How to download a Jupyter Notebook from GitHub?
This is a fairly basic question. I am working on a data science project inside of a Pandas tutorial. I can access my Jupyter notebooks through my Anaconda installation. The only problem is that the tutorial notebooks (exercise files) are on GitHub. My question: how do I download the exercise files from GitHub and then have them display in the Jupyter notebook section on my computer so that I can use them interactively? I am very new to Jupyter Notebooks. So far, I have been using PyCharm to execute all of my code.
asked Jul 16, 2018 at 19:59
1,625 8 8 gold badges 23 23 silver badges 39 39 bronze badges
4 Answers 4
$\begingroup$
If the tutorial is a GitHub repo, sure. Clone the repository. Run jupyter-notebook and open the notebook there.
answered Jul 16, 2018 at 20:17
76 2 2 bronze badges
$\begingroup$
- Open the jupyter notebook you want to run.
- Click on: Raw
- Save Ctrl + S
- Remove: .txt
- Now navigate to the directory where notebook is downloaded in jupyter notebook and open it.
1,625 8 8 gold badges 23 23 silver badges 39 39 bronze badges
answered Jul 18, 2018 at 9:44
295 1 1 silver badge 6 6 bronze badges
How to download ipynb file from github?
- First click on Raw.
- Then, press ctrl+s to save it as .ipynb (Note that you’ll have to manually type ‘.ipynb’ after the file name to make this work, as files from GitHub are saved as text files as default.)
- Open jupyter notebook.
- Go to location where you saved .ipynb file. C:\Users\wojciech.moszczynski\.ipynb_checkpoints
- Open file, you will see the code.
category search
phrase search
Recent Posts
- Measuring the efficiency of banking transaction systems using Queueing Theory May 14, 2020
- Queueing Theory: Bomber landing analysis May 13, 2020
- Stacking in Trident 1.1 [Stroke_Prediction.csv] May 9, 2020
- Multioutput Stacking Regressor May 3, 2020
- Pytorch regression 3.7 [BikeSharing.csv] May 3, 2020
- Pytorch regression 3.1 [BikeSharing.csv] May 2, 2020
- Pytorch regression 2.3 [BikeSharing.csv] May 2, 2020
- Pytorch regression 2.3 [AirQualityUCI.csv] May 2, 2020
- Pytorch regression _2.1_ [WorldHappinessReport.csv] April 30, 2020
- Pytorch regression _1.1_[WorldHappinessReport] April 29, 2020
- Review of models based on gradient falling: XGBoost, LightGBM, CatBoost April 24, 2020
- Kilka prostych przykładów z programowanie objektowe w Python April 24, 2020
- Perfect Plots Bubble Plot April 24, 2020
- Perfect Plots_ Matrix of corelation April 24, 2020
- Perfect plot Joyplot April 24, 2020
- Interpretation of SHAP charts for the Titanic case (Feature Selection Techniques) April 9, 2020
- Homemade loop to search for the best functions for the regression model (Feature Selection Techniques) April 9, 2020
- How to calculate the probability of survival of the Titanic catastrophe_080420201050 April 9, 2020
- (B29) CatBoostClassifier #2 April 8, 2020
- CatBoost Step 1. CatBoostClassifier (cat_features) April 3, 2020
- Feature Selection Techniques [categorical result] – Step Forward Selection April 1, 2020
- Feature Selection Techniques – Recursive Feature Elimination and cross-validated selection (RFECV) March 30, 2020
- Feature Selection Techniques – Embedded Method (Lasso) March 30, 2020
- Feature Selection Techniques – Recursive Feature Elimination (RFE) March 30, 2020
- Feature Selection Techniques – Backward Elimination March 30, 2020
- Feature Selection Techniques [numerical result] – Step Forward Selection March 30, 2020
- Feature Selection Techniques – Variance Inflation Factor (VIF) March 29, 2020
- Feature Selection Techniques – Pearson correlation March 29, 2020
- Feature Selection Techniques (by filter methods): numerical_ input, categorical output March 28, 2020
- Perfect Plot: Classification charts March 28, 2020
Как запустить Jupyter Notebook с GitHub
Jupyter Notebooks становятся стандартом де факто для программирования в области ИИ, машинного обучения и Data Science. Они также очень эффективны в обучении, используя принцип литературного программирования для сочетания в одном документе программного кода и его описания. В этой статье я опишу несколько способов запуска Jupyter Notebooks, как локально на вашем компьютере, так и в облаке.
Ранее, в статье про Azure Notebooks, я описывал как можно удобно запускать код онлайн и делиться кодом с помощью этого инструмента. К сожалению, этот сервис превратился в более профессиональное решение, но необходимость запускать Jupyter Notebooks осталась. Рассмотрим, как же можно запустить Jupyter Notebook.
Просто посмотреть
Если вы просто хотите посмотреть на код в ноутбуке, не запуская его — это очень просто! Если код расположен в репозитории GitHub — просто откройте файл .ipynb , и его содержимое будет показано прямо в браузере.
Можно также использовать nbviewer для просмотра ноутбуков. Для этого нужно будет ввести онлайн имя/репозиторий на GitHub, либо любую URL, доступную через интернет. Вот пример того, как выглядит репозиторий GitHub при открытии в nbviewer.
Ещё одной хорошей опцией будет использовать Visual Studio Code, в которой возможность просмотра ноутбуков встроена “из коробки”. Если Visual Studio Code не установлена — можно использовать онлайн-версию vscode.dev, или github.dev.
GitHub.dev — это отличный способ открыть любой репозиторий в режиме Visual Studio Code для простого редактирования файлов. Для этого достаточно в адресе репозитория заменить github.com на github.dev . Заодно становится доступным просмотр ноутбуков.
Запуск локально или в облаке
В большинстве случае вам захочется не только посмотреть, но и запустить Jupyter notebooks, изменить код и посмотреть, как он работает. В этом случае — читайте дальше!
- Установить всё необходимое окружение у себя на компьютере
- Использовать облачные сервисы
В первом случае у вас есть полный контроль над окружением, файлами и вычислительными ресурсами, но придётся потратить некоторое время на установку. Во втором случае, вы будете использовать чьи-то вычислительные ресурсы, и скорее всего количество бесплатных ресурсов, доступных вам, будет ограничено. Зато не потребуется установка ПО, и вы сможете начать работать за считанные минуты.
Локальная установка
Если вы работаете в области ИИ, машинного обучения или Data Science, у вас уже скорее всего установлена среда Python. Иметь Python на своём компьютере — это в любом случае хорошая идея, поскольку велика вероятность, что она вам рано или поздно понадобится.
Проще всего установить Python с помощью дистрибутива Miniconda. Хотя большинство обычно рекомендует ставить Anaconda, которая включает в себя большое количество библиотек, я всегда рекомендую начинать с “голой” установки Python, а все библиотеки устанавливать по мере необходимости. У Miniconda размер первоначального установщика всего 50 Mb, в противовес почти 500 Mb у Anaconda.
Установив Miniconda, будет необходимо установить Jupyter:
conda install -c conda-forge notebook pip install notebook После установки, перейдите в папку с вашими ноутбуками, и запустите Jupyter:
jupyter notebook Откроется окно браузера, и можно начинать работать!
В некоторых репозиториях GitHub есть файл requirements.txt , содержащий сведения о необходимых для работы проекта библиотеках. В этом случае рекомендуется перед запуском ноутбука установить эти библиотеки командой
pip install -r requirements.txt Возможно, вместо классического Jupyter, вы захотите установить JupyterLab, его более продвинутую версию.
pip install juputerlab jupyter-lab 
JupyterLab больше напоминает полноценную среду разработки, позволяя вам, помимо ноутбуков, редактировать скрипты Python, текстовые файлы и многое другое.
Поддержка языков .NET
Jupyter поддерживает много различных языков программирования в дополнение к Python. Если вы хотите использовать C# или F#, вы можете установить .NET Interactive. Установка поддержки .NET для Jupyter описана здесь
Используем Visual Studio Code
Редактировать и исполнять ноутбуки в браузере — не лучшая идея. Намного больше возможностей доступно при использовании Visual Studio Code, в которой есть отличная поддержка Jupyter Notebooks, с возможностью просмотра значений переменных, отладки и т.д. Для выполнения ноутбуков, вам нужно будет установить расширение Python (или расширение .NET, для C#/F#). Вам также понадобится установленное на вашем компьютере Python-окружение, описанное в предыдущем разделе.
Вот ещё немного документации по использованию Jupyter в VS Code.
Установка Python на ваш компьютер — хорошее решение в долгосрочной перспективе, но если вы хотите запустить ноутбук по-быстрому — имеет смысл использовать облачное окружение. Вам не придётся ничего устанавливать на свой компьютер, и вы сможете наслаждаться работой уже через несколько минут. Иногда имеет смысл использовать облачные окружения даже тогда, когда у вас есть Python — например, чтобы избежать конфликта библиотек и запустить ноутбук в “чистом” окружении.
MyBinder
MyBinder.org позволяет вам создать виртуализированное (точнее, контейнеризованное) окружение Jupyter из любого GitHub-репозитория. Вы просто вводите GitHub URL, а Binder создаст контейнер и запустит среду Jupyter. Многие репозитории с ноутбуками даже содержат кнопку Launch Binder, позволяющую вам открыть проект в Binder автоматически.
Binder попытается создать окружение, наилучшим образом подходящее для вашего проекта. Например, если в репозитории есть файл requirements.txt с описанием необходимых библиотек, они будут автоматически установлены. Более тонко можно настраивать конфигурацию с помощью файлов в директории binder — вплоть до описания Docker-контейнера, который необходимо собрать для запуска.
GitHub Codespaces
GitHub Codespaces — это новая встроенная в GitHub возможность открывать любой репозиторий в виртуализированном облачном окружении, доступном через среду VS Code в браузере или настольной версии. В настоящий момент Codespaces функционируют в режиме бета-тестирования, предоставляя индивидуальным пользователям некоторый объем бесплатных вычислительных ресурсов.
Datalore, CoCalc и др.
- JetBrains Datalore предоставляет некоторый объем бесплатных вычислительных ресурсов (в настоящий момент — 120 часов в месяц), а также некоторое количество GPU. Вам придётся предварительно загрузить ваши ноутбуки в рабочую область Datalore.
- CoCalc — это полноценное окружение для специалистов по Data Science, поддерживающее несколько популярных языков, таких как R, Julia и Sage, систему символьной компьютерной алгебры. Вы также можете запускать ограниченный набор GUI-приложений Linux и редактировать тексты в LaTeX. Я ранее писал про CoCalc в моей заметке про использование систем символьной алгебры для школьников.
- Про Google Colab вы скорее всего и так уже знаете, поэтому я не буду здесь его подробно описывать.
Заключение
- Установить Python-окружение на ваш компьютер, и использоват интерфейс Jupyter/JupyterLab в браузере, или Visual Studio Code
- Запустить в облачной среде онлайн, используя Binder, или одну из описанных выше опций.
У обоих подходов есть свои позитивные и негативные стороны, и я надеюсь, что после прочтения этой заметки вы сможете легко выбрать для себя оптимальный способ запуска Jupyter Notebooks.
Dmitri Soshnikov 2021-09-08 EDUCATION
jupyter notebooks
ipynb 0.5.1
История выпусков Уведомления о выпусках | Лента RSS
Эта версия
Загрузка файлов
Загрузите файл для вашей платформы. Если вы не уверены, какой выбрать, узнайте больше об установке пакетов.
Source Distribution
Uploaded 23 окт. 2017 г. source
Built Distribution
Uploaded 23 окт. 2017 г. 3 5
Хеши для ipynb-0.5.1.tar.gz
| Алгоритм | Хеш-дайджест | |
|---|---|---|
| SHA256 | 8d834c777ca3885289938728cc382f081c86a58e92961e86f0aba60c96938ce5 | Копировать |
| MD5 | ceb87dc41cd2f4046ccf9a45b87a7763 | Копировать |
| BLAKE2b-256 | a973fd7b6497883c180e870712216348cf0f3271b75347f75cffbf28cf633d7e | Копировать |
Хеши для ipynb-0.5.1-py3-none-any.whl
| Алгоритм | Хеш-дайджест | |
|---|---|---|
| SHA256 | 9686aafce6fd58ec160fa6ba649a7810df89cc0f06a317188ac5e59fd728e325 | Копировать |
| MD5 | 722bdf65ff7789c233e90f0e83d303e7 | Копировать |
| BLAKE2b-256 | 31424c0bbb66390e3a68e04ebf134c8d074a00c18b5882293f8ace5f7497fbf0 | Копировать |
Помощь
О PyPI
Внесение вклада в PyPI
Использование PyPI
Разработано и поддерживается сообществом Python’а для сообщества Python’а.
Пожертвуйте сегодня!
PyPI», «Python Package Index» и логотипы блоков являются зарегистрированными товарными знаками Python Software Foundation.