Zdrojový kód, jeho výstupy, vysvětlující text i vizualizace lze spojit do jediného interaktivního dokumentu. Právě na tomto principu fungují Jupyter Notebooks, které se využívají při analýze dat, výuce, vývoji prototypů i při dokumentování výpočetních postupů. Své místo si našly napříč celou řadou oborů. Používají je datoví analytici a výzkumníci při zpracování dat, data stewardi při správě datasetů, ale slouží i jako nástroj pro výuku studentů.
Jupyter Notebook je interaktivní dokument tvořený jednotlivými bloky označovanými jako buňky. Některé buňky obsahují zdrojový kód, jiné vysvětlující text, rovnice, obrázky nebo nadpisy. Výstup spuštěného kódu, například tabulka, graf, statistický výsledek nebo chybová zpráva, se zobrazí přímo pod příslušnou buňkou. Notebook tak může na jednom místě propojit popis problému nebo úkolu, programový kód, výsledky výpočtů, grafy a tabulky, vysvětlení použitých postupů i závěry a interpretaci výsledků.
Samotný notebook programový kód nevykonává. Zpracovává jej samostatný výpočetní proces označovaný jako kernel, který je propojený s konkrétním programovacím jazykem a prostředím.
Jupyter Notebooks se využívají v řadě oblastí. Výhodou je především spojení kódu, výsledků a komentářů. Uživatel tak má přehled o tom, jak jednotlivé části kódu souvisejí s výslednými grafy a jak byly získány prezentované hodnoty. Notebook může zároveň sloužit jako výukový materiál. Jednotlivé kroky lze doplnit vysvětlením a uživatel si může kód přímo upravit a sledovat, jak se změnil výsledek.
Využití JN:
- průzkumná analýza dat
- výuka programování a statistiky
- tvorba grafů a reportů
- práce s modely strojového učení
- sdílení výsledků a výměna informací
- proof-of-concept experimenty
Kód v notebooku je rozdělený do buněk, které lze spouštět jednotlivě. Uživatel tak nemusí pokaždé spouštět celý program od začátku, ale může postupovat po menších krocích a okamžitě sledovat jejich výsledky.
Buňky v notebooku lze spouštět jednotlivě, opakovaně a v libovolném pořadí. Výsledky proto nemusí vždy odpovídat pořadí buněk v dokumentu, ale mohou záviset na tom, které operace byly spuštěny dříve. Před sdílením notebooku je proto vhodné restartovat kernel, vymazat jeho aktuální stav a následně spustit všechny buňky znovu od začátku. Tím lze ověřit, že zobrazené výstupy skutečně odpovídají aktuální podobě kódu a jeho pořadí v notebooku.
Typický notebook může obsahovat načtení potřebných knihoven, otevření datového souboru a kontrolu jeho struktury, následné výpočty nebo úpravy dat a vytvoření grafu. Jednotlivé kroky lze zároveň doplnit komentářem, který vysvětluje postup a získané výsledky.
Tento způsob práce je vhodný například při průzkumu dat, testování různých postupů nebo výuce. Uživatel vidí nejen konečný výsledek, ale také jednotlivé kroky, které k němu vedly.
Python patří mezi nejčastěji používané jazyky v Jupyter Notebooks. Samotný Python ale data automaticky neanalyzuje, nečistí ani nevizualizuje. K těmto úlohám je potřeba použít konkrétní kód a vhodné knihovny, které nabízejí již připravené nástroje pro práci s daty. Pro tabulková data se často používá knihovna Pandas, pro numerické výpočty NumPy a pro tvorbu grafů například Matplotlib.
S Jupyter notebooky pak můžeme využívat i další možnosti ekosystému Pythonu, například virtuální prostředí. Ta oddělují závislosti jednotlivých projektů, což řeší situace, kdy různé projekty potřebují odlišné verze stejných knihoven a sdílená instalace by mohla jejich fungování narušit.
Pro správu prostředí a závislostí existuje několik nástrojů. Mezi dlouhodobě rozšířené patří například Conda, která se často používá právě v datové analytice a vědeckém prostředí. Modernější alternativou je uv od společnosti Astral, který umožňuje rychlou správu balíčků, virtuálních prostředí a závislostí projektu.
Uv umožňuje vytvořit samostatné prostředí pro konkrétní projekt, nainstalovat potřebné knihovny, zaznamenat jejich verze a následně znovu vytvořit srovnatelné prostředí i na jiném počítači.
Nejčastěji se notebooky používají s programovacím jazykem Python, podporují však také R, Julii a řadu dalších jazyků. Právě od názvů jazyků Julia, Python a R se odvozuje také název Jupyter (Ju-Pyt-R).
Pojmy Jupyter Notebook a JupyterLab se někdy používají jako synonyma, označují však dvě odlišné věci.
Jupyter Notebook je samotný interaktivní dokument, zatímco JupyterLab je širší webové pracovní prostředí, ve kterém lze notebooky vytvářet a otevírat, ale také spravovat soubory, pracovat v terminálu, zobrazovat datové soubory nebo používat další aplikace.
Po spuštění JupyterLabu se uživatel dostane do rozhraní připomínajícího správce souborů. Může zde procházet adresáře, vytvářet složky, otevírat existující notebooky nebo zakládat nové pracovní dokumenty.
JupyterLabu soustřeďuje více částí práce do jednoho prostředí. Uživatel například může vedle sebe otevřít notebook, zdrojový datový soubor, terminál a dokumentaci používané knihovny.
První možností je instalovat JupyterLab přímo na vlastní počítač. Uživatel má v takovém případě kontrolu nad prostředím a může si je přizpůsobit potřebám projektu.
Druhou možností je využít JupyterLab jako vzdálenou službu. Česká výzkumná komunita může pracovat například v prostředí poskytovaném národní výzkumnou infrastrukturou e-INFRA CZ. Výhodou je, že uživatel nemusí instalovat celé prostředí a může využít připravené výpočetní zdroje a související služby.
Před nahráním dat do vzdáleného prostředí je vždy nutné posoudit, zda obsahují osobní nebo citlivé informace, zda se na ně vztahují smluvní omezení, kde budou uložena a kdo k nim bude mít přístup. Zároveň je potřeba ověřit, zda zvolená služba odpovídá právním a bezpečnostním požadavkům pro práci s danými daty.
Prozkoumat podobu JupyterLabu bez nutnosti instalace může kdokoliv také v rámci ukázkového prostředí na jupyter.org.
Do JupyterLabu lze prostřednictvím API připojit také AI asistenta. Ten může pomoci například s návrhem kódu, vysvětlením chybové zprávy nebo doporučením vhodné knihovny.
V prostředí JupyterLab poskytovaném v rámci e-INFRA CZ jsou k dispozici předpřipravené Data Science AI obrazy s integrovanou podporou Jupyter AI. Uživatelé tak mohou pracovat s AI asistenty přímo v JupyterLabu a využívat modely dostupné prostřednictvím infrastruktury, aniž by museli jejich propojení nastavovat sami. Stačí mít účet v MetaCentru a při spuštění Jupyter prostředí zvolit příslušný image ze seznamu dostupných variant. Prostředí zároveň umožňuje integraci dalších nástrojů, například Claude Code. Podrobnosti jsou uvedeny v dokumentaci služby.
AI asistent ale nevytváří automaticky správný a spustitelný program. Jeho návrhy mohou obsahovat chyby, používat neexistující funkce nebo nevhodně interpretovat zadání. Vygenerovaný kód musí uživatel vždy přečíst, vyzkoušet a ověřit.
Jedním ze specializovaných AI asistentů, které lze v prostředí JupyterLab využít, je také bia-bob (Bio-Image Analysis Bob), zaměřený především na práci s biologickými obrazovými daty. Jde tedy o konkrétní nástroj vhodný zejména pro bioobrazovou analýzu, nikoli o obecného asistenta pro všechny uživatele JupyterLabu.
Postup připojení asistenta bia-bob a jeho základní konfiguraci představuje školení Matthiase Täschnera z Letní školy Data stewardů 2026: JupyterLab AI Assistant as Data Steward Workbench.
Přehled AI nástrojů dostupných v e-INFRA CZ nabízí také záznam školení: AI nástroje (nejen) pro výzkum.
Notebooky jsou vhodné pro interaktivní práci, dokumentované analýzy, výuku a prototypování. Nemusí být ale ideálním nástrojem pro každou situaci.
Pokud má být určitý postup pravidelně spouštěn bez zásahu uživatele, stát se součástí produkční služby, pracovat s velmi rozsáhlými daty nebo být dlouhodobě udržován větším týmem, může být vhodnější převést hlavní logiku do samostatných skriptů, programových modulů nebo datových pipeline. Notebook pak může sloužit jako dokumentace, ukázka nebo rozhraní pro interpretaci výsledků.
Dobrou praxí je také přesouvat opakovaně používané funkce do samostatných souborů. Notebook zůstane přehledný a programový kód bude možné snáze testovat a použít v dalších projektech.
Výhoda Jupyter Notebooks spočívá v propojení programového kódu, výstupů a vysvětlení. Umožňují sledovat postup práce, experimentovat s různými řešeními a sdílet výsledky v podobě, která je srozumitelná.
Notebook není samostatně fungujícím analytickým nástrojem ani automatickou zárukou dobrého a spolehlivého výsledku. Jeho kvalita závisí na správně napsaném kódu, spravovaném výpočetním prostředí, dostupnosti vstupních dat a srozumitelné dokumentaci. Právě při splnění těchto podmínek se z notebooku stává užitečné prostředí pro analýzu, spolupráci i předávání znalostí.
Letošní Letní škola pro data stewardy na Malé Morávce v Jeseníkách nabídla praktický program zaměřený na nástroje, dovednosti i postupy, které mohou data stewardům usnadnit každodenní práci.
Měření v molekulární biofyzice pomáhají vědcům porozumět chování biomolekul a jejich interakcím. Článek představuje Molecular Biophysics Database (MBDB), databázi, která umožňuje ukládat, popisovat, sdílet a znovu využívat biofyzikální experimentální data.
