前两天我们为大家总结了一下AI在2018年的发展以及对2019年AI应用的展望，今天我们便将回归到技术博客的本质，为大家讲讲为什么我对Jupyter Notebook如此推崇，以及为什么Jupyter Notebook与机器学习/数据分析是完美的搭配组合。

在讲为什么之前，先来介绍一下什么是Jupyter Notebook（以下简称Jupyter）。简单来说，它是一种模块化的Python编辑器（现在也支持R等多种语言），即在Jupyter中，你可以把大段的Python代码碎片化处理，分开每一段来运行。在软件开发中，Jupyter可能显得并没有那么好用，这个模块化的功能反而会破坏掉程序的整体性；但是当你在做数据处理、分析、建模、观察结果等的时候，Jupyter模块化的功能不仅会为你提供更好地视觉体验，更能大大缩小运行代码及调试代码的时间，同时还会让你整个处理和建模的过程变得异常清晰，接下来我将为大家一一详细讲述Jupyter的这些优点。

Jupyter Notebook将Python的交互式特点发挥到了极致

熟悉Python的同学一定对Python的交互式功能感触颇深。当工作后有一次和一个做嵌入式好友聊起Python时，同学表示他被Python的易读性和交互性所震惊了。做嵌入式用的C和C++每次都要经过编译，而且每一行的代码没有办法单独运行。与之不同的是，Python的每一行都像是人类交流所用的文字一样，简单易懂且有交互性，所谓交互性，就是有问有答，你输入一句，它便返回一句的结果。但在一般的IDE中（如PyCharm），Python的这一交互功能被极大地限制，通常我们会将程序整段编写之后一起运行。而在Jupyter当中，我们可以每写几行或者每完成一个小的模块便运行一次。也许对于软件工程师们来说，这个功能并没有多大的吸引力；但是对身为机器学习工程师的我们来说，这个功能可以说是我们的大救星。

熟悉机器学习和数据分析的朋友一定知道，分析和建模是非常碎片化的工作，而每一块的碎片又有着非常强的独立性，甚至可以说除了数据本身之外，每一块的代码之间并没有很强的关联性。数据分析和处理的过程往往是一个不断试验的过程，我们需要一次又一次的改变预处理的方式、尝试不同的特征工程处理、一遍又一遍的调整着模型参数等等等等。每一部分的工作都需要反复试验反复修改，而下一模块需要用到的只不过是上一模块输出的数据。通过Jupyter，我们可以最快的得知自己做出的调整是好还是坏，并尽快进入到下一次的试验当中。

以下是Jupyter Notebook与其他IDE输出结果的对比：

PyCharm
Jupyter Notebook

说到Jupyter Notebook，就不得不提到Anaconda。Anaconda是一款便捷的环境管理工具，利用Anaconda可以轻松创建虚拟环境，快速下载安装Python中的各种函数库。Anaconda中集成了1400数据科学/机器学习的函数库，目前这些库适配于Python 3.6，Python 3.7，以及Python 2.7三个版本。Anaconda让机器学习在Jupyter中更容易实现，也更容易去观测。

以下是部分Anaconda中的函数库：

Jupyter Notebook更利于汇报和教学

Jupyter在工作汇报和教学方面也是非常的优秀。由于Jupyter本身的模块化和内容的清晰化，使得其天生具有如PPT一般的展示工作成果的功能。

如上图所示，由于Jupyter中可以将输出结果嵌套在Notebook中，并且支持Markdown语句的操作，这样使得你可以在Jupyter中输入任何你需要展示的内容，并且这些内容都会以一种有组织有层次的样子排列出来。

而当Jupyter被应用于教学时，老师可以利用这个特点设置相应的题目以及部分的讲解内容，而学生则负责填满老师所留的空白，以达到老师作业的要求。目前Jupyter已经被各大慕课（MOOC）平台广泛应用。