marimo:open-source react. notebook for Python (like Jupyter)

[unleash_it]

marimo - open-source reactive notebook for Python (like Jupyter NB)

marimo is an open-source reactive notebook for Python — reproducible, git-friendly, executable as a script, and shareable as an app.

marimo guarantees your notebook code, outputs, and program state are consistent. This solves …
A reactive programming environment. Run a cell and marimo reacts by automatically running the cells that reference its variables, eliminating the error-prone task of manually re-running cells. Delete a cell and marimo scrubs its variables from program memory, eliminating hidden state. Deterministic execution order. Notebooks are executed in a deterministic order, based on variabl…
Synchronized UI elements. Interact with UI elements like sliders, dropdowns, and dataframe transformers, and the cells that use them are automatically re-run with their latest value

marimo is a reactive notebook for Python. It allows you to rapidly experiment with data and models, code with confidence in your notebook's correctness, and productionize notebooks as pipelines or interactive web apps.

Highlights
reactive: run a cell, and marimo automatically updates all affected cells and outputs
interactive: bind sliders, tables, plots, and more to Python — no callbacks required
reproducible: no hidden state, deterministic execution order
executable: execute as a Python script
shareable: deploy as an app
git-friendly: stored as .py files

get more - see more background - ideas and much more: more Marimo and more notebooks ...
https://twitter.com/marimo_io
https://github.com/marimo-team/marimo
88 forks
18 contributors


Hier geben wir einen kleinen Überblick über einige DataScienceNotebooks, die derzeit auf dem Markt sind.
Dies ist eine relativ unsortierte Liste - und alle Texte stammen von den entsprechenden Webseiten - siehe Links unten - oder von Wikipedia (z. B. für das Jupyter-Projekt).

Frage vorweg: setzt ihr hier eines ein? ... ich verwende z.B. GoogleColab seit Jahren - und JupyterNB - auch in VSCode...

hier ein kl. Überblick auf die diversen Projekte - und eine Mini-Einführung in das Original - das Jupyter-Projekt von Franzisco ...

Google Colab: Google Colab ist eine cloudbasierte Jupyter-Notebook-Umgebung, die es Benutzern ermöglicht, Python-Code direkt im Browser zu schreiben und auszuführen. Es bietet kostenlosen Zugriff auf GPU und TPU zur Beschleunigung maschineller Lernaufgaben. Sie können auf Google Colab zugreifen
Link: https://colab.research.google.com

Kaggle Notebooks: Kaggle Notebooks ist eine weitere cloudbasierte Jupyter-Notebook-Umgebung, bereitgestellt von Kaggle, einer Plattform für Data-Science-Wettbewerbe und Datensätze. Es bietet außerdem kostenlosen Zugriff auf GPU und TPU. Kaggle-Notizbücher sind eng in Kaggle-Datensätze und -Wettbewerbe integriert, was die Zusammenarbeit und den Austausch erleichtert Code mit anderen. Sie können hier auf Kaggle Notebooks zugreifen: Link: https://www.kaggle.com/docs/notebooks
und das große Jupyter-Projekt – das einer der Motoren hinter allen anderen ist …

Projekt Jupyter: https://en.wikipedia.org/wiki/Project_Jupyter
Der Text stammt aus Wikipedia, der freien Enzyklopädie

Projekt Jupyter:[/b] ist ein Projekt zur Entwicklung von Open-Source-Software, offenen Standards und Diensten für interaktives Computing in mehreren Programmiersprachen. Es wurde 2014 von Fernando Pérez und Brian Granger aus IPython abgespalten. Der Name von Project Jupyter bezieht sich auf die drei Kernprogrammiersprachen, die von unterstützt werden Jupyter, das sind Julia, Python und R. Sein Name und sein Logo sind eine Hommage an Galileis Entdeckung der Jupitermonde, wie in Galileis zugeschriebenen Notizbüchern dokumentiert. Project Jupyter hat die interaktiven Computerprodukte Jupyter Notebook, JupyterHub und JupyterLab entwickelt und unterstützt.
Jupyter wird finanziell von NumFOCUS gesponsert. Die erste Version von Notebooks für IPython wurde 2011 von einem Team veröffentlicht, zu dem Fernando Pérez, Brian Granger und Min Ragan-Kelley gehörten. Im Jahr 2014 kündigte Pérez ein Spin-off-Projekt von IPython namens Project Jupyter an. IPython existiert weiterhin als Python-Shell und Kernel für Jupyter. während das Notebook und andere sprachunabhängige Teile von IPython unter dem Namen Jupyter firmierten. Jupyter unterstützt Ausführungsumgebungen (genannt „Kernel“) in mehreren Dutzend Sprachen, darunter Julia, R, Haskell, Ruby und Python (über den IPython-Kernel). Im Jahr 2015 waren rund 200.000 Jupyter-Notebooks auf GitHub verfügbar. Bis 2018 waren etwa 2,5 Millionen verfügbar. Im Januar 2021, Fast 10 Millionen waren verfügbar, darunter Notizbücher über die erste Beobachtung von Gravitationswellen und über die Entdeckung eines supermassereichen Schwarzen Lochs im Jahr 2019. Große Cloud-Computing-Anbieter haben das Jupyter Notebook oder abgeleitete Tools als Frontend-Schnittstelle für Cloud-Benutzer übernommen. Beispiele hierfür sind Amazon SageMaker Notebooks, Googles Colaboratory und Microsofts Azure Notebook.

Jupyter Notebook: Jupyter Notebook kann sich umgangssprachlich auf zwei verschiedene Konzepte beziehen: entweder die benutzerorientierte Anwendung zum Bearbeiten von Code und Text, oder das zugrunde liegende Dateiformat, das über viele Implementierungen hinweg interoperabel ist.

Mehr zur Jupyter Notebook-Schnittstelle und den Anwendungen:
Jupyter Notebook (ehemals IPython Notebook) ist eine webbasierte interaktive Computerumgebung zum Erstellen von Notebook-Dokumenten. Jupyter Notebook besteht aus mehreren Open-Source-Bibliotheken, einschließlich IPython, ZeroMQ, Tornado, jQuery, Bootstrap und MathJax. Eine Jupyter Notebook-Anwendung ist eine browserbasierte REPL, die eine geordnete Datei enthält Liste der Eingabe-/Ausgabezellen, die Code, Text (mit Github Flavored Markdown), Mathematik, Diagramme und Rich Media enthalten können. Jupyter Notebook ähnelt der Notebook-Schnittstelle anderer Programme wie Maple, Mathematica und SageMath, einem Computerschnittstellenstil entstand in den 1980er Jahren mit Mathematica. Das Interesse an Jupyter übertraf Anfang 2018 die Popularität der Mathematica-Notebook-Schnittstelle.


JupyterLab ist eine neuere Benutzeroberfläche für Project Jupyter und bietet eine flexible Benutzeroberfläche und mehr Funktionen als die klassische Notebook-Benutzeroberfläche. Die erste stabile Version wurde am 20. Februar 2018 angekündigt. Im Jahr 2015 ein gemeinsamer Zuschuss von 6 Millionen US-Dollar von The Leona M. und Harry Der B. Helmsley Charitable Trust, die Gordon and Betty Moore Foundation und die Alfred P. Sloan Foundation finanzierten Arbeiten, die zu erweiterten Möglichkeiten führten die Kernwerkzeuge von Jupyter sowie die Erstellung von JupyterLab. GitHub gab im November 2022 bekannt, dass JupyterLab auf seiner Online-Coding-Plattform namens Codespace verfügbar sein wird. Im August 2023 wurde Jupyter AI, eine Jupyter-Erweiterung, veröffentlicht. Diese Erweiterung integriert generative künstliche Intelligenz in Jupyter-Notebooks. Dadurch können Benutzer Code erklären und generieren, Fehler korrigieren, Inhalte zusammenfassen, sich nach ihren lokalen Dateien erkundigen
und vollständige Notizbücher basierend auf Eingabeaufforderungen in natürlicher Sprache erstellen.

JupyterHub ist ein Mehrbenutzerserver für Jupyter Notebooks. Es wurde entwickelt, um viele Benutzer zu unterstützen, indem es viele einzelne Jupyter Notebook-Server erzeugt, verwaltet und als Proxy leitet.
JupyterLab: JupyterLab ist eine webbasierte interaktive Entwicklungsumgebung für Jupyter-Notebooks, Code und Daten. Es bietet eine flexiblere und leistungsfähigere Schnittstelle im Vergleich zum klassischen Jupyter Notebook. JupyterLab unterstützt mehrere Sprachen, Erweiterungen und interaktive Widgets. Sie können JupyterLab lokal auf deinem Computer installieren und ausführen.
JupyterLab: Eine Notebook-Schnittstelle der nächsten Generation: JupyterLab ist die neueste webbasierte interaktive Entwicklungsumgebung für Notebooks, Code und Daten. Seine flexible Schnittstelle ermöglicht es Benutzern, Arbeitsabläufe in den Bereichen Datenwissenschaft, wissenschaftliches Rechnen, Computerjournalismus und maschinelles Lernen zu konfigurieren und zu organisieren. Ein modulares Design lädt zu Erweiterungen ein, um die Funktionalität zu erweitern und zu bereichern.
Link> https://jupyter.org

Zeppelin: Apache Zeppelin ist ein webbasiertes Notebook, das interaktive Datenanalysen ermöglicht. Es unterstützt mehrere Programmiersprachen wie Scala, Python, SQL und mehr. Zeppelin bietet integrierte Visualisierungen und Integration mit verschiedenen Datenquellen wie Apache Spark, JDBC und REST-APIs. Mehr über Apache Zeppelin erfaerst du hier. https://zeppelin.apache.org

Deepnote Notebooks: eine bessere Möglichkeit für Teams, mit Daten zu arbeiten: Kombiniere Python, R, SQL und No-Code: Abfragen von Snowflake, BigQuery, CSV und über 50 anderen Datenquellen Erkunden die Daten mit KI-Codevorschlägen, unterstützt von GPT-4. Wandeln die Erkenntnisse sofort in Dashboards um.
Link: https://deepnote.com/

Databricks Notebooks: Arbeite zwischen Teams aus den Bereichen Technik, Datenwissenschaft und maschinelles Lernen zusammen und unterstütze dabei mehrere Sprachen, integrierte Datenvisualisierungen, automatische Versionierung und Operationalisierung mit Jobs. Databricks Notebooks vereinfachen die Erstellung von Daten und KI-Projekten durch eine vollständig verwaltete und hochautomatisierte Entwicklererfahrung. Notebooks arbeiten nativ mit der Databricks Lakehouse-Plattform zusammen, um Datenpraktikern einen schnellen Einstieg zu ermöglichen, mit kontextbewussten Tools zu entwickeln und Ergebnisse einfach zu teilen. Link: https://www.databricks.com/product/coll ... -notebooks
Dies sind nur einige Beispiele beliebter Data-Science-Notebooks, jedes mit seinen eigenen Funktionen und Stärken. Je nach Ihren spezifischen Bedürfnissen und Vorlieben könnt Ihr ja diejenige auswählen, die am besten zu Eurem Arbeitsablauf passt.


Noteable ein weiteres Kollaboratives Notebook - btw. besser gesagt eine ganze Plattform für Teams um Daten zu Visualisieren und zusammmenzuarbeiten.
Features: Noteable ist auch Jupyter-Kmpatibel,
Programmiersprachen: Jupyter-Sprachen (z.B. etwa. Python, R) SQL
Connectivity: Jupyter libraries ( sehr viele Libraries: darunter etwa solche wie z.B. SQLAlchemy, psycopg2)
Datenbanken (PostgreSQL usw. usf)

Visual Studio Code ein sehr leichtgewichtiger, aber sehr sehr leistungsfähiger Source Code Editor.
Er unterstützt Jupyter Notebooks ganz grundsätzlich - nativ und auch über Pythoncode
Features:
VSCode ist Jupyter-kompatibel
Programmiersprachen: Jupytersprachen wie Python, R etc.
Connectivity: Jupyter libraries



Frage: setzt ihr hier eines ein ... ich verwende z.B. GoogleColab ....JupyterNB in VSCode ... usw. usf.

PS. Sorry fuer den etwas rohen Text. Wird naechstens noch besser .....