Jupyter#
¿Qué es Jupyter?#
El reporte y documentación del desarrollo de un proyecto teórico computacional no cuenta con una tradición como en el caso del trabajo experimental de investigación. En este último caso llevamos generaciones desarrollando y puliendo la dinámica de trabajo en un laboratorio. Sabemos hacer cuadernos de bitácora para reportar el trabajo del día a día, redactamos y ponemos a disposición de todo usuario protocolos de uso de equipos experimentales, somos conscientes de que deben existir mecanismos de comunicación entre los investigadores, mecanismos de entrenamiento, registros y guías para el nuevo personal del laboratorio. Así, en todo laboratorio experimental, existe una documentación ordenada que entre otras cosas da cuenta de los experimentos realizados y resultados obtenidos para un proyecto. Por contra, en el caso de un laboratorio computacional no contamos con tantas décadas de tradición en la profesión como para disponer de una óptima cultura de trabajo. Recien la estamos inventando sobre la marcha.
No hace muchos años era habitual que un investigador acumulara de manera desordenada en su disco duro cientos de programas, scripts de análisis, ficheros de datos, figuras, documentos de texto intentando reportar resultados, etc. La facilidad con la que se generan nuevos datos y resultados que reportar, y el volumen que estos ocupan, es mayor que en un laboratorio experimental común. De la misma manera, el desorden se incrementa rápidamente y la dificultad para mantener un cuaderno de bitácora «de papel» ordenado es alta.
En el día a día del investigador que necesitaba programar a cualquier nivel, el desarrollo de lenguages interpretados permitieron con alivio el abandono de Fortran o C para las tareas menos demandantes. El uso de Python (o R o Perl) fueron ganando adeptos por la sencillez del código en su escritura y lectura, y por que, dícho sea de paso con honestidad, el programa y el código eran el mismo fichero (era habitual compilar un programa, usarlo, y despistar el código). Por lo mismo, compartir con colegas código bien documentado se hizo más sencillo, incrementando la cantidad de investigadores «no expertos en programación» con la posibilidad de hacer y mantener código modular en colaboración. Esta facilidad todavía generaba más necesidad de mantener un orden en el relato de la elaboración de scripts de análisis, uso de programas, y tratamiento de datos. Sin embargo, este problema aparecía ya bien resuelto en el uso de software comercial específico como Mathematica de Wolfram, que permitía combinar operaciones matemáticas con la visualización de su resultado en forma aritmética o de gráficas, de manera ordenada y secuencial; y guardar su registro en un fichero visualizable y operable en forma de libreta (notebook).
IPython#
El primera evolución con impacto en la manera de trabajar en ciencia (de manera popular, «de uso libre») llegó en 2001 con el desarrollo de IPython -Interactive Computing with Python-, impulsado por el físico colombiano Dr. Fernando Pérez). IPython era una versión de interpretador de Python un poco más sofisticado que el que usabamos todos: era de verdad interactivo. Era posible con IPython abrir una consola y programar al vuelo, sin necesidad de documento de texto, un algoritmo sencillo de análisis. Poco a poco fue tomando forma el concepto de libreto o libro de notas visualizable y editable por IPython. Editores como Vim o Emacs, acoplaban en su maquinaria IPython para poder visualizar su libro de notas: un registro secuencial de código, resultado de código, gráficas y comentarios. Quizá no era la primera vez que se llegaba a este formato de trabajo, ya se mencionó más arriba el caso de Mathemática, pero al ser de uso libre fue la primera vez que se popularizó democratizando su uso. Actualmente este proyecto sigue vigente como herramienta independiente, y como nucleo de lo que vino más tarde: Jupyter. Merece la pena leer un comentario retrospectivo del mismo Dr. Fernando Pérez publicado en su blog en 2012 a propósito del desarrollo de IPython.
Jupyter Notebook#
La segunda evolución fue el salto de IPython a Jupyter Notebook, también ideado por el Dr. Fernando Pérez. Quizá la necesidad de que ese libreto de IPython que combinaba código, resultados y texto, fuera más exportable, compartible y social, hizo que el notebook mutara a un formato interpretable por cualquier navegador de páginas web. El formato notebook se introdujo en 2011 y en 2015 adoptó su forma «servible como web»: Jupyter. Hoy puedes ver numerosos ejemplos de jupyter notebooks para entender el concepto que en palabras podría explicarse como el verdadero libro digital interactivo para el científico (mira por ejemplo proyectos como Probabilistic Programming and Bayesian Methods for Hackers o Mining the Social Web.)
Además, el jupyter notebook no sólo se puede visualizar en su forma original (una secuencia de celdas de código o texto) sino que permite ser transformado rápidamente a una presentación interactiva en slides -gracias al proyecto RISE iniciado por el argentino Damian Ávila- o como documento pdf, Latex, etc.
JupyterLab#
La tercera evolución, ya de la mano del consejo de Jupyter y de un elevado número de usuarios que han tenido la posibilidad de participar en el desarrollo del jupyter notebook como proyecto de software libre y colaborativo, dio respuesta a la integración del numeroso universo de iniciativas periféricas que estaban centradas en el uso del jupyter notebook: el Jupyter Lab. En febrero de 2018 se libera la primera versión estable de Jupyter Lab, un servidor web que envuelve el navegador y editor de Jupyter Notebooks permitiendo la inclusión de widgets y extensiones como para erigirse como un laboratorio computacional en formato web que integra la programación, la edición y visualización de un gran número de formatos de ficheros, el reporte en jupyter notebooks, el uso de terminales bash para interaccionar con la computadora o la implementación de nuevas extensiones como la integración con GitHub o la integración con Google Drive. Un laboratorio que puedes probar de manera remota antes de instalar en jupyter.org/try.
En definitiva, Jupyter Lab es ahora mismo el mejor formato de uso libre que nos permite ordenar el desarrollo de la parte computacional de un proyecto científico en un reporte interactivo. Nos ofrece además un soporte interactivo como para generar documentación y material de formación que ofrecer facilmente. Y además se ha convertido en uno de los proyectos de desarrollo libre más exitoso y bonito, demostrando que el trabajo transparente y cooperativo permite aunar el esfuerzo de muchos empujando iniciativas eficiente y rápidamente.
¿Cómo se instala?#
En Linux#
Como buen proyecto cooperativo, Jupyter está bien documentado. Si tienes nociones de python y conda te resultará facil instalar Jupyter Lab y Jupyter Notebook haciendo uso del comando:
conda install -c conda-forge jupyterlab
Si usas otro gestor de entornos puedes encontrar ayuda sobre el proceso de instalación en la documentación oficial disponible:
En Windows#
Para instalar JupyterLab en Windows puedes seguir estos pasos:
Abre la línea de comandos de Windows presionando las teclas Windows + R.
Escribe «cmd» y presiona Enter. Asegúrate de tener instalado Python en tu sistema y usa el administrador de paquetes de Python llamado «pip» para instalar JupyterLab. Escribe el siguiente comando en la línea de comandos y presiona Enter:
pip install jupyterlab
Espera a que la instalación termine. Una vez que haya terminado, escribe el siguiente comando para iniciar JupyterLab: 
jupyter lab
Tu navegador predeterminado se abrirá en la dirección «http://localhost:8888/lab». Si no se abre automáticamente, puedes escribir esta dirección en el navegador de tu elección.
Recuerda que JupyterLab se ejecuta en un servidor local en tu computadora, por lo que debes tener suficiente espacio en el disco duro y suficiente RAM disponible para ejecutarlo sin contratiempos.
¿Cómo se usa?#
En Linux#
Tanto Jupyter Notebook como Jupyter Lab se operan a través de tu navegador habitual de páginas web.
Abre una terminal y ejecuta:
jupyter lab
o
jupyter notebook
Con cualquiera de los dos comandos se activará un servidor cuyos mensajes dando cuenta de su operatividad se harán dueños de la terminal, y una nueva ventana o pestaña de tu navegador se abrirá mostrando la interfaz operativa de jupyter en formato clásico de notebook o el nuevo lab.
El uso de ambos formatos es intuitivo en un primer momento. Para conocer un poco más de sus funcionalidades te invitamos a visitar las webs de documentación listadas al final de este documento o al mismo notebook interactivo introductorio de ipython y jupyter.
En Windows#
Para crear y ejecutar notebooks de Jupyter, sigue estos pasos:
Abre la línea de comandos de Windows presionando las teclas Windows + R.
Ahora escribe «cmd» y presiona Enter.
Navega hasta el directorio donde quieres guardar el notebook. Puedes hacer esto usando el comando «cd» en la línea de comandos. Por ejemplo, si quieres guardar el notebook en la carpeta Documentos, escribe:
cd Documents
Una vez que te encuentres ubicado en la carpeta de interés, escribe el siguiente comando para crear un nuevo notebook de Jupyter:
jupyter lab
Se abrirá una ventana en tu navegador web predeterminado con la interfaz de Jupyter. En la esquina superior derecha, haz clic en «New» y selecciona «Python 3» (o cualquier otro kernel que desees usar) para crear un nuevo notebook de Python.
En el nuevo notebook, puedes escribir y ejecutar código Python. Puedes crear nuevas celdas para escribir más código, puedes ejecutarlas utilizando la combinación de letras Shift + Enter.
Una vez que hayas terminado de trabajar en el notebook guarda tu trabajo haciendo clic en «File» y luego en «Save» (o presionando Ctrl + S).
Dudas, problemas técnicos y soluciones.#
Para compartir con nosotros y con el resto de participantes las dudas, problemas, sugerencias o soluciones, que pudieras tener sobre el uso de Jupyter y esta sección, te proponemos usar la siguiente discusión en este repositorio:
Más recursos útiles#
Esta web era sólo una guia introductoria. No es funcional documentarse o estudiar mucho sin antes probar a instalar y usar la herramienta. Aprenderás de manera más solida si con el uso te van surgiendo necesidades a las que vas dando solución poco a poco. Puedes encontrar -o contribuir añadiendo- más información útil en los siguientes listados.
Documentación#
Compartimos en esta sección la documentación oficial de la herramienta:
Tutoriales, Webinars y cursos gratuitos#
Aquí encontrarás una lista de tutoriales, videos o cursos gratuitos que puedes visitar para aprender más sobre GitHub.