• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Julia en Jupyter Notebook

Jupyter

septiembre 20, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Jupyter Notebook es un entorno excelente para el desarrollo de análisis y modelado de datos. Así como para su publicación. Ya que es posible integrar en un Notebook código, documentación y otros elementos como gráficas y videos. Por lo que es ampliamente utilizado por los científicos de datos que trabajan con Python. Jupyter Notebook no funciona solamente con Python, sino que es posible usarlo también para trabajar con otros lenguajes. En esta entrada se va a ver cómo trabajar con Julia en Jupyter Notebook. Además, así se pueden utilizar al trabajar con Julia las extensiones disponibles para Jupyter.

Instalación de las herramientas

Para trabajar con Jupyter Notebook en Julia es necesario tener instalado ambos programas en el ordenador. Lo más probable es que ya sea este el caso. Aún así no está de más recordar el proceso donde encontrar los programas.

Instaladores de Julia para diferentes plataformas como Windows, macOS y Linux se pueden descargar desde la página web del proyecto.

Por otro lado, Jupyter se puede instalar mediante pip. Aunque la forma más fácil para instalar tanto Jupyter como Python y las principales librerías es mediante la distribución Anaconda. La cual se puede obtener desde la zona de descargas de Anaconda.

Configurar Julia

Una vez instalados los programas es necesario iniciar Julia para instalar y configurar la herramienta. Para lo que se tiene que escribir las siguientes líneas

Por qué migrar tus proyectos TypeScript a ES Modules en 2026
En Analytics Lane
Por qué migrar tus proyectos TypeScript a ES Modules en 2026

using Pkg
Pkg.add("IJulia")

En este momento es necesario esperar a que se descarguen los componentes necesarios. Lo que tardará más o menos dependiendo de la velocidad de conexión a internet.

Instalación de Julia en Jupyter Notebook
Instalación de IJulia

Con esto ya tenemos IJulia en nuestra máquina, ahora se tiene que importar el paquete y llamar al comando installkernel para instalar el kernel en Jupyter Notebook.

using IJulia
installkernel("Julia")

Utilizar Julia en Jupyter Notebook

Una vez realizado el proceso anterior ya es posible utilizar Jupyter Notebook para trabajar con Julia. Para lo que solamente es necesario lanzar Jupyter Notebook, lo que se puede hacer desde la línea de comandos o a través de lanzador de Anaconda. Ahora al pulsar sobre el botón New debería aparecer la opción Julia junto a Python.

Crear un nuevo Notebook para Julia
Crear un nuevo Notebook para Julia

En los notebooks que se creen con la seleccionado Julia se puede escribir código Julia y ejecutar con total normalidad.

Julia en Jupyter Notebook
Julia en Jupyter Notebook

Conclusiones

En esta entrada se ha visto como configurar Julia para trabajar en Jupyter Notebook. Los que estamos familiarizados con este entorno de trabajo es una gran noticia poder trabajar en él también con Julia.

Imágenes: Pixabay (Free-Photos)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 3

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Por qué migrar tus proyectos TypeScript a ES Modules en 2026
  • Actualizar expresslanets a ES Modules con tsx y Vitest
  • Migrar tslane a un paquete dual CommonJS y ESM con tsup y Vitest
  • Método del codo: interpretación correcta y limitaciones
  • Pareto/NBD: cuando el abandono silencioso cambia el CLV
  • Cómo construir tu primer scorecard paso a paso
  • Docker Compose: el día a día. Cómo ver qué funciona y qué no
  • Cómo Verificar la Normalidad de tus Datos antes de un Test Estadístico
  • Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards

Publicidad

Publicado en: Julia Etiquetado como: Jupyter

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards

octubre 13, 2026 Por Daniel Rodríguez

Cómo Verificar la Normalidad de tus Datos antes de un Test Estadístico

octubre 8, 2026 Por Daniel Rodríguez

Docker Compose: el día a día. Cómo ver qué funciona y qué no

octubre 6, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Introducción a las gráficas de tarta en Matplotlib publicado el septiembre 30, 2024 | en Python
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso publicado el junio 9, 2026 | en Python
  • Cómo determinar el número de componentes en PCA usando la varianza explicada acumulada publicado el enero 31, 2025 | en Ciencia de datos
  • Diferentes formas de ordenar dataframes en pandas publicado el abril 29, 2019 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto