2021/12/17
1.3K0
统计学学术速递[6.30]
【1】 On the Optimal Configuration of a Square Array Group Testing Algorithm 标题:关于方阵分组测试算法的最优配置
公众号-arXiv每日学术速递
2021/07/02
1.2K0
统计学学术速递[7.14]
【1】 GENIUS-MAWII: For Robust Mendelian Randomization with Many Weak Invalid Instruments 标题:Genius-MAWII:具有多个弱失效工具的稳健孟德尔随机化
公众号-arXiv每日学术速递
2021/07/27
8540
【技术分享】随机森林分类
Bagging采用自助采样法(bootstrap sampling)采样数据。给定包含m个样本的数据集,我们先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时,样本仍可能被选中,这样,经过m次随机采样操作,我们得到包含m个样本的采样集。
腾讯云TI平台
2019/12/11
1.8K0
从1维到6维,一文读懂多维数据可视化策略
选自towardsdatascience 作者:Dipanjan Sarkar 机器之心编译 参与:Jane W、乾树、黄小天 数据聚合、汇总和可视化是支撑数据分析领域的三大支柱。长久以来,数据可视化都是一个强有力的工具,被业界广泛使用,却受限于 2 维。在本文中,作者将探索一些有效的多维数据可视化策略(范围从 1 维到 6 维)。 介绍 描述性分析(descriptive analytics)是任何分析生命周期的数据科学项目或特定研究的核心组成部分之一。数据聚合(aggregation)、汇总(summa
机器之心
2018/05/10
1.9K0
金融/语音/音频处理学术速递[6.21]
【1】 Efficient Black-Box Importance Sampling for VaR and CVaR Estimation 标题:VaR和CVaR估计的有效黑箱重要抽样
公众号-arXiv每日学术速递
2021/07/02
7490
【Scikit-Learn 中文文档】广义线性模型 - 监督学习 - 用户指南 | ApacheCN
根据给定的文章内容,撰写摘要总结。
片刻
2018/01/05
1.9K0
【Scikit-Learn 中文文档】广义线性模型 - 监督学习 - 用户指南 | ApacheCN
推荐阅读
相关推荐
软件测试|使用Python绘制小提琴图
更多 >
LV.0
这个人很懒,什么都没有留下~
目录
  • 下面就来介绍15款非常nice的Jupyter Lab插件
    • 1. github
    • 2. toc
    • 3. LaTeX
    • 4. HTML
    • 5. plotly
    • 6. bokeh
    • 7. matplotlib
    • 8. drawio
    • 9. sql
    • 10. variableinspector
    • 11. dash
    • 12. gather
    • 13. go to Definition
    • 14. lsp
    • 15. spreadsheet
  • 小结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档