Notebooks

No Datalore, você pode criar notebooks Kotlin, Scala e R. Você pode usar magics para instalar pacotes e quando estiver escrevendo código terá complementação de código.

Adicione células SQL nativas para fazer consultas nas suas conexões de banco de dados. Além do realce de sintaxe para SQL, você também tem complementação de código com base em tabelas de banco de dados introspectadas. O resultado da consulta é automaticamente transferido a um DataFrame pandas, e você pode continuar trabalhando no conjunto de dados em Python.

Use células SQL para fazer consultas com facilidade em DataFrames 2D e arquivos CSV de documentos anexados, como você faria com bancos de dados. Basta navegar pelos DataFrames do seu notebook, escolher um e usá-lo como fonte para células SQL. Com esse recurso, você pode mesclar dados de várias fontes em um único DataFrame usando SQL ou dividir consultas complexas em uma sequência de células SQL.

Incorpore suas variáveis em células Markdown com colchetes duplos. As variáveis serão convertidas dinamicamente em seus valores reais em seu texto.

Filtre e classifique dataframes do Pandas e resultados de consultas em SQL diretamente na saída das células. Selecione as colunas a serem mostradas, classifique o conjunto de dados por uma coluna específica, filtre com base em expressões "equals" e "contains", e salte facilmente para o início ou para o final do conjunto de dados. Depois de terminar de filtrar e classificar, use a opção Export to code cell para gerar o trecho de código do Pandas e tornar possível reproduzir a visualização da tabela.

Você não precisa mais baixar arquivos CSV para fazer um conjunto de edições em um DataFrame. Basta editar o conteúdo das células dentro das tabelas interativas e clicar em Export to code para reproduzir o resultado no notebook.

Com apenas um clique, você pode obter estatísticas descritivas essenciais sobre uma DataFrame, dentro de uma aba Statistics separada. Para colunas categóricas, você verá a distribuição dos valores. Para colunas numéricas, o Datalore calculará os valores mínimo e máximo, a mediana, o desvio-padrão, os percentis e também realçará a porcentagem de zeros e outliers.

Adicione controles interativos, tais como menus suspensos, controles deslizantes, campos de texto e células de data dentro dos seus notebooks e use os valores de entrada como variáveis dentro do seu código. Apresente as visualizações em células de gráficos e realce números específicos dentro de células de métrica.

Agora os proprietários de relatórios e notebooks podem permitir que seus colaboradores façam o upload de arquivos em CSV, TXT ou de imagem a partir das suas máquinas locais. Defina os tipos de arquivos e os limites de tamanho para incorporar o upload de arquivos ao seu fluxo de trabalho de forma transparente.

Exporte DataFrames para tabelas existentes em um banco de dados diretamente do seu notebook. Personalize a exportação escolhendo o DataFrame, o banco de dados de destino, o esquema e a tabela. Você também pode aproveitar o recurso de agendamento e automatizar as exportações.

O Datalore tem suporte a IPyWidgets, o framework clássico de widgets do Jupyter. Adicione controles interativos com código em Python, combine vários widgets em uma só saída de célula e use a seleção como uma variável nas partes seguintes do seu notebook.

Abra arquivos em CSV e TSV a partir da aba de dados Attached, em uma aba separada dentro do editor do Datalore. Ordene os valores das colunas e divida o conteúdo do arquivo em páginas.

Crie e edite arquivos em CSV e TSV diretamente de dentro do editor do Datalore. Você pode começar do zero e criar um arquivo novo ou editar o conteúdo de um arquivo já existente.

Abra as janelas do Terminal dentro do editor, execute scripts .py e acesse o agente, o ambiente e o sistema de arquivos usando comandos bash padrão.

Navegue pelas variáveis do notebook e pelos valores de parâmetros incorporados em um só lugar.

Crie pontos de verificação de histórico personalizados que permitem reverter as alterações a qualquer momento usando a ferramenta de histórico. Ao navegar em um ponto de verificação, você verá a diferença entre a versão atual do notebook e aquela que está selecionada.

Use o agendamento para executar seus notebooks por hora, diariamente, semanalmente ou mensalmente e forneça atualizações regulares para relatórios publicados. Escolha os parâmetros de agendamento na interface do usuário ou use a string CRON. Notifique os colaboradores do notebook sobre execuções bem-sucedidas ou com falha por e-mail.

Especifique e gerencie vários agendamentos para um único notebook por meio da interface do usuário. Esse recurso permite que você crie agendamentos personalizados e execute seu notebook por hora, diariamente, semanalmente ou em datas específicas. Com a capacidade de configurar diferentes agendamentos com base nas suas necessidades exclusivas, você pode obter uma alocação de recursos mais eficiente e adaptar os tempos de execução do código às demandas do seu projeto.

Agora, é possível acionar a execução de um notebook Datalore ou republicar um relatório com uma chamada de API. Esse recurso é um acréscimo às execuções programadas, que permitem acionar a reexecução de um notebook sob demanda a partir de aplicativos externos e notebooks internos do Datalore. Também é possível visualizar os resultados da execução no menu Scheduled run. Mais informações sobre como usar a API podem ser encontradas aqui.

Em notebooks do R, agora você pode instalar pacotes de repositórios públicos e privados do R compatíveis com install.packages dentro da aba Environment manager. O uso do Environment manager ajuda a manter a mesma configuração de ambiente em todas as execuções do notebook. É possível configurar um repositório personalizado, criando um arquivo .Rprofile em init.sh ou uma imagem personalizada de um agente.

Embora a instalação do conda continue padrão na versão da nuvem, os clientes Enterprise podem configurar um ambiente-base personalizado sem o conda com o kernel do R. Isso levará a uma ausência de pacotes do conda nos resultados de pesquisas do Environment manager. Você encontra um exemplo desse tipo de instalação aqui.

Localize seções específicas do código ou encontre as informações necessárias em todos os notebooks em todos os seus espaços de trabalho. Além de pesquisar pelos nomes dos notebooks, agora você também pode pesquisar pelos nomes das variáveis e pelo conteúdo. Você verá a sua pesquisa realçada nos resultados.