Jupyter Notebook界面也可以如此炫酷？

Jupyter Notebook界面也可以如此炫酷？有人把Notebook玩出新花样

自Towardsdatascience

作者：Pranjal Chaubey

机器之心编译

参与：Nurchachu Null、张倩

深蓝主题、Conda 环境自由切换、一键生成目录、一键隐藏代码单元……有没有想过 Jupyter Notebook 还可以这么玩？

对全世界的 Python 高手而言，Jupyter Notebook 是目前最流行的编程环境，尤其是对那些从事机器学习和数据科学的人而言。数月前我第一次开始认真研究机器学习时发现了 Jupyter Notebook。刚开始，我因这一切可以在我的浏览器中运行而感到惊讶和开心。但是，不久后我就失望了，老套的 Jupyter Notebook 的界面非常基础，缺乏很多有用的功能。那时候我就决定去寻找一些 Jupyter Notebook 的黑客技术。

在这篇文章中，我展示了一些 Jupyter Notebook 的附件/扩展，以及一些能够增强 Jupyter Notebook 和提高生产力的命令。简言之，就是要增强你的 Jupyter Notebook。

如果你按照下面的指示去做，你的 Jupyter Notebook 会拥有下面这些令人惊叹的功能（如果你愿意，还能获得更多）：

能够动态切换多个 Conda 环境，而无需重启 Jupyter Notebook。
一键点击生成目录（你会喜欢这个功能）。
一个很有用的弹出式便签（这是我最喜欢的功能），无需改变原始笔记本中任何地方就可以把玩、测试你的代码。
代码单元内的代码折叠。很疑惑为啥这个不是 Jupyter Notebook 的固有功能。
一键代码单元隐藏，这是一个重要的功能，当你需要通过可视化的方式展示数据时，人们并不会关心你的代码，而是你的图表。
一个超级酷的变量检查器。
用于 Markdown 单元的拼写检查器。
用于深夜编码会话的禅意黑模式（ZenMode）。
能够动态增加常用 python 结构（例如 List comprehension）的 Code Snippets 菜单。
最后这个绝对是最好的功能——舒缓漂亮的深夜蓝配色方案，拯救你的眼睛！

是时候增强我们的 jupyter notebook 了！

炫酷的深蓝午夜主题

首先，要保证我们的 notebook 有一个漂亮的黑色主题，这样我们的眼睛就会舒服一些。如果你每天要工作很长时间，那固有的白色背景会让你眼睛很难受。无论如何，一旦你换成了黑色，就永远不会想换回来。

使用下面的命令安装黑色的主题，

# Kill and exit the Notebook server
# Make sure you are in the base conda environment
conda activate base# install jupyterthemes
pip install jupyterthemes
# upgrade to latest version
pip install --upgrade jupyterthemes

主题包安装和更新好之后，运行下面的命令，将原来白色主题的 Jupyter Notebook 换成一款深蓝午夜主题。你的眼睛会喜欢这款主题的。

# Enable Dark Mode
jt -t onedork -fs 95 -altp -tfs 11 -nfs 115 -cellw 88% -T

Conda 环境自由切换

接下来，看一下我们是否已经把 Anaconda 中创建的所有定制环境作为核心添加在了 Jupyter Notebook 中。这样我们就能简单地利用 Kernel 按钮切换环境。换核的时候不需要重启 notebook。

假设你的 Anaconda 环中有两个自定义的环境 my_NLP 和 gym。按照下面的步骤将这些添加到你的 Jupyter Notebook 中。

# Stop and exit your Jupyter Notebook server first
# Activate your environment in the terminal 
conda activate my_NLP
# Install the IPython Kernel 
pip install ipykernel
# Link your environment with Jupyter 
python -m ipykernel install --user --name=my_NLP# Repeat steps for the other environment, gym. 
conda activate gym
pip install ipykernel 
python -m ipykernel install --user --name=gym

现在打开你的 Jupyter Notebook，找到 kernel 按钮下的 Change Kernel 选项，接下来就是见证奇迹的时刻：所有的核都被列举出来了，你可以通过简单地点击来激活一个服务核。

这便是最新添加的 Kernel 的展现形式。请注意这款舒缓的午夜蓝主题。

其他炫酷功能

关于我在上面提及的其他炫酷功能，需要安装一些叫做 nbextensions for Jupyter Notebooks 的东西。

安装地址：https://jupyter-contrib-nbextensions.readthedocs.io/en/latest/install.html

安装 nbextensions 是很容易的，简单地遵循下面的步骤就行：

# Stop and exit your Jupyter Notebook server 
# Make sure you are in the base environment
conda activate base# Install the nbextensions 
pip install jupyter_contrib_nbextensions
# Install the necessary JS and CSS files 
jupyter contrib nbextension install --system

启动 Jupyter notebook 服务，你可以在起始页看到第四个叫做 Nbextensions 的选项。点击这个选项，然后就可以看到极妙的功能集，这些都是你一直希望在 Jupyter Notebooks 中拥有的。

Nbextensions 标签！

正如你在上面看到的，这个扩展列表十分庞大，甚至第一眼看上去有些吓人。但并不是所有的都有用，下面是我用到的一些功能：

Table of Contents(2)：单击生成整个笔记本的目录，不同的 section 都有对应的超链接。
Scratchpad：在我看来绝对是最好的扩展了。这是一个你可以在里面做代码实验的独立空间，不会干扰笔记本中的其他部分。
Codefolding ：代码折叠，这个不需要做过多的解释。
Hide Input All：隐藏所有的代码单元，同时保持所有的输出和 markdown 单元可见。如果你要向非技术人员解释你的结果，那么这就会是一个很有用的功能。
Variable Inspector：将你从调试的忧伤中拯救出来，这与 Spyder IDE 中的变量检查窗口有些类似。
Spellchecker：对 markdown 单元中的内容进行拼写检查。
Zenmode：移除掉屏幕中杂乱无关的内容，以便你能够聚焦于重要的东西上，例如代码。
Snippets Menu：从 list comprehension 到 pandas 以及它们之间的所有常用代码片段的一个很酷的集合。这是最好的部分？你可以修改窗口的小部件来添加你自己的定制片段。

上述列表包含了我常用的扩展功能，但是我鼓励你去尝试一下其余的扩展功能。一些有意思的功能包括 ScrollDown、table_beautifier 以及 Hinterland。

Snippet 扩展和 Table of Contents generation 扩展在工作中同时使用。

Scratchpad 扩展

原文链接：https://towardsdatascience.com/supercharging-jupyter-notebooks-e22f5ad7ca18

要：基于 Graph Explorer 在 Jupyter 上进行图探索，可以大大降低编码成本，丰富 JupyterLab 的数据表现力。

本文分享自华为云社区《将Graph Explorer搬上JupyterLab：使用GES4Jupyter连接GES并进行图探索-云社区-华为云》，作者：蜉蝣与海。

GES4Jupyter 是一款可以在 JupyterLab 中连接访问 GES 并可视化的工具。工具中封装了部分 GES 业务面接口，并提供对返回数据的可视化能力。基于该工具在 Jupyter 上进行图探索，可以大大降低编码成本，丰富 JupyterLab 的数据表现力。

一、使用前准备

1. 华为云账号

在使用华为云服务之前您需要注册华为云帐号。通过此帐号，只需为使用的服务付费，即可使用所有华为云服务。

注册华为云账号步骤请点击：《华为云注册介绍》

注册成功后即可自动登录华为云，您需要完成 “实名认证” 才可以正常使用服务。

2. OBS 对象存储服务

OBS 即对象存储服务（Object Storage Service），GES 将 OBS 作为数据源导入数据。

数据若想导入图引擎服务 GES，需要先上传至 OBS。详情参考：华为云图引擎服务 GES 实战——创图

3. GES 图引擎服务

使用 GES4Jupyter 前，需要在图引擎服务控制台创建一个 GES 图实例，并且导入数据。本例中使用的数据源是新冠患者轨迹追溯数据集 v2，可以从 AI Gallery 中下载。详情参考：华为图引擎文档 - 快速入门和华为云图引擎服务 GES 实战 —— 创图

4. 获取调用 GES 业务面 API 必备的参数

调用 GES API 需要输入 token 鉴权信息，认证鉴权能力依赖华为云统一身份认证服务 IAM。获取 Token 需要用户名密码、图所在区域等信息。详情查看：华为图引擎文档 - 业务面 API 认证鉴权和调用 GES 服务业务面 API 相关参数的获取

二、使用 GES4Jupyter 连接 GES 服务

从华为云首页进入 ModelArts 控制台，点击 CodeLab 新建一个 Jupyter Notebook，并等待资源初始化完成。

新建一个 Notebook，使用下列代码获取 GES4Jupyter 程序和资源文件。

import moxing as mox
mox.file.copy('obs://obs-aigallery-zc/GES/ges4jupyter/beta/ges4jupyter.py', 'ges4jupyter.py')
mox.file.copy('obs://obs-aigallery-zc/GES/ges4jupyter/beta/ges4jupyter.html', 'ges4jupyter.html')复制

在 Notebook 中输入代码后，将该段文本配置为代码，然后点击左侧的运行按钮，并等待运行完成。

点击左上角的 “+” 号新建代码片段，输入下列代码段并运行，完成 GES4Jupyter 的初始化。

from ges4jupyter import GESConfig, GES4Jupyter, read_csv_config
eip=''
project_id=''
graph_name=''
iam_url=''
user_name=''
password=''
domain_name=''
project_name=''
port=80
eip, project_id, graph_name, iam_url, user_name, password, domain_name, project_name, port=read_csv_config('cn_north_4_graph.csv')
config=GESConfig(eip, project_id, graph_name, 
                    iam_url=iam_url, 
                    user_name=user_name, 
                    password=password, 
                    domain_name=domain_name,
                    project_name=project_name,
                    port=port)
ges_util=GES4Jupyter(config, True);复制

上面代码中涉及的字段含义基本分为两大类，简单介绍下：

用于构造 API 的参数：eip，projectId，graph_name, port 这四个参数都参与构造了业务面请求的 url。eip 与 graph_name 两个参数在创图时容易获得，port 参数默认为 80，开启安全模式时为 443，关于 projectId，可参考图引擎官网文档 - 获取项目 id，从图控制台根据图所属的区域来获取项目 id。
用于在请求 API 前获取 token 的参数：iam_url, user_name, password, domain_name,project_name，GES4Jupyter 会使用这四个参数获取 token，进而在使用 api 时进行鉴权，相关参数获取请参考：华为图引擎文档 - 业务面 API 认证鉴权和调用 GES 服务业务面 API 相关参数的获取

除了手动输入这部分参数，也可以将参数构造为一个 csv 文件上传至 CodeLab 平台，而后执行图示 read_csv_config 方法，一键获取所有参数。

如图为一个区域为北京四的图的示例文件，关键信息（如 ip、projectId、图名、账户名、密码、iam 子账号名）通过马赛克隐藏。

对于新创的图，使用下列代码段可以创建点边索引，方便使用 cypher：

print('开始创建点索引:')
job_id=ges_util.build_vertex_index()
job_result=ges_util.get_job(job_id)
if 'errorCode' not in job_result:
    for i in range(100):
        if job_result['status']=='success':
            break
        else:
            time.sleep(1)
            job_result=ges_util.get_job(job_id)
print('点索引创建完成')
print('开始创建边索引:')
job_id=ges_util.build_edge_index()
job_result=ges_util.get_job(job_id)
if 'errorCode' not in job_result:
    for i in range(100):
        if job_result['status']=='success':
            break
        else:
            time.sleep(1)
            job_result=ges_util.get_job(job_id)
print('边索引创建完成')复制

如果图比较大，且没有基于 label 过滤方面的诉求，也可以关闭 cypher 的索引开关。

ges_util.cypher_query("call dbms.parameter('needNodeIndex', false)");
ges_util.cypher_query("call dbms.parameter('needEdgeIndex', false)");复制

执行 summary 方法可以看到点边分布：

三、使用 GES4Jupyter 调用业务面接口并进行可视化

GES4Jupyter 支持调用 cypher 语句，并可视化 cypher 的结果。在初始化完成 GES4Jupyter 后，使用下列代码可以执行并可视化 cypher 查询：

cypher_result=ges_util.cypher_query("match (n)-[r]->(m) return n,r,m limit 10",formats=['row','graph']);
ges_util.format_cypher_result(cypher_result)复制

在 Notebook 中输入该段代码，点击运行，可以看到 Notebook 中效果：

同时，工具还提供了其他选项卡，不仅可以看到可视化 Graph 结构，还可以看到表格数据、以及原始的 json 数据。

GES4Jupyter 也提供了能力对 gremlin 语言返回的点边数据进行可视化。

gremlin_result=ges_util.gremlin_query("g.V().outE().bothV().path().limit(2)");
ges_util.format_gremlin_result(gremlin_result)复制

同时，对于 ges 的 path-query 接口，当返回数据为 tree 格式时，GES4Jupyter 也能提供较好的支持。

result=ges_util.path_query({
            "repeat": [
                {
                    "operator": "bothV",
                    "vertex_filter": {
                        "property_filter": {
                            "leftvalue": {
                                "id": ""
                            },
                            "predicate": "NOTIN",
                            "rightvalue": {
                                "value": ["北京"]
                            }
                        }
                    }
                }
            ],
            "until": [
                {
                    "vertex_filter": {
                        "property_filter": {
                            "leftvalue": {
                                "id": ""
                            },
                            "predicate": "=",
                            "rightvalue": {
                                "value": ["额济纳旗"]
                            }
                        }
                    }
                }
            ],
            "times": 5,
            "queryType": "Tree",
            "vertices": ["北京病例2"]
        })
ges_util.format_path_query(result)复制

四、图引擎官网有更多案例可以使用 GES4Jupyter 上手体验

本文的数据集取自华为云图引擎官网 “新冠患者轨迹追溯” 数据集，notebook 代码取自 “新冠患者轨迹追溯” 案例，在图引擎官方网站上，还有其他动手实践案例，配套 ModelArts 的 CodeLab，可以实现 “开箱即用”，提供丰富的场景和大家一起认识图、了解图、使用图。

参考项目：https://github.com/merqurio/neo4jupyter

点击下方，第一时间了解华为云新鲜技术～

华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云

安装 Jupyter Notebook

Jupyter Notebook 简介
Jupyter Notebook 是一个开源的 Web 应用程序，可以用来创建和共享包含动态代码、方程式、可视化及解释性文本的文档。
其应用于包括：数据整理与转换，数值模拟，统计建模，机器学习等等。
更多信息请见官网。
http://jupyter.org/

检查 Python 环境
CentOS 7.2 中默认集成了 Python 2.7，可以通过下面命令检查 Python 版本：
```
python --version
```

安装 pip
pip 是一个 Python 包管理工具，我们使用 yum 命令来安装该工具：
```
yum -y install python-pip
```
使用下面命令升级 pip 到最新版本：
```
pip install --upgrade pip
```
安装相关依赖
安装 Jupyter 过程中还需要其他一些依赖，我们使用以下命令安装他们：
```
yum -y groupinstall "Development Tools"
yum -y install python-deve
```
配置虚拟环境
安装 virtualenv
我们将为 Jupyter 创建一个独立的虚拟环境，与系统自带的 Python 隔离开来。为此，先安装 virtualenv 库：
```
pip install virtualenv
```

创建虚拟环境
创建一个专门的虚拟环境，并直接激活进入该环境：
```
virtualenv venv
source venv/bin/activate
```

使用 pip 安装 Jupyter
我们使用 pip 命令安装 Jupyter：
```
pip install jupyter
```

2.配置 Jupyter Notebook

建立项目目录
我们先为 Jupyter 相关文件准备一个目录：
```
mkdir /data/jupyter
cd /data/jupyter
```
再建立一个目录作为 Jupyter 运行的根目录：
```
mkdir /data/jupyter/root
```
准备密码密文
由于我们将以需要密码验证的模式启动 Jupyter，所以我们要预先生成所需的密码对应的密文。
生成密文
使用下面的命令，创建一个密文的密码：
```
python -c "import IPython;print IPython.lib.passwd()"
```

执行后需要输入并确认密码，然后程序会返回一个 'sha1:...'的密文，我们接下来将会用到它。

修改配置
生成配置文件
我们使用 --generate-config 来参数生成默认配置文件：
```
jupyter notebook --generate-config --allow-root
```
生成的配置文件在 /root/.jupyter/ 目录下
修改配置
然后在配置文件最下方加入以下配置：
```
c.NotebookApp.ip='*'
c.NotebookApp.allow_root=True
c.NotebookApp.open_browser=False
c.NotebookApp.port=8888
c.NotebookApp.password=u'刚才生成的密文(sha:...)'
c.ContentsManager.root_dir='/data/jupyter/root'
```
其中：
你也可以直接配置或使用 Nginx 将服务代理到 80 或 443 端口。
c.NotebookApp.password 请将上一步中密文填入此项，包括 sha: 部分。

3.启动 Jupyter Notebook

直接启动
使用以下指令启动 Jupyter Notebook：
```
jupyter notebook
```
此时，访问地址即可进入 Jupyter 首页。
创建 Notebook
进入【首页】首先需要输入前面步骤中设置的密码。
然后点击右侧的【 new 】，选择 Python2 新建一个 notebook，这时跳转至编辑界面。
现在我们可以看到 /data/jupyter/root/ 目录中出现了一个 Untitled.ipynb 文件，这就是我们刚刚新建的 Notebook 文件。我们建立的所有 Notebook 都将默认以该类型的文件格式保存。
后台运行
直接以 jupyter notebook 命令启动 Jupyter 的方式在连接断开时将会中断，所以我们需要让 Jupyter 服务在后台常驻。
先按下 Ctrl + C 并输入 y 停止 Jupyter 服务，然后执行以下命令：
```
nohup jupyter notebook > /data/jupyter/jupyter.log 2>&1 &
```
该命令将使得 Jupyter 在后台运行，并将日志写在 /data/jupyter/jupyter.log 文件中。
准备后续步骤的 Notebook
为了后面实验中实验室的步骤检查器能够更好的工作，此时我们使用以下命令预先创建几份 ipynb 文件：
```
cd /data/jupyter/root
cp Untitled.ipynb first.ipynb
cp Untitled.ipynb matplotlib.ipynb
cp Untitled.ipynb tensorflow.ipynb
rm -f Untitled.ipynb
```

4.使用 Jupyter Notebook

接下来的步骤中如遇到步骤检查未通过，请按下 Ctrl + S 保存，等待步骤检查器确认。
编辑界面
点击这里打开 first.ipynb 编辑界面。
Jupyter Notebook 的编辑界面主要由 工具栏 和 内容编辑区 构成。
下方编辑区，由 Cell 组成。每个 notebook 由多个 Cell 构成，每个 Cell 都可以有不同的用途。
Code Cell
新建的 notebook 中包含一个代码 Cell（Code Cell），以 [ ] 开头，在该类型的 Cell 中，可以输入任意代码并执行。如输入：
```
1 + 1
```
然后按下 Shift + Enter 键， Cell 中代码就会被执行，光标也会移动至下个新 Cell 中。我们接着输入：
```
print('Hello Jupyter')
```
再次按下 Shift + Enter ，可以看到这次没有出现 Out[..] 这样的文字。这是因为我们只打印出来了某些值，而没有返回任何的值。
按下 Ctrl + S 保存，等待步骤检查器确认。
Heading Cell *
新版本中已经没有独立的 Heading Cell，现在标题被整合在 Markdown Cell 之中。
如果我们想在顶部添加一个的标题。选中第一个 Cell，然后点击 Insert -> Insert Cell Above。
你会发现，文档顶部马上就出现了一个新的 Cell。点击在工具栏中 Cell 类型（默认为 Code），将其变成 Markdown。接着在 Cell 中写下：
```
# My First Notebook
```
然后按下 Shift + Enter 键，便可以看到生成了一行一级标题。
与 Markdown 语法相同，使用多个#将改变标题级别。
Markdown Cell
上一步中我们已经尝试了使用了 Markdown Cell。在该 Cell 中，除标题外其他语法同样支持。比如，我们在一个新的 Cell 中插入以下文本：
```
This is a **table**:
| Name | Value |
|:----:|:-----:|
| A | 1 |
| B | 2 |
| C | 3 |
```
然后按下 Shift + Enter，即可渲染出相应内容。
高级用法 - HTML
Markdown Cell 中同样接受 HTML 代码。这样，你就可以实现更加丰富的样式及结构、添加图片等等。
例如，如果想在 notebook 中添加 Jupyter 的 logo，并且添加 2px 的黑色边框，放置在单元格左侧，可以这样编写：
```
<img src="http://jupyter.org/assets/nav_logo.svg" style="border: 2px solid black; float:left" />
```
然后按下 Shift + Enter，即可渲染出图片。
高级用法 - LaTex
Markdown Cell 还支持 LaTex 语法。在 Cell 中插入以下文本：
```
$$int_0^{+infty} x^2 dx$$
```
同样按下 Shift + Enter，即可渲染出公式。
导出
notebook 支持导出导出为 HTML、Markdown、PDF 等多种格式。
如点击 File -> Download as -> HTML(.html)，即可下载到 HTML 版本的 notebook。
导出 PDF
其中，导出 PDF 需要其他包的支持，我们需要使用以下命令安装这些依赖：
```
yum -y install pandoc texlive-*
```

注：直接导出 PDF 时 Jupyter 可能会忽略一些 Cell，建议先导出为 HTML，然后使用浏览器将其转为 PDF。

5.集成 Matplotlib（可选）

Matplotlib 是 Python 中最常用的可视化工具之一，可以非常方便地创建许多类型的 2D 图表和基本的 3D 图表。

安装 Matplotlib
我们使用 pip 来安装 Matplotlib：
```
pip install matplotlib
```
测试 Matplotlib
我们使用另一个 notebook （matplotlib.ipynb）来测试 Matplotlib。
点击这里打开 matplotlib.ipynb 编辑界面。
魔法命令
在第一个 Cell 中，我们插入并执行：
```
%matplotlib inline
```
这是指定 matplotlib 图表的显示方式的魔法命令。inline 表示将图表嵌入到 notebook 中。
测试
在接下来 Cell 中，我们插入几个官方示例测试：
1.plot_bmh：地址：https://matplotlib.org/examples/style_sheets/plot_bmh.html
示列代码：plot_bmh.py
执行 Cell，即可看到绘制出的图像。
2.whats_new_99_mplot3d：
whats_new_99_mplot3d.py
同样执行 Cell，即可看到绘制出的图像。

from numpy.random import beta
import matplotlib.pyplot as plt
plt.style.use('bmh')
def plot_beta_hist(ax, a, b):
 ax.hist(beta(a, b, size=10000), histtype="stepfilled",
 bins=25, alpha=0.8, normed=True)
fig, ax=plt.subplots()
plot_beta_hist(ax, 10, 10)
plot_beta_hist(ax, 4, 12)
plot_beta_hist(ax, 50, 12)
plot_beta_hist(ax, 6, 55)
ax.set_title("'bmh' style sheet")
plt.show()

Shift + Enter 执行 Cell，即可看到绘制出的图像。

2.whats_new_99_mplot3d：地址：https://matplotlib.org/examples/pyplots/whats_new_99_mplot3d.html

示例代码：/whats_new_99_mplot3d.py

import random
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm
from mpl_toolkits.mplot3d import Axes3D
X=np.arange(-5, 5, 0.25)
Y=np.arange(-5, 5, 0.25)
X, Y=np.meshgrid(X, Y)
R=np.sqrt(X**2 + Y**2)
Z=np.sin(R)
fig=plt.figure()
ax=Axes3D(fig)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.viridis)
plt.show()

同样执行 Cell，即可看到绘制出的图像。

关于 Matplotlib 的使用请移步其官网。
动手试试
最后，我们来尝试绘制一个二次函数图像，你可以自行实现，也可以参考下面代码：

6.搭配 TensorFlow（可选）

TensorFlow? 是一个采用数据流图，用于数值计算的开源软件库。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。

TensorFlow 最初由 Google 大脑小组的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

安装 TensorFlow
我们使用 pip 安装相关依赖及 Tensorflow
```
pip install protobuf
pip install tensorflow
```
测试 TensorFlow
点击这里打开 tensorflow.ipynb 编辑界面。
在 Cell 中加入以下代码（整理自官网 MNIST 教程）：
示例代码：/tensorflow.py

按下 Shift + Enter，学习过程结束后可以看到输出了准确率（92% 左右）

关于 TensorFlow 的使用请移步其官网，这里只是测试其在 Jupiter 中是否可用。

7.自由体验

恭喜！您已经成功搭建起了一个云端的 Jupyter Notebook 环境。感谢大家耐心的看完，新年到，小桀在这里祝大家新年快乐、心想事成、技术更上一层楼！

在线咨询

上一篇：PHP环境搭建-httpd-2.4.23配置安装
下一篇：HTML列表及实例

您的项目需求

*请认真填写需求信息，我们会在24小时内与您取得联系。

整合营销服务商