Jupyter 与 JupyterLab

一、什么是 Jupyter？

Jupyter 是支持交互式计算的开源项目体系。它可以把代码、文字说明、公式、表格和图表放在同一份 Notebook 文档中，适合边运行边观察、边分析边记录。

几个常见名称的区别

名称	是什么	主要作用
Jupyter	交互式计算工具与协议的项目体系	连接文档界面和不同语言的执行内核
Notebook 文档	扩展名为 `.ipynb` 的文件	保存单元格、输出和元数据
Jupyter Notebook	Notebook 编辑应用	创建、编辑和运行 Notebook
JupyterLab	支持多文档的交互式工作界面	同时管理 Notebook、文本、文件和终端
IPython	增强的 Python 交互式环境	提供补全、帮助和魔法命令等
ipykernel	Python 内核实现	为 Notebook 执行 Python 代码

Jupyter 不只支持 Python，具体能运行什么语言取决于已安装的内核。本教程以 JupyterLab 4、Notebook 7 和 Python 内核的常见操作为主，菜单名称和快捷键可能随版本、语言和设置变化。

有什么用？

学习 Python 和基础库，随时检查变量与中间结果。
阅读 CSV，完成数据探索、统计和绘图。
记录实验目标、代码、运行结果和结论。
展示算法步骤，整理可重复运行的分析报告。

例如，在代码单元格中输入并运行：

values = [20, 22, 24]
sum(values) / len(values)

通常会在单元格下方显示 22.0。

二、Notebook、脚本与内核

2.1 Notebook 与普通脚本

内容	`.ipynb`	`.py`
组织方式	多个代码、Markdown 等单元格	普通 Python 源代码
运行方式	可逐个单元格执行	通常从程序入口按代码流程执行
输出保存	可以保存在文档中	通常不会随源文件保存
适合场景	探索、演示、实验记录	可复用模块、工具和项目程序

Notebook 内部主要使用 JSON 组织内容，通常应由支持它的工具编辑，不需要手写 JSON。

2.2 界面、服务与内核

浏览器中的 JupyterLab 界面
          ↕
Jupyter 服务：管理文件、会话与内核连接
          ↕
Python 内核：执行代码、保存运行中的变量

浏览器本身不直接执行这些 Python 代码。运行发生在内核所在的电脑上，可能是本机，也可能是远程服务器。

2.3 保存文件不等于保存内核

Notebook 可以保存代码和已有输出，但不会自动把所有内存变量、打开的文件或后台任务完整保存为可恢复状态。

重新打开 Notebook 后，看到旧图表不代表代码刚刚运行，也不代表当前内核已有对应变量。

三、安装与启动

3.1 使用 Conda 安装

推荐创建独立环境，下面安装 JupyterLab 及本教程的数据分析依赖：

conda create -n arclab-jupyter --override-channels -c conda-forge python=3.11 jupyterlab ipykernel nbconvert numpy pandas matplotlib
conda activate arclab-jupyter

需要使用独立的 Jupyter Notebook 应用时，可在创建环境时同时加入 notebook，或在纯 Conda 管理阶段安装：

conda install -n arclab-jupyter --override-channels -c conda-forge notebook

学习 JupyterLab 不要求再安装 Notebook 应用，两者都能使用 .ipynb 文档。

3.2 使用 pip 安装（另一种选择）

在已经创建并选好的 Python 虚拟环境中执行：

python -m pip install jupyterlab ipykernel nbconvert numpy pandas matplotlib

两条安装路线选择一种即可。不要为了安装界面工具，把多个项目的全部依赖混装到系统 Python 中。

3.3 从项目目录启动

mkdir jupyter-practice
cd jupyter-practice
jupyter lab

通常会启动服务，并在浏览器打开界面。未自动打开时，使用终端打印的访问地址；本机常见形式为 http://localhost:8888/lab，实际端口可能不同。

如果安装了 Notebook 应用，也可以使用 jupyter notebook。本教程后续以 JupyterLab 为主。

3.4 检查与停止服务

jupyter --version
jupyter server list

终端可能显示带访问令牌 token 的地址，不要把完整地址贴进公开文档。结束使用时，先保存文件，再在启动服务的终端按 Ctrl+C，按提示确认停止。

关闭浏览器标签不等于停止服务或内核。

四、认识 JupyterLab 界面

区域	常见用途
文件浏览器	打开、上传、创建和重命名文件
主工作区	使用标签页查看 Notebook、文本、图片等
Launcher 启动页	新建 Notebook、终端或其他文档
菜单栏与命令面板	查找运行、内核、保存与导出等操作
Running 面板	查看并关闭运行中的内核和终端
目录面板	根据 Markdown 标题浏览 Notebook 结构

JupyterLab 的终端运行在服务所在电脑上，不是在浏览器所在电脑上。终端环境与某个 Notebook 的内核环境也不一定相同。

界面布局可以拖动调整，初学时先掌握文件浏览器、Notebook、运行按钮与内核菜单即可。

五、创建与保存第一个 Notebook

在文件浏览器中进入练习目录。
打开 Launcher，选择一个 Python 内核创建 Notebook。
把文件重命名为 first_notebook.ipynb。
在第一个代码单元格输入下面的代码。
按 Shift+Enter 运行。

print("Hello, ArcLab!")

保存与自动保存

使用保存按钮或 Ctrl+S；macOS 常用 Cmd+S。通常也有自动保存，但提交或退出前仍应确认已保存。

检查点等恢复功能不代替 Git 和文件备份。Notebook 的输出可能包含输入数据、路径和错误信息，共享前应一并检查。

六、单元格类型

6.1 Code：代码单元格

执行当前内核对应语言的代码。Python 内核中，例如：

name = "ArcLab"
print(name)

6.2 Markdown：说明单元格

用于标题、段落、列表、代码展示、公式和图片。输入 Markdown 后运行该单元格，会显示排版效果。

# 我的第一次数据分析

## 分析目标

- 读取样例数据。
- 计算平均值。
- 保存结果。

**注意：** 本次使用练习数据。

双击已渲染的 Markdown 单元格，或选中后进入编辑模式，可以再次修改。

6.3 Raw：原始单元格

保存不交给内核执行的原始内容，主要用于特定导出流程。初学阶段通常不需要使用。

注意： Markdown 中的围栏代码块只用于展示，不会执行。真正运行 Python 时，应把代码放进 Code 单元格，不包含外层三个反引号。

七、运行与常用快捷键

7.1 命令模式与编辑模式

编辑模式：光标位于单元格内，可以修改文本。
命令模式：用于选择、移动和管理单元格。
按 Esc 通常进入命令模式，按 Enter 进入编辑模式。

7.2 常用操作

操作	常见默认快捷键
运行并移到下一个单元格	`Shift+Enter`
运行并停留	`Ctrl+Enter`
运行并在下方插入单元格	`Alt+Enter`，macOS 对应 Option
上方插入单元格	命令模式下按 `A`
下方插入单元格	命令模式下按 `B`
改为 Markdown	命令模式下按 `M`
改为代码单元格	命令模式下按 `Y`
删除单元格	命令模式下连续按两次 `D`
撤销删除单元格	命令模式下按 `Z`
补全代码	编辑模式下按 `Tab`

快捷键可能被系统、浏览器或个人配置占用，找不到时使用菜单或命令面板查询。删除单元格前先确认选中内容。

7.3 执行编号

代码单元格左侧的 [1]、[2] 等表示内核的执行次序，不是文档中固定的行号。[*] 通常表示正在执行或等待执行。

八、变量状态与执行顺序

8.1 单元格共享内核状态

先运行单元格 A：

count = 3

再运行单元格 B：

count += 1
print(count)

第一次输出 4，重复运行 B 会继续增加。单元格不是每次从空白环境独立执行。

8.2 删除代码不等于撤销结果

删除或改写 A 中的 count = 3，不会自动删除内核中已有的 count。同样，清除单元格输出也不会清除变量。

容易产生的问题：文档里已经没有某个变量的定义，程序却暂时还能运行；换一台电脑或重启后就报错。

8.3 检查可复现性

完成后使用内核菜单中的“重启内核并运行所有单元格”或类似命令：

保存 → 重启内核 → 从上到下运行全部 → 检查输出 → 再保存

目标是让结果由当前文档和输入重新生成，而不是依赖之前手工运行留下的状态。

九、内核的选择、中断与重启

9.1 查看实际解释器

在 Notebook 的代码单元格中运行：

import sys
print(sys.executable)
print(sys.version)

这个路径比界面显示名称更可靠。启动 JupyterLab 的环境与执行 Notebook 的内核环境可以不同。

9.2 注册 Conda 环境内核

如果希望另一个项目环境出现在内核列表中，在终端执行：

conda create -n arclab-analysis --override-channels -c conda-forge python=3.11 ipykernel numpy pandas matplotlib
conda activate arclab-analysis
python -m ipykernel install --user --name arclab-analysis --display-name "Python (arclab-analysis)"

回到界面选择对应内核，必要时刷新或重新打开内核选择器。同名 kernelspec 注册可能覆盖已有说明，命名时区分项目。

9.3 中断、重启、关闭

操作	作用
Interrupt Kernel	尝试中断当前计算，保留其余内核状态
Restart Kernel	重启执行进程，清除内存中的变量状态
Shut Down Kernel	结束内核进程并释放资源
Clear Outputs	清除文档显示的结果，不清除变量

中断不一定能立即停止所有底层调用或外部子进程。重启后，旧输出可能仍显示，需要重新运行或清除，以免误读。

关闭 Notebook 标签通常不会关闭内核，结束长任务后应在 Running 面板检查。

十、Notebook 中的 Markdown、公式与图片

10.1 标题组织报告

# 传感器数据分析

## 一、分析目标

## 二、输入与环境

## 三、处理过程

## 四、结果与限制

标题可以配合目录面板导航。建议每段代码前说明目的，后面解释关键结果，不要只放代码和截图。

10.2 数学公式

在 Markdown 单元格中输入：

平均值为  $\bar&#123;x&#125;$ 。

 $<br>\bar&#123;x&#125; = \frac&#123;1&#125;&#123;n&#125;\sum<span class="hljs-emphasis">_&#123;i=1&#125;^&#123;n&#125;x_</span>i<br>$

Jupyter 通常支持通过 MathJax 渲染公式。导出后的显示仍与格式和查看工具有关。

10.3 图片

![温度变化曲线](output/temperature.png)

保持图片与 Notebook 的相对位置，共享时一并提供图片文件。也可以将图片作为附件保存到 Markdown 单元格，但会增大 .ipynb 文件，应确认使用方式和导出效果。

十一、输出、表格与图表

11.1 print 与最后一个表达式

values = [20, 22, 24]
print("数据数量：", len(values))
values

print() 明确输出文本；代码单元格最后一个表达式通常使用富显示机制展示结果。多个对象需要分别展示时可以用 display()。

11.2 展示表格

import pandas as pd
from IPython.display import display

df = pd.DataFrame({"sensor": ["A", "B"], "value": [20.0, 24.0]})
display(df)
display(df.describe())

显示结果可能被截断，不能把“界面只显示部分行”当成数据只有这些行。需要核对时查看 shape、筛选或保存结果文件。

11.3 绘图

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot([0, 1, 2], [20, 22, 24], marker="o")
ax.set_xlabel("Time (s)")
ax.set_ylabel("Temperature (deg C)")
ax.set_title("Readings")
fig.tight_layout()
plt.show()

常见 Python Notebook 环境会在单元格下显示图像。示例使用英文标签，避免默认字体缺少中文字形；中文需要配置可用字体。

在循环中反复创建大量图后，应适时 plt.close(fig)，避免积累图形对象。图表只显示在 Notebook 中，并不代表已经另存为图片文件。

十二、文件路径与数据读写

12.1 确认当前目录

from pathlib import Path

print(Path.cwd())

普通本地内核通常从 Notebook 相关目录开始，但远程内核、设置或 %cd 操作可能改变它。遇到文件找不到时先检查实际目录。

Notebook 中通常没有普通脚本意义上的 __file__，不要照搬 Path(__file__) 定位文件。

12.2 使用相对目录

推荐结构：

analysis-project/
├── analysis.ipynb
├── data/
│   └── readings.csv
├── output/
├── environment.yml
└── README.md

from pathlib import Path
import pandas as pd

input_path = Path("data") / "readings.csv"
output_dir = Path("output")
output_dir.mkdir(parents=True, exist_ok=True)

df = pd.read_csv(input_path)
df.to_csv(output_dir / "readings-copy.csv", index=False, encoding="utf-8")

此示例需要预先准备相应 CSV。重复运行会覆盖同名输出，练习时与原始数据分开保存。

十三、IPython 魔法命令与帮助

魔法命令由 IPython 内核提供，不是标准 Python 语法，也不是每种 Jupyter 内核都支持。

13.1 常用行魔法

%pwd
%whos
%time sum(range(100000))
%timeit sum(range(100000))

命令	用途
`%pwd`	查看当前工作目录
`%cd 路径`	改变当前内核工作目录，影响后续相对路径
`%whos`	查看交互环境中变量的概要
`%time`	对一次执行计时
`%timeit`	多次执行，估计小段代码耗时
`%run script.py`	运行脚本，可将其部分结果引入交互命名空间

timeit 会重复执行，不要直接用它计时会发送请求、追加文件或修改数据的操作。

13.2 单元格魔法

%%time 放在代码单元格第一行，测量该单元格执行时间：

%%time
total = sum(range(100000))
print(total)

13.3 帮助与补全

len?

也可以使用普通 Python：

help(len)

编辑时使用 Tab 补全，函数参数提示方式受当前界面和设置影响。不要把 %、%% 和 ? 扩展语法直接放进普通 .py 脚本期待原样运行。

十四、在 Notebook 中安装依赖

14.1 优先在环境配置阶段安装

为便于复现，项目依赖优先在终端和环境文件中管理，再选择对应内核运行。不要把每次启动就升级全部依赖写成 Notebook 的常规步骤。

14.2 临时安装与解释器确认

需要在 IPython 内核临时安装某个包时，可以使用：

%pip install pandas

%pip 面向当前内核环境，比直接 !pip install ... 更明确。安装后可能需要重启内核，尤其是已经导入或包含二进制扩展的包。

如果当前内核属于 Conda 环境，仍需遵循“先 Conda、后 pip”的依赖策略，避免重复安装同一库，并把临时变更同步到环境说明中。

14.3 感叹号命令

IPython 支持 !命令 调用系统 Shell，但程序来源和语法取决于环境。!cd ... 不会持久改变 Python 内核工作目录，持久切换应使用 %cd 或 Python 接口。

Notebook 内核、Shell 子进程和 JupyterLab 终端不是同一个会话，不能只看终端中的激活名称推断所有地方都使用同一 Python。

十五、错误排查、长任务与资源管理

15.1 阅读错误信息

values = [20, 22, 24]
try:
    print(values[10])
except IndexError as exc:
    print("索引错误：", exc)

实际排错应阅读回溯，确认出错单元格、行号、变量类型与输入。捕获异常应针对明确情况，不要用空的 except 隐藏所有错误。

15.2 长任务

一个内核通常按请求顺序执行代码；前面的长计算未结束，后面的单元格可能一直等待。

先用小数据验证，再扩大规模。避免无限循环、一次打印几百万行或显示超大表格，使浏览器和文件都难以使用。

15.3 内存与输出

删除变量、清除输出和关闭文档是不同操作。删除部分引用不一定立刻释放所有内存；结束不再使用的内核通常是更彻底的资源回收方式。

保存了大量图像或日志的 Notebook 可能很大。提交前按任务需要清理无关输出，保留必要结果和独立导出文件。

十六、导出 Notebook 与重新执行

以下命令在已经安装 nbconvert 的终端环境执行。

16.1 HTML：便于阅读

jupyter nbconvert --to html analysis.ipynb

通常生成 analysis.html。默认转换主要使用已有输出，不自动保证代码重新执行。HTML 适合分享阅读结果，不等于获得可运行的 Notebook 界面。

16.2 Markdown 与脚本

jupyter nbconvert --to markdown analysis.ipynb
jupyter nbconvert --to script analysis.ipynb

Markdown 导出可能伴随图片资源目录，分享时一并保留。脚本导出不会自动把 Notebook 整理成良好的 Python 模块，魔法命令和执行顺序仍需检查。

16.3 执行后另存

jupyter nbconvert --to notebook --execute analysis.ipynb --output analysis-executed.ipynb --ExecutePreprocessor.timeout=120

这会尝试从新内核执行 Notebook，另存带输出的结果。超时值针对单元格执行等待，不应简单当成整个项目的总运行时间。

执行工具需要能找到 Notebook 指定的内核，输入文件和依赖也必须可用。不要使用允许忽略全部错误的选项来掩盖复现问题。

16.4 PDF

PDF 导出可能需要额外的 TeX、Pandoc 或浏览器相关依赖，具体取决于选择的导出器。初学时先验证 HTML，再按需要配置 PDF，不必为了写第一份 Notebook 安装全部工具链。

十七、分享、版本管理与可复现性

17.1 一份可交接 Notebook 应包含什么？

输入数据与来源，或者能够得到同一输入的说明。
运行环境、依赖和内核选择方法。
目标、处理步骤、关键参数和结论。
清晰的文件路径、输出位置和已知限制。

不要只交一张结果截图，也不要假设 .ipynb 自动包含全部外部 CSV 和图片。

17.2 提交前检查

保存原始输入 → 重启内核并全部运行 → 检查结果
→ 删除无关内容 → 保存 Notebook → 提交代码和环境说明

随机操作应记录种子，涉及库行为时记录版本；涉及模型、设备和外部服务时还需记录对应条件。

17.3 与 Git 配合

Notebook 可以由 Git 管理，但输出与元数据会增加差异噪声。团队应约定哪些结果保留、哪些清除；协作审查可进一步使用 nbdime 等专用工具。

适合复用的函数逐步移入 .py 模块，让 Notebook 负责组织分析与展示。修改模块后，已运行的内核不一定自动重新导入，应明确重新加载或重启。

17.4 可信状态与代码执行

Notebook 的可信状态主要影响已保存富输出等内容的处理，不是代码安全沙箱。来源不明的 Notebook 不要直接“运行全部”，先检查代码、系统命令与文件操作。

共享前检查输出中是否含令牌、访问地址、个人路径或不适合公开的数据。

十八、远程使用（选学）

如果团队提供 JupyterHub，按管理员给出的入口与环境说明使用。需要通过 SSH 访问自己的服务器时，可以使用本地端口转发。

在远程服务器上激活正确环境，进入项目目录后启动：

jupyter lab --no-browser --ip=127.0.0.1 --port=8888

在本地电脑的另一个终端执行：

ssh -N -L 8889:127.0.0.1:8888 student@server.example.com

将用户名和地址替换为实际值，在本地浏览器打开 http://127.0.0.1:8889/lab，按服务提示使用令牌或配置好的认证方式。

本地 8889 转发到远程 8888，所用内核和文件都位于远程电脑。端口被占用时选择其他端口并对应调整，不需要为了入门关闭认证或直接公开监听所有网络接口。

十九、一个综合示例

下面创建 sensor_analysis.ipynb，按顺序添加单元格，分析一份小型传感器样例数据，并保存清洗结果与图表。无需下载数据。

19.1 Markdown 单元格：目标

# 传感器数据分析

## 分析目标

- 检查样例数据中的缺失值。
- 按传感器计算平均值。
- 保存清洗后的 CSV 和统计图。

本例采用人工构造的数据，只用于学习 Notebook 操作。

19.2 代码单元格：环境与依赖

import sys
from pathlib import Path

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from IPython.display import display

print("Python：", sys.executable)
print("NumPy：", np.__version__)
print("pandas：", pd.__version__)
print("工作目录：", Path.cwd())

output_dir = Path("output")
output_dir.mkdir(parents=True, exist_ok=True)

19.3 代码单元格：输入与检查

df = pd.DataFrame({
    "sensor": ["A", "A", "A", "B", "B", "B"],
    "time_s": [0, 1, 2, 0, 1, 2],
    "value": [20.0, 22.0, np.nan, 24.0, 26.0, 28.0],
})

display(df)
display(df.isna().sum())

应看到 value 列有 1 条缺失记录。

19.4 Markdown 单元格：处理规则

## 处理规则

本例移除 value 缺失的记录，并报告移除数量。
真实实验应先确认缺失原因，不能默认所有缺失都适合删除。

19.5 代码单元格：清洗与统计

clean = df.dropna(subset=["value"]).copy()
removed_count = len(df) - len(clean)
summary = clean.groupby("sensor", as_index=False).agg(
    count=("value", "count"),
    mean=("value", "mean"),
    minimum=("value", "min"),
    maximum=("value", "max"),
)

print("移除记录数：", removed_count)
display(summary)

assert removed_count == 1
assert np.isclose(summary.loc[summary["sensor"] == "A", "mean"].iloc[0], 21.0)
assert np.isclose(summary.loc[summary["sensor"] == "B", "mean"].iloc[0], 26.0)

19.6 代码单元格：绘图并保存

fig, ax = plt.subplots()
for sensor, group in clean.groupby("sensor"):
    ax.plot(group["time_s"], group["value"], marker="o", label=sensor)

ax.set_xlabel("Time (s)")
ax.set_ylabel("Value (a.u.)")
ax.set_title("Sensor readings")
ax.legend(title="Sensor")
ax.grid(True, alpha=0.3)
fig.tight_layout()
fig.savefig(output_dir / "sensor-readings.png", dpi=150)
plt.show()
plt.close(fig)

clean.to_csv(output_dir / "clean.csv", index=False, encoding="utf-8")
summary.to_csv(output_dir / "summary.csv", index=False, encoding="utf-8")

a.u. 表示这里使用任意单位，真实数据应写明实际单位。重复运行会覆盖同名输出。

19.7 Markdown 单元格：结论

## 结果与限制

- 移除 1 条缺失记录，剩余 5 条。
- A 有 2 条有效记录，平均值为 21.0。
- B 有 3 条有效记录，平均值为 26.0。
- 样本数量很小，不能据此推断设备长期性能。
- 结果保存到 output 目录。

19.8 重新运行与导出

保存文件，重启内核并从上到下运行，确认断言通过，再保存。

在对应目录的终端执行：

jupyter nbconvert --to html sensor_analysis.ipynb

交接时提供 .ipynb、环境说明、必要输入与输出。HTML 作为阅读版本，不代替可运行文件。

二十、常见问题排查

问题	可能原因	解决方法
找不到 `jupyter`	工具未装到当前环境，或环境未激活	检查安装环境和终端路径
浏览器未自动打开	自动启动浏览器失败或无 GUI	使用终端打印的实际地址
内核列表没有项目环境	未注册或缺少 ipykernel	在目标环境安装并注册，重新检查列表
终端能导入，Notebook 不能	两者解释器不同	在 Notebook 中打印 `sys.executable`
`NameError`	定义单元格未执行或内核已重启	按文档顺序从上到下运行
重复运行后结果变化	原地修改变量、追加操作或随机状态	重启验证，减少隐含状态并记录随机种子
删除代码后变量仍存在	内核保留旧状态	重启内核并全部运行
`[*]` 长时间不结束	长任务、无限循环或排队等待	先尝试中断，必要时重启并缩小输入
清除输出后内存仍高	变量和运行进程还在	检查对象与任务，结束不用的内核
图片或 CSV 找不到	当前工作目录或相对路径不同	用 `Path.cwd()` 检查并统一目录结构
关闭标签后仍占用资源	内核或终端未停止	在 Running 面板关闭不再使用的会话
导出结果不更新	导出使用了保存的旧输出	重启运行、保存后导出，或使用执行导出
`.py` 中 `%time` 报语法错误	使用了 IPython 扩展语法	改为普通 Python 或在 IPython 中运行
Notebook 太大或浏览器卡顿	大表格、大量图像或日志输出	限制显示量，另存结果并清理无关输出

二十一、练习

21.1 基础操作

说明 JupyterLab、Notebook 文档和 Python 内核的关系。
创建 first_notebook.ipynb，分别添加 Markdown 和代码单元格。
使用标题、列表、公式和一段代码输出。
练习运行、插入、切换类型与撤销删除单元格。
查看实际解释器路径和当前工作目录。

21.2 状态与环境

按第八节先定义 count，再重复运行增加操作，解释结果。
删除定义单元格，观察变量是否仍存在。
重启内核后只运行增加操作，观察并解释报错。
恢复合理顺序，重启并运行所有单元格。
创建或选择一个独立环境内核，检查它与启动服务的环境是否相同。

21.3 综合分析与交接

完成传感器综合示例，核对缺失数量、有效记录数与均值。
增加一组 C 传感器数据，让统计与图表自动更新。
为新增数据补充合理断言，修改结论与限制说明。
保存结果 CSV、图像和 HTML 阅读版。
写清环境与运行方法，让同伴从新内核运行成功。
使用完成后保存文件，检查并关闭不需要的内核。

二十二、常用操作速查表

需求	操作或命令
启动 JupyterLab	终端执行 `jupyter lab`
启动 Notebook 应用	安装后执行 `jupyter notebook`
查看服务	`jupyter server list`，注意输出可能含 token
查看内核注册	`jupyter kernelspec list`
注册 Python 内核	`python -m ipykernel install --user --name 名称 --display-name "显示名"`
查看当前解释器	`sys.executable`，先 `import sys`
查看工作目录	`Path.cwd()` 或 IPython 中 `%pwd`
运行并下一格	`Shift+Enter`
切换到 Markdown	命令模式 `M`
切换到代码	命令模式 `Y`
展示多个对象	`display(a)`、`display(b)`
当前内核 pip 安装	IPython 中 `%pip install 包名`
单行计时	IPython 中 `%time 表达式`
重复计时	IPython 中 `%timeit 表达式`
整格计时	IPython 中首行 `%%time`
清除变量状态	重启内核
清除文档输出	使用 Clear Outputs 类命令，不清除变量
静态 HTML 导出	`jupyter nbconvert --to html 文件.ipynb`
Markdown 导出	`jupyter nbconvert --to markdown 文件.ipynb`
脚本导出	`jupyter nbconvert --to script 文件.ipynb`
执行后另存	`jupyter nbconvert --to notebook --execute 输入.ipynb --output 输出.ipynb`

二十三、相关学习资料

JupyterLab 官方安装指南：安装方式与版本说明，英文。
JupyterLab 界面说明、Notebook 操作：了解界面、单元格与执行。
运行中的内核与终端：理解关闭文档与关闭进程的区别。
Jupyter Notebook 官方说明：Notebook 应用与文档格式。
IPython 内核安装：跨环境注册和选择内核。
IPython 魔法命令：%pip、%timeit、%run 等功能。
nbconvert 使用指南：HTML、Markdown、脚本与其他格式导出。
Jupyter Server 访问认证说明：令牌、认证与服务访问。

入门时先完成一份能够从空白内核顺序运行的 Notebook，再按实际需要学习扩展、交互组件和调试功能。