توسط : تا کنون کتابخانه و افزونه‌های زیادی برای محیط ژوپیتر لب طراحی شده‌اند که عملکرد آن را به طور چشمگیری افزایش می‌دهند. هر کاربر می‌تواند با توجه به نیاز خود، یک یا چند کتابخانه و افزونه به محیط کار خود بیافزاید. تنوع این کتابخانهها زیاد است و در زمینه‌های مختلفی از جمله تجزیه و تحلیل داده‌ها، محاسبات علمی و… کاربرد دارند. در ادامه به معرفی مهم‌ترین کتابخانه های ژوپیتر لب می‌پردازیم:
فهرست مطالب
- کاربرد کتابخانه های ژوپیتر لب چیست؟
- مهم‌ترین کتابخانه های ژوپیتر لب چیست؟
- نحوه نصب کتابخانه های ژوپیتر لب چگونه است؟
- استفاده از سرویس ژوپیتر لب ابر فردوسی
کاربرد کتابخانه های ژوپیتر لب چیست؟
محیط ژوپیتر لب ماژولار است. یعنی می‌توان آن را با نصب چند کتابخانه و افزونه (پلاگین) به شکل دلخواه خود در آورد. این دو اما از لحاظ کاربردی متفاوند. در ادامه با کتابخانه و پلاگین های ژوپیتر نوت بوک آشنا خواهیم شد:
- کتابخانهها مجموعه‌ای از کدهای از پیش نوشته شده هستند که قابلیت‌های خاصی برای دستکاری داده‌ها، تجسم سازی، یادگیری ماشین، تجزیه و تحلیل داده‌ها و غیره ارائه می‌دهند. معمولا این کتابخانهها به زبان برنامه‌نویسی پایتون نوشته شده‌اند و با استفاده از مدیریت بسته‌ها مانند pip یا conda نصب می‌شوند.
- افزونه یا پلاگین‌ها برای بهبود رابط کاربری و تجربه کاربر هستند. افزونه‌ها عملکرد Jupyter را گسترش می‌دهند. ارائه ویژگی‌ها و ادغام‌های اضافی که نحوه تعامل و مدیریت نوت‌بوک‌ها را بهبود می‌بخشند نیز در حیطه وظایف پلاگین‌هاست.
مهم‌ترین کتابخانه های ژوپیتر لب چیست؟
JupyterLab یک محیط توسعه تعاملی قدرتمند برای کار با نوت بوک، کد و داده است. این محیط از طیف گسترده‌ای از کتابخانهها پشتیبانی می‌کند که عملکردش را بهبود می‌بخشند. در ادامه با برخی از محبوب ترین کتابخانه های ژوپیتر لب آشنا خواهیم شد:
1- Pandas:
یک کتابخانه مهم برای دستکاری و تجزیه و تحلیل داده‌ها و ارائه ساختارهای داده مانند DataFrames است.
2- NumPy:
از آرایه‌ها و ماتریس‌های چند بعدی بزرگ با توابع ریاضی برای کار بر روی این آرایه‌ها پشتیبانی می‌کند.
3- Matplotlib:
یک کتابخانه رسم برای ایجاد تجسم‌های ثابت، متحرک و تعاملی است.
4- Seaborn:
ساخته شده در بالای Matplotlib، یک رابط سطح بالا برای ترسیم گرافیک‌های آماری جذاب ارائه می‌دهد.
5- Plotly:
قابلیت های گرافیکی تعاملی را ارائه می‌دهد. Plotly Express یک رابط سطح بالا برای ایجاد انواع نمودارهای تعاملی است.
6- Bokeh:
تجسم تعاملی را فعال می کند و قادر به مدیریت داده های جریانی و تعاملات زمان واقعی است.
7- Altair:
کتابخانه تجسم آماری مبتنی بر Vega و Vega-Lite که برای ایجاد تجسم‌های پیچیده با کد ساده مناسب است.
8- Scikit-learn:
کتابخانه‌ای قوی برای یادگیری ماشین که ابزارهای ساده و کارآمد برای داده کاوی و تجزیه و تحلیل داده‌ها ارائه می‌دهد.
9- TensorFlow:
یک پلت فرم منبع باز برای یادگیری ماشین که برای ساخت و آموزش شبکه‌های عصبی مناسب است.
10- PyTorch:
یکی دیگر از کتابخانه‌های یادگیری عمیق است که برای تحقیق و تولید کاربرد دارد.
11- Keras:
یک API برای ساخت و آموزش مدل‌های یادگیری عمیق که اکنون با TensorFlow ادغام شده است.
12- IPyWidgets:
ویجت‌های تعاملی HTML را برای نوت‌بوک‌های Jupyter فراهم می‌کند و کاربران را قادر می‌سازد تا تصاویر و داشبوردهای داده‌های تعاملی ایجاد کنند.
13- Bqplot:
یک کتابخانه رسم که از چارچوب IPyWidgets برای فعال کردن نمودارهای تعاملی در نوت بوک‌ها استفاده می‌کند.
14- Geopandas:
پانداها (Pandas) را گسترش می‌دهد تا با کمک آن ایجاد فضا روی انواع هندسه امکان پذیر باشد.
15- Folium:
تجسم داده‌هایی را که در پایتون دستکاری شده‌اند در یک نقشه بروشور تعاملی آسان می‌کند.
16- NLTK:
The Natural Language Toolkit که برای کار با داده‌های زبان انسان مفید است.
17- SpaCy:
کتابخانه پردازش زبان طبیعی (NLP) با قدرت صنعتی در پایتون است.
18- Dask:
کتابخانه محاسباتی موازی که با پانداها و NumPy ادغام می‌شود و امکان محاسبات بزرگتر از حافظه را فراهم می‌کند.
19- Apache Spark:
چارچوب پردازش داده‌های بزرگ که می‌تواند با PySpark (API Python برای Spark) استفاده شود.
20- SQLAlchemy:
جعبه ابزار SQL و کتابخانه نگاشت شی – رابطه ای (ORM) برای پایتون است.
21- Psycopg2:
آداپتور پایگاه داده PostgreSQL برای پایتون است.
22- SQLite:
یک پایگاه داده سبک مبتنی بر دیسک که به فرآیند سرور جداگانه نیاز ندارد.
23- SciPy:
برای محاسبات علمی و فنی بر روی NumPy و افزودن قابلیت برای محاسبات پیچیده استفاده می‌شود.
24- SymPy:
یک کتابخانه پایتون برای ریاضیات نمادین است.
25- BeautifulSoup:
کتابخانه‌ای برای بیرون کشیدن داده‌ها از فایل‌های HTML و XML است.
26- Papermill:
ابزاری برای پارامترسازی و اجرای نوت بوک‌ها که برای پردازش دسته‌ای مناسب است.
27- Prefect:
سیستم مدیریت گردش کار برای برنامه ریزی و هماهنگی گردش کار داده‌ها می‌باشد.
28- درخواست HTTP:
درخواست های HTTP را برای تعامل با سرویس‌های وب و APIها ارسال می‌کند.
نحوه نصب کتابخانه های ژوپیتر لب چگونه است؟
نصب کتابخانه در ژوپیتر لب آسان است و بسته به محیط پایتون شما می‌تواند با استفاده از ابزارهای مدیریت بسته pip یا conda انجام شود. در اینجا یک راهنمای گام به گام نحوه نصب کتابخانه های ژوپیتر لب آمده است:
- در JupyterLab، می‌توانید با رفتن به تب Launcher و انتخاب نماد «Terminal» یک ترمینال باز کنید. سپس برای نصب کتابخانهها با pip از دستور زیر پیروی کنید. در اینجا برای مثال pandas:
pip install pandas
- برای تأیید اینکه یک کتابخانه نصب شده است، می توانید آن را در یک سلول نوت بوک Jupyter وارد کنید:
اگر خطایی وجود نداشته باشد، کتابخانه به درستی نصب می شود.
استفاده از سرویس ژوپیتر لب ابر فردوسی
استفاده از ژوپیتر لب به عنوان نسل بعد ژوپیتر نوت بوک، در ابر فردوسی فراهم است. در ادامه به معرفی مزایای آن می‌پردازیم:
۱- عدم وجود محدودیت زمانی و مکانی
2- قیمت مقرون به‌صرفه و پرداخت با روش PAY AS YOU GO
3- امکان انتخاب میزان منابع پردازشی از قبیل CPU، RAM، هارد
4- امکان انتخاب نوع کارت‌های گرافیک قدرتمند در ابر فردوسی:
(RTX 2080i (11GB
RTX 3090 (24G)
(32GB) Tesla v100s
Tesla a100 (40GB
5- امکان انتخاب کتابخانهها و افزونه های ژوپیتر لب در ابر فردوسی:
Tensor flow
Pytorch
Pure python
جهت تست رایگان سرویس ژوپیتر لب و کتابخانه های ژوپیتر لب در ابر فردوسی کلیک نمایید.
