• 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
  • Excel
  • IA Generativa

Eliminar los kernels en Jupyter

octubre 20, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

A medida que trabajamos con Jupyter Notebook es posible que instalemos múltiples kernels. Algo que es normal, ya que nos permite trabajar con diferentes versiones de Python, Julia o R sin afectar al entorno de producción. Aunque tiene un problema, una vez desinstalado el entorno este no se borra de la configuración de Jupyter, por lo que será posible seleccionar este, aunque no exista en nuestra máquina. Para mantener nuestro entorno se pueden usar las herramientas disponibles para eliminar los kernels en Jupyter.

Gestionar los kernels de Jupyter

El entorno de Jupyter dispone de una herramienta con la que es posible gestionar los kernels instalados en el sistema. Una herramienta a la que se accede escribieron en la terminal

% jupyter kernelspec

Comando con el que, si Jupyter se encuentra correctamente instalado y en el path, se obtendrá la ayuda de la herramienta. En la ayuda se puede ver varios comandos, pero uno de los más útiles es list ya que nos mostrará todos los kernels instalados.

% jupyter kernelspec list

Available kernels:
  julia-1.5    /Users/daniel/Library/Jupyter/kernels/julia-1.5
  julia-1.6    /Users/daniel/Library/Jupyter/kernels/julia-1.6
  python3      /Users/daniel/opt/anaconda3/share/jupyter/kernels/python3

Observando en la salida que actualmente hay instalado dos kernels de Julia, uno de la versión 1.5 y otro de la 1.6, y uno de Python 3.

Tutorial de Mypy para Principiantes
En Analytics Lane
Tutorial de Mypy para Principiantes

Publicidad


Eliminar los kernels en Jupiter

Una vez que hemos obtenido el listado de kernels podemos borrar aquellos que no utilizaremos. Por ejemplo, las versiones anteriores de Julia que ya no utilizamos. Para ello solamente se tiene que usar el sublimando uninstall seguido del nombre del kernel, la primera columna de la salida del comando anterior. Así para eliminar la versión 1.5 de Julia solamente deberíamos escribir

% jupyter kernelspec uninstall julia-1.5

El comando nos pedirá confirmación de la operación, en caso de confirmar borrara el kernel y ya no estará disponible para trabajar con él.

Conclusiones

En esta ocasión hemos visto los pasos que podemos seguir para mantener nuestro sistema al eliminar los kernels en Jupyter que ya no se utilizan.

Imagen de Nazim Orujov en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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?

Publicidad


Publicaciones relacionadas

  • Tutorial de Mypy para Principiantes
  • Semana sin nuevas publicaciones
  • Combinar gráficos con FacetGrid: Cómo analizar tendencias complejas en múltiples paneles con Seaborn
  • Introducción a igraph en R (Parte 6): Centralidad de Katz en grafos
  • Cómo modificar los mensajes de commit en Git
  • Optimización de memoria en Pandas: Usar tipos de datos personalizados para manejar grandes conjuntos de datos
  • Introducción a igraph en R (Parte 7): Centralidad de Bonacich
  • ¡Analytics Lane cumple siete años!
  • Sincronizar múltiples ejes con twinx(): Comparación de datos con diferentes escalas en un solo gráfico con Matplotlib

Publicado en: Herramientas 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

Variables globales en Python: Problemas y cómo evitarlos

mayo 12, 2025 Por Daniel Rodríguez

Los valores numéricos en los ordenadores: Entendiendo enteros, flotantes y más

mayo 9, 2025 Por Daniel Rodríguez

Introducción a igraph en R (Parte 8): PageRank

mayo 7, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Ventana principal de NSSM Cómo configurar un servicio en Windows publicado el mayo 11, 2022 | en Herramientas
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Método de Brent e implementación en Python publicado el abril 28, 2023 | en Ciencia de datos
  • Cómo funciona k-modes e implementación en Python publicado el octubre 14, 2022 | en Ciencia de datos, Python
  • Truco: reemplazar los valores NaN en los DataFrame Pandas publicado el mayo 30, 2022 | 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy
  • plataformas AéReas en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto