Notebooks

Dans Datalore, vous pouvez créer des notebooks Kotlin, Scala et R. Vous pouvez utiliser les commandes magiques pour installer des paquets et bénéficier de la saisie semi-automatique lorsque vous écrivez du code.

Les cellules SQL natives vous permettent d'interroger les connexions de votre base de données. En plus de la mise en évidence de la syntaxe SQL, vous bénéficiez également de la saisie semi-automatique de code basée sur les tables de la base de données introspectée. Le résultat de la requête est automatiquement transféré dans un DataFrame pandas et vous pouvez poursuivre votre travail sur le jeu de données en Python.

Utilisez des cellules SQL pour créer facilement des requêtes sur les dataframes 2D et les fichiers CSV à partir des documents attachés, comme cela serait le cas avec les bases de données. Parcourez simplement les dataframes de votre notebook, choisissez-en un et utilisez-le comme source pour les cellules SQL. Avec cette fonctionnalité, vous pouvez fusionner les données provenant de différentes sources dans un seul dataframe en utilisant du code SQL ou simplifier des requêtes complexes en les répartissant dans une séquence de cellules SQL.

Intégrez vos variables dans des cellules Markdown avec des accolades doubles. Les variables seront converties de façon dynamique en leurs valeurs réelles dans votre texte.

Filtrez et triez les Pandas DataFrames et les résultats des requêtes SQL directement dans la sortie des cellules. Sélectionnez les colonnes à afficher, triez les ensembles de données en fonction d'une colonne spécifique, filtrez les données en fonction d'expressions « equals » et « contains », et passez facilement au début ou à la fin de l'ensemble de données. Une fois les données triées et filtrées, utilisez l'option Export to code cell pour générer l'extrait de code Pandas et permettre de reproduire la vue de la table.

Vous n'avez plus à télécharger des fichiers CSV pour réaliser plusieurs modifications dans un DataFrame. Il suffit de modifier le contenu des cellules dans des tables interactives et de cliquer sur Export to code pour reproduire le résultat dans un notebook.

En un simple clic, vous pouvez obtenir des statistiques descriptives pour un DataFrame dans un onglet Statistics distinct. Les colonnes de catégories affichent la distribution des valeurs, tandis que dans les colonnes numériques, Datalore calcule les valeurs minimales, maximales, médianes, la déviation standard, les percentiles et surligne également le pourcentage de valeurs nulles et les exceptions.

Ajoutez des entrées interactives, telles que des listes déroulantes, des curseurs, des entrées de texte et des cellules de dates dans vos notebooks et utilisez les valeurs d'entrée comme variables dans votre code. Présentez les visualisations avec des cellules de graphique et mettez en évidence des chiffres spécifiques dans les cellules numériques.

Les responsables des rapports et des notebooks permet désormais aux collaborateurs de charger des fichiers CSV, TXT ou d'image depuis leurs machines locales. Définissez des types de fichiers et des limites de taille pour incorporer le chargement des fichiers dans votre workflow.

Vous pouvez exporter des dataframes vers les tables existantes d'une base de données directement depuis votre notebook. Pour personnaliser l'exportation, sélectionnez le dataframe, la base de données cible, le schéma et la table. La fonctionnalité de planification vous permet également d'automatiser les exportations.

Datalore prend en charge IPyWidgets, le framework classique pour les widgets Jupyter. Ajoutez des contrôles interactifs avec votre code Python, combinez plusieurs widgets dans une sortie de cellule et utilisez la sélection en tant que variable dans les parties suivantes de votre notebook.

Ouvrez les fichiers CSV et TSV depuis l'onglet de données Attached dans un autre onglet de l'éditeur de Datalore. Triez les valeurs des colonnes et paginez le contenu du fichier.

Créez et modifiez les fichiers CSV et TSV directement dans l'éditeur de Datalore. Vous pouvez créer un tout nouveau fichier ou modifier le contenu d'un fichier existant.

Ouvrez des fenêtres de terminal dans l'éditeur, exécutez des scripts .py et accédez à l'agent, à l'environnement et au système de fichiers à l'aide de commandes bash standard.

Parcourez les variables des notebooks et les valeurs des paramètres intégrés depuis le même emplacement.

Créez des points de contrôle d'historique personnalisés pour revenir sur les modifications à tout moment à l'aide de l'outil d'historique. Lorsque vous parcourez un point de contrôle, la différence entre la version actuelle du notebook et celle qui est sélectionnée s'affiche.

Utilisez la planification pour exécuter vos notebooks selon un calendrier : toutes les heures, tous les jours, toutes les semaines ou tous les mois. Ainsi, les rapports publiés seront mis à jour régulièrement. Choisissez les paramètres de planification à partir de l'interface utilisateur ou utilisez la chaîne CRON. Notifiez les collaborateurs du notebook par e-mail en cas de réussite ou d'échec.

Spécifiez et gérez plusieurs planifications portant sur le même notebook depuis l'interface utilisateur. Cette fonctionnalité permet de créer des planifications personnalisées et d'exécuter le notebook toutes les heures, chaque jour ou semaine, ou encore à des dates spécifiques. Vous pouvez désormais planifier vos tâches en fonction de vos besoins, ce qui permet d'allouer les ressources plus efficacement et de choisir quand exécuter le code en fonction des contraintes de votre projet.

Vous pouvez à présent déclencher l'exécution d'un notebook Datalore ou republier un rapport à l'aide d'un appel API. Cette fonctionnalité est un complément des exécutions planifiées pour vous permettre de déclencher la réexécution d'un notebook à la demande à partir d'applications externes et de notebooks Datalore internes. Vous pouvez également visualiser les résultats de l'exécution à partir du menu Scheduled run. Cliquez ici pour en savoir plus sur l'utilisation de l'API.

Pour les notebooks R, vous pouvez désormais installer des paquets depuis des dépôts de paquets R, publics et privés, pris en charge par install.packages dans l'onglet Environment manager. L'utilisation d'Environment manager permet de conserver une configuration d'environnement persistante tout au long de l'exécution du notebook. Il est possible de configurer un dépôt personnalisé en créant un fichier .Rprofile dans init.sh ou une image d'agent personnalisé.

Si l'installation conda reste l'installation par défaut dans la version cloud, les clients Enterprise peuvent configurer un environnement de base personnalisé autre que conda avec le noyau R. Cela débouche sur l'absence de paquets conda dans les résultats de recherche de l'Environment manager. Vous trouverez un exemple d'une installation de ce type ici.

Recherchez des sections spécifiques du code ou les informations nécessaires dans tous les notebooks de l'ensemble de vos espaces de travail. En complément de la recherche sur le nom des notebooks, il est désormais possible de rechercher des noms de variables et du contenu. Votre requête est sélectionnée dans les résultats de la recherche.