• 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
    • 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

Extensiones de Jupyter Notebook para facilitar las tareas de codificación

octubre 18, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Una de las grandes virtudes de Jupyter Notebook es la posibilidad de instalar complementos con los que extender las funcionalidades. Entre los paquetes disponibles en la actualidad posiblemente uno de los más completos es jupyter_contrib_nbextensions. Un paquete que contiene más de 60 extensiones del que podéis encontrar dos entradas anteriores analizando algunas de sus herramientas para reducir las distracciones y mejorar la productividad. En el siguiente video se muestran seis extensiones de Jupyter Notebook para facilitar las tareas de codificación.

Tabla de contenidos

  • 1 Instalación de jupyter_contrib_nbextensions
  • 2 Extensiones vistas en el video
    • 2.1 Hinterland
    • 2.2 Skip traceback
    • 2.3 Autopep8
    • 2.4 Codefolding
    • 2.5 Coment/Uncoment
    • 2.6 Variable Inspector
  • 3 Conclusiones

Instalación de jupyter_contrib_nbextensions

El proceso de instalación de jupyter_contrib_nbextensions se puede realizar de una forma sencilla gracias al comando pip. Para ello solamente se tiene que escribir en la terminal

pip install jupyter_contrib_nbextensions

Una vez hecho esto hay que configurar en Jupyter las extensiones para que este sepa de su existencia. Algo que también se puede hacer mediante la terminal escribiendo la siguiente línea

jupyter contrib nbextension install --user

comando con el que únicamente se instalará solamente en la cuenta actual, si se desea instalar para todos los usuarios es necesario cambiar la opción --user por --system.

Extensiones vistas en el video

Las extensiones que se han visto en el video son las siguientes.

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
En Analytics Lane
Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

Publicidad


Hinterland

Mejora las funciones de autocompletado de código de los Notebooks ofreciendo opciones después de cada pulsación de teclas. Facilitando de esta manera la escritura de código al evitar errores y recordar el nombre de las opciones disponibles.

Skip traceback

Al producirse un error durante la ejecución de una celda se muestra todo el rastro de este, una información que puede llegar a ser abrumadora. Si se activa la extensión Skip traceback solamente se mostrará la descripción del error ocultando la traza completa. Siendo posible consultar toda la información cuando sea necesario. De este modo, el mensaje de error generalmente únicamente requiere una línea, generando un resultado de la celda más limpio.

Autopep8

Al escribir código para pruebas puede que no respetemos todas algunas de las normas de estilo de Python. Para solucionar este problema existen los formateadores de código como autopep8. La activación de este complemento permite integrar esta herramienta en Jupyter Notebook, de modo que solamente pulsado un botón se formatee automáticamente el código de la celda activa.

El complemento no incluye el autopep8, por lo que es necesario instalarlo previamente. Para lo que solamente deberemos ir a la línea de comandos y escribir

pip install autopep8

Publicidad


Codefolding

A medida que crece el código, por ejemplo, al escribir múltiples métodos para una clase, puede que no sea interesante ver todos los detalles. Para estas situaciones, en los editores de textos modernos existe la posibilidad de compactar las funciones, métodos, clases y comentarios. En Jupyter Notebook esta funcionalidad se puede conseguir mediante este complemento.

Coment/Uncoment

En muchas ocasiones es necesario comentar o quitar el comentario en múltiples líneas de código. Por desgracia en Python no existe un comentario de bloque, siendo necesario hacerlo en cada una de las líneas. Para solucionar este problema se puede activar el completo Coment/Uncoment gracias al cual se puede definir un atajo de teclado para realizar esta tarea.

Variable Inspector

Finalmente, el complemento Variable Inspector permite ver todas las variables que existen en la sesión actual y eliminar las que ya no sean necesarias.

Publicidad


Conclusiones

En el video de esta entrada se han visto seis extensiones de Jupyter Notebook para facilitar las tareas de codificación que se pueden obtener con el paquete jupyter_contrib_nbextensions. Si queréis ver videos con otras extensiones de este paquete lo podéis dejar en los comentarios del post o del video de Youtube.

¿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!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar
  • Lanzamiento de la versión 1.0 del laboratorio de Analytics Lane con nuevas herramientas de scoring
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • WOE e IV: La Base Matemática del Credit Scoring
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: Python Etiquetado como: Jupyter, YouTube

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

Calibración vs Discriminación en Credit Scoring: diferencias clave y cómo evaluarlas

junio 2, 2026 Por Daniel Rodríguez

Ley de Benford: cómo detectar datos manipulados con ejemplos reales

mayo 28, 2026 Por Daniel Rodríguez

Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura

mayo 26, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Excel en Python Guardar y leer archivos Excel en Python publicado el julio 30, 2018 | en Python
  • Diferencias entre fit(), predict() y fit_predict() en Scikit-learn publicado el mayo 8, 2023 | en Python
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | 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

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

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