Qu'est-ce que JupyterLab ?

JupyterLab est un environnement de développement interactif moderne pour le travail avec des notebooks, du code et des données. C'est l'interface utilisateur de nouvelle génération pour le projet Jupyter, offrant tous les éléments familiers du classique Jupyter Notebook (notebook, terminal, éditeur de texte, navigateur de fichiers, sorties riches, etc.) dans une interface utilisateur flexible et puissante.

Cet outil est utilisé aujourd'hui principalement par les data scientist et data analyst. Un outil que vous découvrirez lors de notre formation Data Analyst en 5 mois.

Histoire de Jupiterlab

JupyterLab a été développé comme le successeur de Jupyter Notebook, qui était lui-même issu du projet IPython en 2014. La première version stable de JupyterLab a été publiée en février 2018, après plusieurs années de développement. Il a été conçu pour répondre aux besoins croissants des data scientists et chercheurs en offrant un environnement de travail plus complet et modulaire que le Jupyter Notebook classique.

Comment est utilisé Jupiterlab aujourd'hui ?

JupyterLab offre de nombreuses fonctionnalités avancées qui en font un outil puissant pour l'analyse de données, la visualisation et le développement :

• Interface multi-documents permettant d'ouvrir plusieurs notebooks ou fichiers côte à côte
• Prise en charge de nombreux formats de fichiers (notebooks, markdown, scripts Python, etc.)
• Terminal et console de code intégrés
• Explorateur de fichiers et palette de commandes
• Prévisualisation des fichiers markdown, CSV, images, etc.
• Extensibilité via des plugins tiers
• Collaboration en temps réel (dans les versions récentes)
• Outils de visualisation de données avancés

Ces fonctionnalités en font un outil polyvalent adapté aussi bien aux débutants qu'aux data scientists confirmés travaillant sur des projets complexes.

Pour aller plus loin...

JupyterLab fait partie des outils d'analyse de données et de machine learning en Python. Pour aller plus loin, on peut voir :

• D'autres notebooks comme Google Colab ou Databricks
• Des outils de deep learning comme TensorFlow ou PyTorch
• Des options de visualisation comme Plotly ou Bokeh
• Des systèmes de déploiement de modèles comme MLflow

JupyterLab est une bonne base pour découvrir ces technologies. C'est un bon début pour progresser en data science et en Python.

Prêt à découvrir le monde de la data analyse : découvrez notre formation en 5 mois pour devenir Data Analyst.