0Pricing
Learn AI with Python · Lekcja

Najlepsze praktyki dotyczące notatników Jupyter

Numerowane komórki, czyszczenie wyników przed zatwierdzeniem i papermill do wykonywania parametryzowanego.

Najlepsze praktyki dotyczące notatników Jupyter to bezpłatna lekcja Learn AI with Python na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Learn AI with Python, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Learn AI with Python zawiera 4 lekcji w sumie.

Notebook jako miecz obosieczny

Notebooki Jupyter doskonale nadają się do eksploracji: można uruchamiać kod w komórkach, wyświetlać wykresy bezpośrednio w notebooku i szybko iterować. Ta sama elastyczność prowadzi jednak do powstawania nieuporządkowanych i nieodtwarzalnych rozwiązań, jeśli nie zachowa się dyscypliny.

W tej lekcji omówiono zwyczaje, które pomagają utrzymać notebooki w czystości i zapewnić wiarygodność wyników.

Ukryty stan: główny problem

Komórki można uruchamiać w dowolnej kolejności, a wcześniejsze wyniki pozostają w pamięci. Ten ukryty stan sprawia, że notebook może wyświetlać poprawne wyniki, których nie da się odtworzyć podczas nowego uruchomienia od początku.

Niemal każda dobra praktyka dotycząca notebooków służy eliminowaniu ukrytego stanu.

Uruchamianie komórek po kolei

Liczniki wykonania ([1], [2] obok komórek) powinny rosnąć od góry do dołu. Numery w nieprawidłowej kolejności, takie jak [7] nad [3], są sygnałem ostrzegawczym, że notebook zależy od ukrytego stanu.

Notebooki należy tworzyć tak, aby ich treść była zrozumiała podczas czytania od góry do dołu.

Ponowne uruchomienie kernela i wykonanie wszystkich komórek

Najważniejsza zasada: przed zaufaniem notebookowi lub zatwierdzeniem go należy wybrać Kernel → Restart & Run All. Spowoduje to wyczyszczenie pamięci i wykonanie każdej komórki od początku.

Jeśli notebook wykona się poprawnie od góry do dołu, można uznać go za odtwarzalny. Jeśli wystąpi błąd, znaleziono problemy związane z ukrytym stanem.

Komórki powinny być skoncentrowane

Umieszczenie jednego logicznego kroku w każdej komórce zwiększa czytelność notebooków i ułatwia ich ponowne uruchamianie. Należy unikać ogromnych komórek wykonujących dziesięć operacji, ale także rozpraszania jednej operacji po wielu bardzo małych komórkach.

Do opisywania sekcji, podobnie jak w raporcie, należy używać komórek Markdown.

Przenoszenie wielokrotnie używanego kodu do modułów

Gdy funkcja okaże się przydatna, należy przenieść ją z notebooka do katalogu src/ i zaimportować. Dzięki temu notebooki pozostają krótkie, kod można testować, a różnice wynikające z kopiowania kodu między notebookami nie narastają.

from src.features.build_features import make_features

X = make_features(df)   # logic lives in a tested module

Problem różnic w danych wyjściowych

Notebooki przechowują wyniki komórek (tekst, duże tabele i obrazy zakodowane w base64) wewnątrz kodu JSON pliku .ipynb. Zatwierdzanie takich plików powoduje powstawanie ogromnych i pełnych szumu różnic w Git, a także może prowadzić do wycieku danych.

Rozwiązanie: przed zatwierdzeniem należy usunąć wyniki.

Czyszczenie wyników za pomocą nbstripout

nbstripout automatycznie usuwa wyniki z notebooków. Należy zainstalować je jako filtr Git, aby wyniki były usuwane przy każdym zatwierdzeniu bez konieczności pamiętania o tym.

# pip install nbstripout
nbstripout --install      # adds a git filter for this repo
# now committed notebooks have clean, output-free diffs

Parametryzowanie notebooków za pomocą papermill

papermill uruchamia notebook programowo z wstrzykniętymi parametrami, podobnie jak wywołanie funkcji. Należy oznaczyć komórkę jako parameters, a papermill będzie zastępować te wartości przy każdym uruchomieniu.

# pip install papermill
# papermill analysis.ipynb out.ipynb -p dataset "may.csv" -p seed 42

Uruchomienia sparametryzowane w kodzie

Można także sterować narzędziem papermill z poziomu Pythona, aby uruchamiać ten sam notebook analityczny dla wielu danych wejściowych — to przejrzysty sposób na wsadowe przeprowadzanie eksperymentów.

import papermill as pm

for ds in ["jan.csv", "feb.csv", "mar.csv"]:
    pm.execute_notebook(
        "analysis.ipynb",
        f"out_{ds}.ipynb",
        parameters={"dataset": ds, "seed": 42},
    )

Lista kontrolna porządkowania notebooka

Przed udostępnieniem lub zatwierdzeniem notebooka należy:

  • ponownie uruchomić kernel i wykonać wszystkie komórki — wykonanie musi zakończyć się bez błędów
  • upewnić się, że komórki są uruchamiane od góry do dołu, a ich liczniki rosną
  • przenieść wielokrotnie używaną logikę do modułów w src/
  • usunąć wyniki (nbstripout)
  • użyć Markdown do przedstawienia toku pracy

Szybkie sprawdzenie: zaufanie notebookowi

Przed zatwierdzeniem notebooka chcą Państwo potwierdzić, że można go odtworzyć i że nie zawiera błędów związanych z ukrytym stanem.

Podsumowanie: dobre praktyki dotyczące notebooków

Poznali Państwo sposoby na utrzymanie notebooków w czystości i zapewnienie ich odtwarzalności:

  • należy eliminować ukryty stan — uruchamiać komórki po kolei
  • przed zaufaniem notebookowi lub zatwierdzeniem go należy użyć opcji Restart & Run All
  • wielokrotnie używany kod należy przenosić do modułów w src/
  • nbstripout służy do usuwania wyników i utrzymywania przejrzystych różnic w Git
  • papermill służy do sparametryzowanych i wsadowych uruchomień notebooków

To kończy kurs dotyczący struktury projektu AI i pracy z Git.

Często zadawane pytania

Czy lekcja „Najlepsze praktyki dotyczące notatników Jupyter” jest bezpłatna?

Tak — pełny tekst „Najlepsze praktyki dotyczące notatników Jupyter” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Learn AI with Python, przejdź na CoddyKit PRO. Kurs Learn AI with Python zawiera 4 lekcji w sumie.

Co nauczysz się w „Najlepsze praktyki dotyczące notatników Jupyter”?

Numerowane komórki, czyszczenie wyników przed zatwierdzeniem i papermill do wykonywania parametryzowanego. Ćwiczysz Learn AI with Python z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Learn AI with Python?

Nie wymagamy żadnego doświadczenia. Learn AI with Python w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.

Ile czasu zajmuje lekcja „Najlepsze praktyki dotyczące notatników Jupyter”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Learn AI with Python?

Tak. Każda lekcja Learn AI with Python zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Profesjonalna struktura katalogów projektu AI
  2. Git w projektach AI
  3. Powtarzalność: ziarna, konfiguracje i środowiska
  4. Najlepsze praktyki dotyczące notatników Jupyter
← Powrót do Learn AI with Python