--- title: "Jupyter Notebook: Configuração Completa" url: "https://python.dev.br/guias/configurando-jupyter-notebook/" markdown_url: "https://python.dev.br/guias/configurando-jupyter-notebook.MD" description: "Aprenda a instalar e configurar o Jupyter Notebook para ciência de dados com Python. JupyterLab, extensões, atalhos e dicas práticas" date: "2025-11-16" author: "" --- # Jupyter Notebook: Configuração Completa Aprenda a instalar e configurar o Jupyter Notebook para ciência de dados com Python. JupyterLab, extensões, atalhos e dicas práticas ## 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: ```bash python3 -m venv venv-jupyter source venv-jupyter/bin/activate pip install jupyterlab ``` Para instalar apenas o notebook clássico: ```bash pip install notebook ``` ### Com conda Se você usa Anaconda ou Miniconda: ```bash conda install -c conda-forge jupyterlab ``` ### Verificando a instalação ```bash jupyter --version ``` O comando deve mostrar as versões do Jupyter e seus componentes. ## Iniciando o JupyterLab Para iniciar o servidor: ```bash jupyter lab ``` O navegador abrirá automaticamente em `http://localhost:8888/lab`. Se preferir o notebook clássico: ```bash 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: ```bash pip install pandas matplotlib numpy ``` Em seu notebook, execute as seguintes células: ```python # Celula 1: Importações import pandas as pd import matplotlib.pyplot as plt import numpy as np ``` ```python # 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() ``` ```python # 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$)') ax.legend() plt.tight_layout() plt.show() ``` ```python # Celula 4: Estatisticas print(f"Total de vendas: R$ {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): ```python # 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) ``` ```python # 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: ```bash # Sumario de conteudo pip install jupyterlab-toc # Suporte a Git pip install jupyterlab-git # Verificação de ortografia pip install jupyterlab-spellchecker ``` ### Para Notebook clássico ```bash 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: ```bash jupyter notebook --generate-config ``` Edite o arquivo `~/.jupyter/jupyter_notebook_config.py` e defina: ```python c.ServerApp.root_dir = '/caminho/para/seus/projetos' ``` ### Instalando kernels adicionais Você pode usar outros interpretadores Python no Jupyter: ```bash # 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: ```bash # 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. Se você também trabalha com linguagens compiladas, saiba que Go pode ser usado em notebooks interativos com ferramentas como GoNB, e Rust tem suporte experimental ao Jupyter via evcxr.