pyecharts提供了多种渲染机制，支持在Jupyter Notebook和Jupyter Lab单元格输出中直接渲染图形，并保持交互性。
 
Jupyter Notebook
 
在Jupyter Notebook中直接调用render_notebook方法即可随时随地渲染图表。
 例如：
 
from pyecharts.charts import Bar

bar = Bar()
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])

bar.render_notebook()
 
 
Jupyter Lab
 
Jupyter Lab 渲染的时候有三个步骤：
 
 
在顶部声明Notebook类型，必须在引入pyecharts.charts等模块前声明。
 
from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB
 
 
在第一次渲染时调用load_javascript() ，预先加载基本 JavaScript 文件到 Notebook 中。注意：这里说的第一次渲染指的是每次启动jupyter lab服务后第一次渲染。也就是说每启动一次jupyter lab服务就需要调用一次。
 如若后面其他图形渲染不出来，尝试再次调用，因为load_javascript只会预先加载最基本的 js 引用，主题、地图等 js 文件需要再次按需加载。
 
 
执行render_notebook()方法渲染图表。注意load_javascript()和render_notebook() 方法需要在不同的单元格中调用。
 
 
例如：
 
from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB

from pyecharts.charts import Bar

bar = Bar()
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])

bar.load_javascript()

 
bar.render_notebook()
 

问题
 
pyechart是echarts在python下的版本，在jupyter-notebook中有时候会无法正确显示图形，该如何处理？
 
处理办法
 
## 1 声明notebook版本和配置
from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB


import pyecharts.options as opts
from pyecharts.charts import Bar

bar = (
    Bar()
    .add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
    .add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
    .add_yaxis("商家B", [15, 6, 45, 20, 35, 66])
    .set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"))
)
### 2  加载javascript
bar.load_javascript()

bar.render_notebook()
 
示例截图
 
 
总结分析
 
Jupyter Lab 渲染的时候有两点需要注意
 
在顶部声明 Notebook 类型，必须在引入 pyecharts.charts 等模块前声明
 from pyecharts.globals import CurrentConfig, NotebookType
 CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB
 在第一次渲染的时候调用 load_javascript() 会预先加载基本 JavaScript 文件到 Notebook 中。如若后面其他图形渲染不出来，则请开发者尝试再次调用，因为 load_javascript 只会预先加载最基本的 js 引用。而主题、地图等 js 文件需要再次按需加载。
 load_javascript() 和 render_notebook() 方法需要在不同的 cell 中调用，这是 Notebook 的内联机制，其实本质上我们是返回了带有 html, javascript 对象的 class。notebook 会自动去调用这些方法。
 
参考文档
 
pyecharts 官方站点

 
 
彩蛋：作者著作：《Python Data Science Handbook》
 
 
上述图书是电子书链接，供爱学习的同学学习。
 
 
对于使用Jupyter notebook的户来说，你会经常遇到下面的问题：
 
 
我安装了软件包X，现在我无法将其导入到notebook中。帮帮我！
 
 
这个问题几乎是所有初学者第一个拦路虎，任何语言都是如此。今天我们就来说说Jupyter notebook如何解决这类问题。
 
 
从根本上来说，这个问题的根是Jupyter内核与Jupyter的shell分离的事实，换句话说，安装程序与笔记本中默认使用的是不同的Python版本。在最简单的情况下，这个问题不会出现，但是当调试代码时，需要了解操作系统的复杂性、Python软件包安装的复杂性以及Jupyter本身的复杂性。
 
 
在了解了一些在线（A，B）和一些关于这个话题的讨论，我决定在这里深入讨论这个问题。这篇文章将解决一些事情：
 
 
·         首先，我为一般问题提供一个快速，简单的答案，例如我如何安装一个Python包，以便使用pip或conda与我的jupyter笔记本一起工作。
 
 
·         其次，我将深入到Jupyter笔记本抽象是干什么的，如何将其与操作系统的复杂交互简单化。
 
 
·         第三，我将讨论一些我在社区的想法，其中包括Jupyter，Pip和Conda开发人员可能考虑的一些变化，以减轻用户的认知负担。
 
 
本文将重点介绍两种安装Python软件包的方法：pip和conda。
 
 
1.如何在Jupyter中安装软件包
 
 
Pip和conda
 
 
对于许多用户来说，pip和conda之间的选择可能是一个令人困惑的选择，我总结了两者之间的本质区别在于：
 
 
 Pip可以在任何环境下安装python软件包。
 conda在conda环境中安装任何软件包。
 
·         如果您使用Anaconda conda安装Python ，则使用安装Python软件包。如果conda告诉你所需的软件包不存在，那么你必须使用pip。
 
 
即使你在短期内可以解决问题，也可能会出现长期的问题。例如，如果pip install给你一个权限错误，这可能意味着你正在试图在系统中安装/更新python软件包，比如/usr/bin/python。这样做会产生不好的后果，因为操作系统本身通常依赖于Python安装中的特定版本。对于Python的日常使用，你应该使用虚拟环境或Anaconda把你的软件包与系统Python隔离。
 
 
1.1：如何使用Conda在Jupyter中
 
 
如果您使用的是jupyter，并且想要使用conda安装软件包，则可能会使用!记号直接从Jupyter上运行conda作为shell命令：
 
 
 
 
# DON'T DO THIS!
!conda install --yes numpy
Fetching package metadata ...........
Solving package specifications: .
# All requested packages already installed.
# packages in environment at /Users/jakevdp/anaconda/envs/python3.6:
#
numpy                     1.13.3           py36h2cdce51_0 
 
 
 
 
我将在下面更全面地概述，如果您想从当前的jupyter中使用这些已安装的软件包。
 
 
这是一个在一般情况下出现的对话：
 
 
 
 
# Install a conda package in the current Jupyter kernel
import sys
!conda install --yes --prefix {sys.prefix} numpy
Fetching package metadata ...........
Solving package specifications: .
# All requested packages already installed.
# packages in environment at /Users/jakevdp/anaconda:
#
numpy                     1.13.3           py36h2cdce51_0 
 
 
 
 
这个方法使得conda在当前运行的Jupyter内核中安装软件包。
 
 
1.2：如何使用pip在Jupyter中
 
 
如果您使用的是Jupyter，并想安装一个软件包pip，您可能会倾向于直接运行pip：
 
 
 
 
# DON'T DO THIS
!pip install numpy
Requirement already satisfied: numpy in /Users/jakevdp/anaconda/envs/python3.6/lib/python3.6/site-packages
 
 
 
 
如果您想从当前的jupyter中使用这些已安装的软件包。
 
 
 
 
# Install a pip package in the current Jupyter kernel
import sys
!{sys.executable} -m pip install numpy
Requirement already satisfied: numpy in /Users/jakevdp/anaconda/lib/python3.6/s
 
 如果你想要在
 Jupyter
 中直接使用，指令应该是：

 
$ python -m pip install <package>
 
 
 
 
而不是：
 
 
$ pip install <package>
 
 
 
 
因为前者更明确地说明了软件包的安装位置（下面会详细介绍）。
 
 
2.为什么Jupyter的安装如此混乱？
 
 
上述的方案应该在所有情况下都能正常工作，但为什么还需要额外的方法？这是因为在Jupyter中，shell环境和Python可执行文件是断开的。想要深入理解理解为什么，你就必须要对以下的概念有了解：
 
 
您的操作系统如何查找可执行程序。
 Python如何安装和查找软件包。
 Jupyter如何决定使用哪个Python可执行文件。
 
注意：下面的讨论假设操作系统是Linux，Unix，MacOSX。
 
 
2.1您的操作系统如何定位可执行文件？
 
 
当您正在使用的终端输入如下命令python，jupyter，ipython，pip，conda，你的操作系统包含一个定义良好的机制，他可以找到可执行文件的名称。
 
 
 
 
在Linux和Mac系统上，系统将首先检查与命令匹配的别名，如果失败，则引用$PATH环境变量：
 
 
 
 
!echo $PATH
/Users/jakevdp/anaconda/envs/python3.6/bin:/Users/jakevdp/anaconda/envs/python3.
 
 
 
 
$PATH列出目录，按顺序，将搜索任何可执行文件：例如，如果我python在上面键入我的系统$PATH，它将首先查找/Users/jakevdp/anaconda/envs/python3.6/bin/python，如果不存在，它将查找/Users/jakevdp/anaconda/bin/python，依此类推。
 
 
2.2Python如何查找包
 
 
Python使用类似的机制来定位导入的包。Python在导入时搜索的路径列表位于：
 
 
 
 
 
 
 
 
默认情况下，Python查找模块的第一个地方是一个空路径，即当前的工作目录。如果没有找到该模块，则将它放在位置列表中，直到找到该模块。您可以使用__path__导入的模块的属性找出哪个位置已被使用：
 
 
 
 
import numpy
numpy.__path__
['/Users/jakevdp/anaconda/lib/python3.6/site-packages/numpy']
 
 
 
 
在大多数情况下，你安装了Python包pip或conda将被放置在一个名为目录site-packages。要认识到的重要一点是每个Python可执行文件都有自己的site-packages。这意味着当你安装一个软件包时，它与特定的python可执行文件相关联，并且默认只能用于Python安装。
 
 
我们可以打印sys.path每个可用python可执行文件的变量来看到这一点，使用Jupyter令人愉快的是将Python和bash命令混合在一个代码块中的功能：
 
 
 
 
paths = !type -a python
for path in set(paths):
    path = path.split()[-1]
    print(path)
    !{path} -c "import sys; print(sys.path)"
    print()
 
 
 
 
这里的全部细节并不是特别重要，但是需要强调的是，每个Python可执行文件都有自己独特的路径，除非您修改sys.path，否则不能导入安装在不同Python环境中的软件包。
 
 
我将再次强调：Jupyter中的shell环境必须与启动它的Python版本相匹配。
 
 
2.3： Jupyter如何执行代码：Jupyter内核
 
 
下一个相关的问题是Jupyter如何选择执行Python代码，这使我们想到了Jupyter内核的概念。
 
 
Jupyter内核是指Jupyter在内执行代码的一系列文件。对于Python内核，这将指向一个特定的Python版本，但Jupyter被设计得更通用：Jupyter有几十个可用的内核，包括Python 2，Python 3，Julia，R，Ruby，Haskell，甚至C ++和Fortran。
 
 
如果您使用Jupyter，则可以随时使用内核→选择内核菜单项来更改内核。
 
 
要查看您的系统上可用的内核，可以在shell中运行以下命令：
 
 
 
 
!jupyter kernelspec list
Available kernels:
  python3       /Users/jakevdp/anaconda/envs/python3.6/lib/python3.6/site-packages/ipykernel/resources
  conda-root    /Users/jakevdp/Library/Jupyter/kernels/conda-root
  python2.7     /Users/jakevdp/Library/Jupyter/kernels/python2.7
  python3.5     /Users/jakevdp/Library/Jupyter/kernels/python3.5
  python3.6     /Users/jakevdp/Library/Jupyter/kernels/python3.6
 
 
 
 
这些列出的内核中的每一个都是一个包含名为kernel.json的文件的目录，其中指定了内核应该使用哪种语言和可执行文件。例如：
 
 
 
 
!cat /Users/jakevdp/Library/Jupyter/kernels/conda-root/kernel.json
{
 "argv": [
  "/Users/jakevdp/anaconda/bin/python",
  "-m",
  "ipykernel_launcher",
  "-f",
  "{connection_file}"
 ],
 "display_name": "python (conda-root)",
 "language": "python"
}
 
 
 
 
如果你想创建一个新的内核，可以使用jupyter ipykernel命令来完成。例如，我使用以下内容作为模板，为我的conda环境创建了上述内核：
 
 
 
 
$ source activate myenv
$ python -m ipykernel install --user --name myenv --display-name "Python (myenv)"
 
 
 
 
3.一些建议
 
 
所以，综上所述，安装在Jupyter的包是从根本上说Jupyter的shell环境和Python的内核不匹配，这意味着你必须做的不是简单地多了解pip install或conda install做事情的工作。
 
 
我有一些想法，其中一些可能是有用的：
 
 
3.1：Jupyter 的潜在策略
 
 
正如我所提到的，根本问题是Jupyter的shell环境和计算内核之间的不匹配。那么，我们是否可以按照内核规范来强制二者匹配呢？
 
 
也许，这个github问题展示了一种在内核启动时修改shell变量的方法。
 
 
基本上，在你的内核目录中，你可以添加一个如下所示的脚本kernel-startup.sh（并确保你改变了权限以便它是可执行的）：
 
 
 
 
#!/usr/bin/env bash
# activate anaconda env
source activate myenv
# this is the critical part, and should be at the end of your script:
exec python -m ipykernel $@
 
 
 
 
3.2新的Jupyter Magic函数
 
 
我们可以通过在Jupyter中引入%pip和%conda魔术功能来简化用户体验，从而检测当前的内核并使某些软件包安装在正确的位置。
 
 
PIP Magic
 
 
例如，下面是如何定义一个%pip在当前内核中工作的魔术函数：
 
 
from IPython.core.magic import register_line_magic
@register_line_magic
def pip(args):
    """Use pip from the current kernel"""
    from pip import main
    main(args.split())
 
 
 
 
请注意，Jupyter开发者Matthias Bussonnier已经在他的pip_magic仓库中发布了基本的内容，所以你可以做的是：
 
 
 
 
$ python -m pip install pip_magic
 
 
 
 
Conda Magic
 
 
同样，我们可以定义一个conda Magic，如果你输入的话会做正确的事情%conda install XXX。这比pip Magic更有意义，因为它必须首先确认环境是conda兼容的，然后（与缺少有关的python -m conda install）必须调用一个子进程来执行相应的shell命令：
 
 
 
 
from IPython.core.magic import register_line_magic
import sys
import os
from subprocess import Popen, PIPE
def is_conda_environment():
    """Return True if the current Python executable is in a conda env"""
    # TODO: make this work with Conda.exe in Windows
    conda_exec = os.path.join(os.path.dirname(sys.executable), 'conda')
    conda_history = os.path.join(sys.prefix, 'conda-meta', 'history')
    return os.path.exists(conda_exec) and os.path.exists(conda_history)
@register_line_magic
def conda(args):
    """Use conda from the current kernel"""
    # TODO: make this work with Conda.exe in Windows
    # TODO: fix string encoding to work with Python 2
    if not is_conda_environment():
        raise ValueError("The python kernel does not appear to be a conda environment.  "
                         "Please use ``%pip install`` instead.")
        conda_executable = os.path.join(os.path.dirname(sys.executable), 'conda')
    args = [conda_executable] + args.split()
        # Add --prefix to point conda installation to the current environment
    if args[1] in ['install', 'update', 'upgrade', 'remove', 'uninstall', 'list']:
        if '-p' not in args and '--prefix' not in args:
            args.insert(2, '--prefix')
            args.insert(3, sys.prefix)
    # Because the notebook does not allow us to respond "yes" during the
    # installation, we need to insert --yes in the argument list for some commands
    if args[1] in ['install', 'update', 'upgrade', 'remove', 'uninstall', 'create']:
        if '-y' not in args and '--yes' not in args:
            args.insert(2, '--yes')
    # Call conda from command line with subprocess & send results to stdout & stderr
    with Popen(args, stdout=PIPE, stderr=PIPE) as process:
        # Read stdout character by character, as it includes real-time progress updates
        for c in iter(lambda: process.stdout.read(1), b''):
            sys.stdout.write(c.decode(sys.stdout.encoding))
        # Read stderr line by line, because real-time does not matter
        for line in iter(process.stderr.readline, b''):
            sys.stderr.write(line.decode(sys.stderr.encoding))
 
 
 
 
如果在Jupyter默认的Magic命令集中添加了类似于上述的pip Magic和conda Magic，我认为解决用户在尝试安装Jupyter使用的Python包时常见的问题可能会有很长的路要走。
 
 
在提出了今天可以使用的一些简单解决方案之后，我详细解释了为什么这些解决方案是必要的：归结起来，在Jupyter中，内核与外壳断开连接。内核环境可以在运行时更改，而shell环境是在笔记本启动时确定的。
 
 
最后：对于创建Python数据科学生态系统基础的Jupyter，conda，pip和相关工具的开发人员忠心的感谢。这篇文章写在一个Jupyter笔记本里面。您可以查看静态版本在这里或下载完整的在这里。
 
 
本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。
 
 
文章原标题《installing-python-packages-from-jupyter》，作者：Jake VanderPlas.
 
 
 
 
 
 
个人博客：http://jakevdp.github.io/pages/about.html ，Python Data Science Handbook的作者。
 
 
其博客地址，可以免费阅读本书。
 
 
译者：虎说八道，审阅：
 
 
 
 
文章为简译，更为详细的内容，请查看原文
 

引言
 
本篇主要想总结一下jupyter lab与kite的使用方式，在pycharm里面我没用kite，但jupyter没有pycharm那么方便，kite的出现确实能提升jupyter的效率。
 
在jupyter lab中使用kite
 
安装kite
 
首先我们需要进入官网下载 kite 引擎软件，官方网站为 https://kite.com/，最好是用梯子下载速度更佳：
 
 下载安装完成后，打开kite可以选择用邮箱注册，也能直接跳过，但跳过后我记得好像是第一项还是第二项无法选择：
 
 不过这并不影响后续的使用，能看到上面的画面，kite就算是安装成功，下面就是jupyter lab使用kite
 
jupyter lab与kite包安装
 
我们首先可以创建一个虚拟环境来确保不被base环境影响，另外这里创建的python版本最好是3.7以上，因为如果要安装kite，jupyter lab必须是2.2.0a1，而目前稳定的jupyter lab为2.1.5。
 
$ conda create -n py37_kt python=3.7

$ conda activate py37_kt
 
进入到虚拟环境后，我们就可以进行预装2.2.0a1版本的jupyter lab了：
 
pip install --pre jupyterlab==2.2.0a1
 
如果直接pip install下载的会是2.1.5以下对应当前pip的版本，这也是必须要加–pre参数的原因，然后还需下载插件所需的nodejs也一并安装上：
 
conda install nodejs
 

 没看见报错即安装成功，然后下面这个扩展或者说依赖最好开着梯子，否则可能会报错：
 
pip install jupyter-kite
jupyter labextension install @kiteco/jupyterlab-kite
 

 如果出现报错，我们可以进它所给路径下的日志查看具体细节，大概率都是因为网络问题，如果有报错可以多尝试几次。
 
npm dependencies failed to install
Traceback (most recent call last):

  File "f:\anaconda\envs\py37_kt\lib\site-packages\jupyterlab\debuglog.py", line 47, in debug_logging
    yield

  File "f:\anaconda\envs\py37_kt\lib\site-packages\jupyterlab\labextensions.py", line 105, in start
    command=command, app_options=app_options)

  File "f:\anaconda\envs\py37_kt\lib\site-packages\jupyterlab\commands.py", line 460, in build
    command=command, clean_staging=clean_staging)

  File "f:\anaconda\envs\py37_kt\lib\site-packages\jupyterlab\commands.py", line 652, in build
    raise RuntimeError(msg)

RuntimeError: npm dependencies failed to install

Exiting application: jupyter
 
使用kite
 
当都安装好后，和正常的jupyter notebook一样，我们就可以输入jupyter lab等待跳出网页：
 
 进入网页后看到有kite教程页面，以及下标kite显示indexing或者ready就可以使用了：