Jupyter Notebook 入门教程

Jupyter Notebook 是一个功能强大的交互式计算环境，广泛应用于数据科学、机器学习和数据分析领域。它允许用户在浏览器中创建和共享包含代码、文本、数学公式、图表等的文档。本文将为您提供一份简明的 Jupyter Notebook 入门教程，帮助您快速上手。

---

1. 什么是 Jupyter Notebook？

Jupyter Notebook 是一种基于 Web 的交互式计算环境，支持多种编程语言（如 Python、R 和 Julia）。它的核心是一个 .ipynb 文件，这种文件可以保存代码、输出结果、Markdown 文本和其他多媒体内容。

---

2. 安装 Jupyter Notebook

(1) 使用 Anaconda 安装

最简单的方式是通过 Anaconda 安装 Jupyter Notebook。Anaconda 是一个包含了许多科学计算库的 Python 发行版，其中已经集成了 Jupyter Notebook。

安装完成后，在终端或命令提示符中运行以下命令启动 Jupyter Notebook：

jupyter notebook

Anaconda Navigator 是 Anaconda 提供的一个图形化用户界面（GUI），用于管理和启动各种数据科学工具。通过它，您可以轻松管理环境、安装软件包、运行 Jupyter Notebook 和其他应用程序，而无需直接操作命令行。

(2) 使用 pip 安装

如果您使用的是基础的 Python 环境，可以通过 pip 安装 Jupyter Notebook：

pip install notebook

然后运行 jupyter notebook 启动。

---

3. 创建第一个 Notebook

启动 Jupyter Notebook 后，您会在浏览器中看到如下界面：

http://localhost:8888/

1. 点击右上角的 “New” 按钮，选择 “Python 3”。
2. 这将创建一个新的 Notebook 文件，并自动命名为 Untitled.ipynb。您可以点击文件名进行重命名。

---

4. 示例

1. Jupyter Notebook 界面介绍
2. 创建和运行代码单元
3. 使用 Markdown 编写文本
4. 保存和共享 Notebook
5. 导入和导出 .ipynb 文件

Jupyter Notebook 界面介绍

Jupyter Notebook 的界面主要由以下几个部分组成：

1. 文件浏览器：显示当前目录下的文件和文件夹。
2. 工具栏：提供了一些常用的操作按钮，如保存、运行、停止等。
3. 代码单元：你可以在这里编写和运行代码。
4. 输出区域：代码的运行结果将显示在这里。

创建和运行代码单元

在 Jupyter Notebook 中，你可以创建代码单元来编写和运行代码。代码单元支持多种编程语言，默认是 Python。

1. 点击工具栏上的 + 按钮，创建一个新的代码单元。
2. 在代码单元中输入以下代码：

print("Hello, Jupyter!")

3. 按下 Shift + Enter 运行代码单元。你将在输出区域看到 Hello, Jupyter!。

使用 Markdown 编写文本

除了代码单元，你还可以使用 Markdown 单元来编写文本。Markdown 是一种轻量级标记语言，可以让你轻松地格式化文本。

1. 点击工具栏上的 + 按钮，创建一个新的 Markdown 单元。
2. 在 Markdown 单元中输入以下内容：

# 这是一个标题

这是一个段落。你可以使用 **粗体**、*斜体* 和 `代码` 来格式化文本。

3. 按下 Shift + Enter 运行 Markdown 单元，你将看到格式化后的文本。

保存和共享 Notebook

Jupyter Notebook 会自动保存你的工作，但你也可以手动保存。点击工具栏上的保存按钮，或者按下 Ctrl + S。

你可以将 Notebook 保存为 .ipynb 文件，这种文件格式包含了代码、文本和输出结果。你可以将 .ipynb 文件分享给他人，他们可以在自己的 Jupyter Notebook 中打开并查看。

导入和导出 .ipynb 文件

导入 .ipynb 文件

1. 在 Jupyter Notebook 的文件浏览器中，点击 Upload 按钮。
2. 选择你要导入的 .ipynb 文件，然后点击 Open。
3. 文件将被上传到当前目录，你可以点击文件名打开它。

导出 .ipynb 文件

1. 在 Jupyter Notebook 中，点击 File 菜单，然后选择 Download as。
2. 你可以选择将 Notebook 导出为多种格式，如 .ipynb、.html、.pdf 等。

5. .ipynb VS Code配置

http://localhost:8888/tree?token=cebb3492d2305257b1105bcae013eae2b5bbe22dcb8875ab
运行jypyter时，注意token
选择现有jypter服务器 填入

6. .ipynb 示例文件

新建文件，复制文本，保存，导入jupyter or VS Code 查看示例

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Jupyter Notebook 入门示例\n",
    "这是一个包含多个示例的 Jupyter Notebook 文件，适合初学者学习。"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Jupyter Notebook 入门示例\n",
    "这是一个包含多个示例的 Jupyter Notebook 文件，适合初学者学习。"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# 基本数学运算\n",
    "a = 10\n",
    "b = 5\n",
    "print(f\"加法: {a + b}\")\n",
    "print(f\"减法: {a - b}\")\n",
    "print(f\"乘法: {a * b}\")\n",
    "print(f\"除法: {a / b}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 数据处理 (使用 Pandas)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import sys\n",
    "print(sys.executable)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# 可以在jypyter中安装环境，但是我这里安装失败了，求点拨。我还是开了个终端，在conda环境里面装的\n",
    "!pip install pandas\n",
    "\n",
    "import pandas as pd\n",
    "\n",
    "# 创建一个简单的数据表\n",
    "data = {'Name': ['Alice', 'Bob', 'Charlie'],\n",
    "        'Age': [25, 30, 35],\n",
    "        'City': ['New York', 'Los Angeles', 'Chicago']}\n",
    "\n",
    "df = pd.DataFrame(data)\n",
    "print(\"数据表如下：\")\n",
    "display(df)\n",
    "\n",
    "# 查看数据的基本信息\n",
    "print(\"\\n数据描述：\")\n",
    "print(df.describe())"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "## 数据可视化 (使用 Matplotlib 和 Seaborn)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import matplotlib.pyplot as plt\n",
    "import seaborn as sns\n",
    "\n",
    "# 生成一些随机数据\n",
    "x = [1, 2, 3, 4, 5]\n",
    "y = [10, 15, 7, 12, 9]\n",
    "\n",
    "# 绘制折线图\n",
    "plt.figure(figsize=(8, 4))\n",
    "plt.plot(x, y, marker='o')\n",
    "plt.title(\"test line\")\n",
    "plt.xlabel(\"X\")\n",
    "plt.ylabel(\"Y\")\n",
    "plt.grid(True)\n",
    "plt.show()\n",
    "\n",
    "# 使用 Seaborn 绘制柱状图\n",
    "sns.barplot(x=x, y=y)\n",
    "plt.title(\"Seaborn\")\n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 简单的机器学习模型 (使用 Scikit-learn)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "from sklearn.datasets import load_iris\n",
    "from sklearn.model_selection import train_test_split\n",
    "from sklearn.tree import DecisionTreeClassifier\n",
    "from sklearn.metrics import accuracy_score\n",
    "\n",
    "# 加载 Iris 数据集\n",
    "iris = load_iris()\n",
    "X, y = iris.data, iris.target\n",
    "\n",
    "# 划分训练集和测试集\n",
    "X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n",
    "\n",
    "# 训练决策树模型\n",
    "model = DecisionTreeClassifier()\n",
    "model.fit(X_train, y_train)\n",
    "\n",
    "# 预测并计算准确率\n",
    "y_pred = model.predict(X_test)\n",
    "accuracy = accuracy_score(y_test, y_pred)\n",
    "print(f\"模型准确率: {accuracy:.2f}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 文件读写操作"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# 写入文件\n",
    "with open('example.txt', 'w') as file:\n",
    "    file.write(\"Hello, Jupyter Notebook!\")\n",
    "\n",
    "# 读取文件\n",
    "with open('example.txt', 'r') as file:\n",
    "    content = file.read()\n",
    "    print(\"文件内容：\")\n",
    "    print(content)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 循环与条件语句"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# 使用循环打印斐波那契数列\n",
    "n = 10  # 数列长度\n",
    "fibonacci = [0, 1]\n",
    "for i in range(2, n):\n",
    "    fibonacci.append(fibonacci[-1] + fibonacci[-2])\n",
    "print(f\"斐波那契数列前 {n} 项: {fibonacci}\")\n",
    "\n",
    "# 条件语句示例\n",
    "num = 7\n",
    "if num % 2 == 0:\n",
    "    print(f\"{num} 是偶数\")\n",
    "else:\n",
    "    print(f\"{num} 是奇数\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 使用 Numpy 进行数组操作"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "!pip install numpy\n",
    "\n",
    "import numpy as np\n",
    "\n",
    "# 创建一个二维数组\n",
    "array = np.array([[1, 2, 3], [4, 5, 6]])\n",
    "print(\"原始数组：\")\n",
    "print(array)\n",
    "\n",
    "# 数组转置\n",
    "transposed_array = array.T\n",
    "print(\"\\n转置后的数组：\")\n",
    "print(transposed_array)\n",
    "\n",
    "# 数组求和\n",
    "total_sum = np.sum(array)\n",
    "print(f\"\\n数组所有元素的和: {total_sum}\")"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.10.16"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}

7. 小结

通过本教程，你已经学会了如何安装、启动和使用 Jupyter Notebook。你可以在代码单元中编写和运行代码，在 Markdown 单元中编写文本，并保存和共享你的 Notebook。Jupyter Notebook 是一个强大的工具，适用于数据分析、机器学习、教育等多种场景。

希望这篇教程对你有所帮助！如果你有任何问题或建议，欢迎在评论区留言。

Happy Coding! 🚀

— by AGI