数据分析为什么常用Jupyter而不是直接使用Python脚本或Excel?

不知道你用过谷歌的Colab没有，这是一个线上的notebook编辑器，可以免费使用CPU/GPU资源进行Python开发，而Colab其实就是一个云端的Jupyter notebook页面。

当你浏览Vscode插件市场，会发现最受欢迎的前10名，有3个是Jupyter相关的插件。

Kaggle比赛的主要编程环境同样是Jupyter，为什么Jupyter这么受欢迎呢？我建议使用Python编程的都应该学会Jupyter，因为它会给你意想不到的体验。

如果说Jupyter只是一款Python编辑器，那未免过于片面。其实它是集编程、笔记、数据分析、机器学习、可视化、教学演示、交互协作等于一体的超级web应用，而且支持python、R、Julia、Scala等超40种语言。

Jupyter最大的特点是代码即写可即运行，其可被应用于全过程计算：开发、文档编写、运行代码和展示结果。比如我用Bokeh绘制可视化内容，只需要输入脚本代码并执行，便可以在Jupyter上显示相应图表。

Jupyter中所有交互计算、编写说明文档、数学公式、图片以及其他富媒体形式的输入和输出，都是以文档的形式体现的。这些文档是保存为后缀名为.ipynb的JSON格式文件，不仅便于版本控制，也方便与他人共享。

此外，文档还可以导出为：HTML、LaTeX、PDF等格式。

Jupyter还支持安装插件，和VsCode类似。插件类型也很丰富，包括了代码调试、可视化、文本编辑等等。

既然同样是编程工具，那Jupyter和Pycharm、VsCode的使用场景有什么区别呢？

Jupyter主要是用来做数据科学，其包含数据分析、数据可视化、机器学习、深度学习、机器人等等，任何Python数据科学第三方库都能在Jupyter上得到很好的应用和支持。现在几乎所有的数据比赛平台都以Jupyter作为编辑工具，在上面实现各种数据分析场景。

在产品上，Jupyter不仅有简洁的Notebook ，还有工作台式的Lab，甚至线上平台化部署的Hub，对个人、团队、企业都可以完美支持。

所以如果你有以下工作场景，可以大胆使用Jupyter作为主力开发工具。

1、任何涉及数据处理、清洗、分析、建模的场景

2、绘制二维、三维可视化图表，制作可视化报告

3、需要多人协作的Python数据科学项目

4、各种算法的前期验证

5、写编程作业、记录课堂笔记

6、课堂编程相关的内容展示、实验

其他还有很多，就不一一列举了，附上Jupyter的使用小技巧。