• 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
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

Julia en Jupyter Notebook

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.

Publicidad


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

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.

Publicidad


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: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

Publicidad


¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • julia
    Estructuras en Julia (7ª parte – ¡Hola Julia!)
  • julia
    Columnas en DataFrames de Julia (14ª parte – ¡Hola Julia!)
  • julia
    Introducción a los DataFrames en Julia (11ª parte –…
  • julia
    Bucles en Julia (4ª parte - ¡Hola Julia!)
  • julia
    Utilizar los tipos en Julia (8ª parte – ¡Hola Julia!)
  • julia
    Vectores, tuplas y diccionarios en Julia (6ª parte –…

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.

Publicidad





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
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

Tutorial básico de Traceroute

diciembre 8, 2023 Por Daniel Rodríguez

Usar el depurador de Visual Studio Code con Jest

diciembre 6, 2023 Por Daniel Rodríguez

Análisis de datos con GPT en Pandas

diciembre 4, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Unir y combinar dataframes con pandas en Python publicado el septiembre 10, 2018 | en Python
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Agregar líneas a las figuras de Matplotlib publicado el septiembre 1, 2022 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • pandas Pandas: Leer archivos CSV con diferentes delimitadores en Pandas. publicado el noviembre 30, 2020 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

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

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.4 (13)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Anto en Rendimiento al iterar en JavaScript sobre un vector
  • Daniel Rodríguez en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Guillermo en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?

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 © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto