Python Brasil —...
Guia

Jupyter Notebook: Configuração Completa

Aprenda a instalar e configurar o Jupyter Notebook para ciência de dados com Python. JupyterLab, extensões, atalhos e dicas práticas

5 min de leitura

Introdução

O Jupyter Notebook é uma ferramenta essencial para cientistas de dados, pesquisadores e estudantes de Python. Ele permite escrever código, visualizar gráficos e documentar análises em um único documento interativo que mistura células de código com texto formatado em Markdown.

Neste guia, vamos instalar o Jupyter Notebook, configurar o JupyterLab (sua versão mais moderna), aprender atalhos e explorar extensões que aumentam a produtividade.

Jupyter Notebook vs JupyterLab

O Jupyter Notebook é a interface clássica, focada em um único documento por vez. O JupyterLab é a evolução, oferecendo uma interface completa com múltiplas abas, terminal integrado, visualizador de arquivos e muito mais.

Ambos são instalados pelo mesmo pacote. Neste guia, usaremos o JupyterLab como padrão, mas tudo funciona da mesma forma no Notebook clássico.

Instalação

Com pip

Crie um ambiente virtual e instale:

python3 -m venv venv-jupyter
source venv-jupyter/bin/activate
pip install jupyterlab

Para instalar apenas o notebook clássico:

pip install notebook

Com conda

Se você usa Anaconda ou Miniconda:

conda install -c conda-forge jupyterlab

Verificando a instalação

jupyter --version

O comando deve mostrar as versões do Jupyter e seus componentes.

Iniciando o JupyterLab

Para iniciar o servidor:

jupyter lab

O navegador abrirá automaticamente em http://localhost:8888/lab. Se preferir o notebook clássico:

jupyter notebook

Entendendo a interface

O JupyterLab abre com um painel de arquivos à esquerda e a área de trabalho à direita. Para criar um novo notebook:

  1. Clique em File > New > Notebook
  2. Selecione o kernel Python 3
  3. Um novo notebook (arquivo .ipynb) será criado

Tipos de células

Cada notebook é composto por células. Existem dois tipos principais:

  • Código: células que executam Python
  • Markdown: células para documentação e texto formatado

Para alternar entre tipos, use o dropdown no topo ou os atalhos Y (código) e M (markdown) no modo de comando.

Atalhos essenciais

O Jupyter tem dois modos: comando (borda azul) e edição (borda verde). Pressione Esc para modo de comando e Enter para modo de edição.

Modo de comando

  • A: inserir célula acima
  • B: inserir célula abaixo
  • DD: excluir célula (pressione D duas vezes)
  • Z: desfazer exclusão de célula
  • M: converter para Markdown
  • Y: converter para código
  • Shift + Enter: executar célula e ir para a próxima
  • Ctrl + Enter: executar célula sem avançar

Modo de edição

  • Tab: autocompletar
  • Shift + Tab: exibir documentação da função
  • Ctrl + Shift + -: dividir célula na posição do cursor

Exemplo prático: análise de dados

Vamos criar um notebook que analisa dados com Pandas e Matplotlib. Primeiro, instale as dependências:

pip install pandas matplotlib numpy

Em seu notebook, execute as seguintes células:

# Celula 1: Importações
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# Celula 2: Criando dados de exemplo
dados = {
    'mes': ['Jan', 'Fev', 'Mar', 'Abr', 'Mai', 'Jun',
            'Jul', 'Ago', 'Set', 'Out', 'Nov', 'Dez'],
    'vendas': [150, 180, 210, 195, 240, 280,
               310, 290, 260, 300, 350, 400],
    'custos': [100, 120, 130, 125, 150, 170,
               190, 180, 160, 185, 210, 240]
}

df = pd.DataFrame(dados)
df['lucro'] = df['vendas'] - df['custos']
df.head()

# Celula 3: Visualização
fig, ax = plt.subplots(figsize=(10, 5))
ax.bar(df['mes'], df['vendas'], label='Vendas', alpha=0.7)
ax.bar(df['mes'], df['custos'], label='Custos', alpha=0.7)
ax.plot(df['mes'], df['lucro'], color='green', marker='o', label='Lucro')
ax.set_title('Desempenho Mensal')
ax.set_ylabel('Valor (R$)')
ax.legend()
plt.tight_layout()
plt.show()

# Celula 4: Estatisticas
print(f"Total de vendas: R$ {df['vendas'].sum():,.0f}")
print(f"Media de lucro mensal: R$ {df['lucro'].mean():,.0f}")
print(f"Melhor mes: {df.loc[df['lucro'].idxmax(), 'mes']}")

O resultado do gráfico aparece diretamente no notebook, abaixo da célula de código. Isso torna o Jupyter ideal para análise exploratória de dados.

Comandos mágicos

O Jupyter suporta comandos especiais prefixados com % (uma linha) ou %% (célula inteira):

# Medir tempo de execução de uma linha
%timeit sorted(range(1000))

# Medir tempo de uma celula inteira
%%timeit
resultado = []
for i in range(1000):
    resultado.append(i ** 2)

# Listar variaveis definidas
%who

# Ver historico de comandos
%history

# Executar um script externo
%run meu_script.py

Extensões úteis

Para JupyterLab

Instale extensões pelo gerenciador integrado ou por linha de comando:

# Sumario de conteudo
pip install jupyterlab-toc

# Suporte a Git
pip install jupyterlab-git

# Verificação de ortografia
pip install jupyterlab-spellchecker

Para Notebook clássico

pip install jupyter_contrib_nbextensions
jupyter contrib nbextension install --user

Extensões recomendadas para o notebook clássico:

  • Table of Contents: gera sumário automático
  • ExecuteTime: mostra o tempo de execução de cada célula
  • Collapsible Headings: permite colapsar seções
  • Autopep8: formata o código automaticamente

Configurações avançadas

Alterando a pasta padrão

Para mudar o diretório onde o Jupyter abre, gere o arquivo de configuração:

jupyter notebook --generate-config

Edite o arquivo ~/.jupyter/jupyter_notebook_config.py e defina:

c.ServerApp.root_dir = '/caminho/para/seus/projetos'

Instalando kernels adicionais

Você pode usar outros interpretadores Python no Jupyter:

# Instalar kernel de outro ambiente virtual
/caminho/para/outro/venv/bin/pip install ipykernel
/caminho/para/outro/venv/bin/python -m ipykernel install --user --name=meu-projeto

Exportando notebooks

Exporte notebooks para outros formatos:

# Para HTML
jupyter nbconvert --to html meu_notebook.ipynb

# Para PDF (requer LaTeX)
jupyter nbconvert --to pdf meu_notebook.ipynb

# Para script Python
jupyter nbconvert --to script meu_notebook.ipynb

Boas práticas

  • Reinicie o kernel e execute todas as células antes de compartilhar (Kernel > Restart & Run All)
  • Use Markdown para documentar cada etapa da análise
  • Mantenha as células curtas e focadas em uma tarefa
  • Nomeie seus notebooks de forma descritiva: analise-vendas-2025.ipynb em vez de Untitled.ipynb
  • Adicione o .ipynb_checkpoints/ ao .gitignore do seu repositório

Conclusão

O Jupyter Notebook e o JupyterLab são ferramentas indispensáveis para quem trabalha com ciência de dados, machine learning ou análise exploratória em Python. A combinação de código, visualizações e documentação em um único documento torna a comunicação de resultados muito mais eficiente. Com os atalhos e extensões apresentados neste guia, você estará pronto para trabalhar de forma produtiva.

Todos os Guias