Jupyter Lab review: A powerful tool for documenting your data science journey

La publication scientifique a traditionnellement été une affaire plate et statique. Vous rédigez vos recherches dans un document, qui est généralement un fichier PDF avec du texte et du code. Quelqu’un le lit et peut utiliser des aspects de vos recherches dans ses propres projets. Mais que se passerait-il si vous pouviez rendre ces documents plus intelligents? Ce ne serait-il pas utile d’avoir un document de science des données ou un tutoriel de programmation que vous pourriez réellement interagir? C’est ce que JupyterLab, un outil gratuit de Project Jupyter, vise à fournir. Les meilleurs langages de programmation que vous devez apprendre pour 2023 Traditionnellement, les programmeurs ont écrit des programmes Python dans un fichier texte avec une extension .py. Si vous vouliez expliquer ce que le code source du document faisait, vous écririez des blocs de commentaires pour donner aux autres une idée de ce que vous pensiez lorsque vous avez écrit le programme. Ce type de commentaire est parfait pour le code que les gens regardent rarement, comme celui qui fonctionne en arrière-plan en effectuant des interactions avec une base de données sur un serveur. Si vous êtes un tuteur en informatique essayant d’expliquer comment fonctionnent les triages par bulles, ou un morphologiste biologique décrivant comment vous avez utilisé du code pour cartographier la séquence de Fibonacci dans le disque d’une fleur de tournesol, mélanger du code qui s’exécute avec du texte et des images vous permet de raconter votre histoire scientifique de manière plus intuitive. L’informaticien Donald Knuth a envisagé cela en 1984 dans une concept appelé programmation literate. Un fichier de programme literate s’exécute comme un fichier de programme non literate, mais il structure et décrit également ce code d’une manière qui a plus de sens pour l’auteur et son audience.