Notebooks Jupyter pour la science des données
Lancer Jupyter, écrire des cellules, utiliser des commandes magiques et exporter des notebooks.
Notebooks Jupyter pour la science des données est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.
Les notebooks pour explorer
Un notebook Jupyter réunit du code, des sorties, des graphiques et du texte explicatif dans un seul document. Vous exécutez le code dans de petites cellules en conservant leur état entre deux exécutions, ce qui est idéal pour explorer les données de manière itérative.
Notebook ou Lab
Jupyter Notebook est l’interface classique centrée sur un seul document. JupyterLab est l’interface moderne, semblable à un environnement de développement intégré, avec un explorateur de fichiers, des onglets et plusieurs panneaux. Les deux utilisent les mêmes fichiers .ipynb.
pip install jupyterlab notebook
jupyter lab # modern interface
jupyter notebook # classic interfaceTypes de cellules
Les cellules sont soit de code (exécuté par le noyau), soit de Markdown (rendu sous forme de texte mis en forme pour les explications). Passez une cellule en Markdown avec la touche M, puis revenez au code avec Y.
# Code cell
import numpy as np
np.arange(5)
# Markdown cell (rendered):
# ## Section title
# Some **bold** explanation.Exécuter et afficher la sortie
Appuyez sur Shift+Enter pour exécuter une cellule et passer à la suivante. La valeur de la dernière expression s’affiche automatiquement : aucun print n’est nécessaire.
x = 2 + 2
x # displays 4 below the cellMesurer le temps avec %timeit
La commande magique de ligne %timeit exécute une instruction de nombreuses fois et en indique la moyenne. C’est la méthode standard pour comparer des implémentations.
%timeit sum(range(1000))
# 1000 loops, best of 5: 12.3 us per loopMesurer toute une cellule
Doublez le signe de pourcentage pour obtenir une commande magique de cellule. %%timeit mesure le temps d’exécution de la cellule entière plutôt que celui d’une seule ligne.
%%timeit
total = 0
for i in range(1000):
total += iGraphiques intégrés
%matplotlib inline indique à Jupyter de rendre les graphiques directement sous la cellule sous forme d’images statiques. Configurez-le une seule fois vers le début du notebook.
%matplotlib inline
import matplotlib.pyplot as plt
plt.plot([1, 4, 9, 16])Commandes de l’interpréteur dans les cellules
Préfixez une ligne avec ! pour exécuter une commande de l’interpréteur. C’est pratique pour vérifier des versions ou lister des fichiers sans quitter le notebook.
!pip install seaborn
!ls -la
!python --versionCapturer la sortie de l’interpréteur
Vous pouvez affecter la sortie de l’interpréteur à une variable Python. Le résultat est une liste de lignes de sortie.
files = !ls *.csv
print(len(files), "CSV files found")Noyau : redémarrer et tout exécuter
Une exécution dans le désordre peut dissimuler des erreurs. Noyau → Redémarrer et tout exécuter efface tout l’état et réexécute chaque cellule de haut en bas, ce qui vérifie que votre notebook est reproductible.
Lister les noms définis
La commande magique %who liste les variables définies dans la session. Elle est utile après une longue exploration pour voir ce qui se trouve en mémoire.
%who
# files np plt xVérification rapide
Vérifiez vos connaissances fondamentales sur les notebooks.
Récapitulatif
Vous pouvez désormais travailler efficacement avec les notebooks :
- Notebook (classique) et Lab (semblable à un environnement de développement intégré) utilisent tous deux
.ipynb - Types de cellules Code et Markdown
%timeit/%%timeitpour mesurer les performances%matplotlib inlinepour les graphiques!cmdpour les commandes de l’interpréteur- Redémarrer et tout exécuter pour la reproductibilité,
%whopour examiner l’état
Questions Fréquemment Posées
La leçon « Notebooks Jupyter pour la science des données » est-elle gratuite ?
Oui — le texte complet de « Notebooks Jupyter pour la science des données » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Notebooks Jupyter pour la science des données » ?
Lancer Jupyter, écrire des cellules, utiliser des commandes magiques et exporter des notebooks. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Learn AI with Python ?
Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Notebooks Jupyter pour la science des données » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?
Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Environnements virtuels et pip
- Notebooks Jupyter pour la science des données
- Types de données Python pour la science des données
- Utiliser le REPL Python et IPython