Boas práticas para Jupyter Notebooks
Células numeradas, limpeza das saídas antes da confirmação e papermill para execução parametrizada.
Boas práticas para Jupyter Notebooks é uma aula grátis de Learn AI with Python no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Learn AI with Python, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Learn AI with Python inclui 4 aulas no total.
A faca de dois gumes dos notebooks
Notebooks do Jupyter são fantásticos para exploração: execute código em células, veja gráficos no próprio notebook e itere rapidamente. Mas essa mesma flexibilidade gera trabalhos desorganizados e irreprodutíveis se você não tiver disciplina.
Esta lição aborda hábitos que mantêm os notebooks organizados e confiáveis.
Estado oculto: o problema central
Você pode executar as células em qualquer ordem, e os resultados anteriores permanecem na memória. Esse estado oculto significa que um notebook pode exibir saídas corretas que nenhuma execução nova conseguiria reproduzir.
Quase toda boa prática para notebooks existe para combater o estado oculto.
Execute as células sequencialmente
Os contadores de execução (os [1], [2] ao lado das células) devem aumentar de cima para baixo. Números fora de ordem, como [7] acima de [3], são um sinal de alerta de que o notebook depende de estado oculto.
Escreva notebooks que façam sentido quando lidos diretamente de cima para baixo.
Reinicie o núcleo e execute tudo
A regra de ouro: antes de confiar em um notebook ou registrá-lo, faça Núcleo → Reiniciar & Executar tudo. Isso limpa a memória e executa todas as células desde o início.
Se ele for executado corretamente de cima para baixo, o notebook será reproduzível. Se falhar, você encontrou erros causados pelo estado oculto.
Mantenha as células focadas
Uma etapa lógica por célula torna os notebooks legíveis e fáceis de executar novamente. Evite células enormes que fazem dez coisas; evite também espalhar uma operação por muitas células minúsculas.
Use células Markdown para apresentar seções como em um relatório.
Mova o código reutilizável para módulos
Quando uma função se mostrar útil, mova-a do notebook para src/ e importe-a. Isso mantém os notebooks enxutos, torna o código testável e evita divergências causadas por copiar e colar entre notebooks.
from src.features.build_features import make_features
X = make_features(df) # logic lives in a tested moduleO problema das diferenças nas saídas
Os notebooks armazenam as saídas das células (texto, tabelas grandes e imagens em base64) dentro do JSON .ipynb. Registrá-las faz com que as diferenças do Git fiquem enormes e cheias de ruído, além de poder expor dados.
A solução: remova as saídas antes de registrar as alterações.
Limpando saídas com nbstripout
nbstripout remove automaticamente as saídas dos notebooks. Instale-o como um filtro do Git para que as saídas sejam removidas a cada confirmação, sem que você precise se lembrar disso.
# pip install nbstripout
nbstripout --install # adds a git filter for this repo
# now committed notebooks have clean, output-free diffsParametrizando notebooks com papermill
papermill executa um notebook programaticamente com parâmetros injetados, como ao chamar uma função. Marque uma célula como parameters, e o papermill substituirá esses valores em cada execução.
# pip install papermill
# papermill analysis.ipynb out.ipynb -p dataset "may.csv" -p seed 42Execuções parametrizadas no código
Você também pode controlar o papermill a partir do Python para executar o mesmo notebook de análise com muitas entradas — uma maneira organizada de realizar experimentos em lote.
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},
)Uma lista de verificação para notebooks
Antes de compartilhar ou registrar um notebook:
- Reinicie o núcleo e execute tudo — a execução deve terminar sem erros
- As células são executadas de cima para baixo, com contadores crescentes
- A lógica reutilizável foi movida para módulos em
src/ - As saídas foram removidas (nbstripout)
- O Markdown apresenta a narrativa
Verificação rápida: confiando em um notebook
Antes de registrar as alterações, você quer confirmar que o notebook é reproduzível e não contém erros causados pelo estado oculto.
Recapitulação: boas práticas para notebooks
Você aprendeu a manter os notebooks organizados e reproduzíveis:
- Combata o estado oculto — execute as células sequencialmente
- Reinicie & execute tudo antes de confiar no notebook ou registrá-lo
- Mova o código reutilizável para módulos em
src/ - Use nbstripout para limpar as saídas e obter diferenças do Git organizadas
- Use papermill para execuções parametrizadas e em lote de notebooks
Com isso, o curso de Estrutura de Projetos de IA e Fluxo de Trabalho do Git está concluído.
Aprenda Python com um tutor de IA — grátis
Escreva e execute código real no seu navegador, obtenha ajuda instantânea de um tutor de IA 24/7 e continue de onde parou na web ou no app.
- Cursos
- 53
- Aulas
- 225
Perguntas Frequentes
A aula “Boas práticas para Jupyter Notebooks” é grátis?
Sim — o texto completo de “Boas práticas para Jupyter Notebooks” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Learn AI with Python, atualize para CoddyKit PRO. O curso de Learn AI with Python inclui 4 aulas no total.
O que vou aprender em “Boas práticas para Jupyter Notebooks”?
Células numeradas, limpeza das saídas antes da confirmação e papermill para execução parametrizada. Você pratica Learn AI with Python com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Learn AI with Python?
Nenhuma experiência prévia é necessária. Learn AI with Python no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Boas práticas para Jupyter Notebooks”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Learn AI with Python?
Sim. Cada aula de Learn AI with Python inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Estrutura profissional de diretórios para projetos de IA
- Git para projetos de IA
- Reprodutibilidade: sementes, configurações e ambientes
- Boas práticas para Jupyter Notebooks