• 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

3 extensiones de Jupyter para reducir distracciones

julio 29, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Tres extensiones de Jupyter para reducir distracciones

En una entrada anterior se mostraron algunas extensiones de para Jupyter Notebook destinadas a mejorar la productividad. Las cuales pertenecen a la colección nbextensions. Una colección en la que actualmente hay más de 60 extensiones disponibles. En la entrada de hoy se van a mostrar tres extensiones de Jupyter para reducir distracciones. Las cuales son complementarias a las vistas anteriormente.

Instalación extensiones para Jupyter Notebook

La instalación de las extensiones es un poco más complicada que los paquetes normales de Python, ya que requieren un paso adicional a la instalación con pip. En primer lugar, se tiene que instalar con pip la librería, para lo que es necesario escribir en la terminal:

pip install jupyter_contrib_nbextensions

Una vez hecho esto hay que agregar los archivos JavaScript y CSS en el servidor Jupyter. Lo que también se tiene que hacer en la terminal, para lo que se tiene que escribir el comando:

jupyter contrib nbextension install

Al finalizar estos pasos aparecerá una nueva pestaña en “NBextensions” al lanzar el servidor de Jupyter Notebook.

Extensiones de Jupyter para reducir distracciones

Una vez realizada la instalación aparece una lista de más de 60 extensiones. Si lo que se desea es un entorno de trabajo más minimalista en el que reducir las distracciones se pueden probar las siguientes extensiones.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

Publicidad


zenmode

Al abrir un Notebook de Jupyter lo primero que se puede ver es la barra de menús. La cual ocupa bastante espacio en la pantalla, especialmente cuando se trabaja con portátiles, y no es necesaria tenerla a la vista en todo momento. Para ocultar la barra se puede activar la extensión zenmode. Lo que hace es crear un botón con el que es posible pasar desde una venta como

Visión de un Jupyter Notebook nada más abrir

A otra ventana más minimalista con una mayor área de trabajo.

Jupyter Notebook con zenmode activo

Codefolding

Una cosa que siempre echo de menos en los Notebook de Jupyter es la posibilidad de plegar en código, como se puede hacer en la mayoría de los editores modernos. Pudiendo ocultar así los detalles de las implementaciones cuando no es necesario. En tal caso lo mejor es activar la extensión Codefolding.

Al activar la extensión Codefolding se puede observar que en las celdas aparecen unos selectores con los que se puede plegar el código. Como se muestra en la siguiente captura de pantalla.

Diferente ejemplo de Codefolding en un Jupyter Notebook

Hide all Input

Finalmente se puede citar una extensión con la que es posible ocultar todas las celdas del Notebook. Lo que permite continuar trabajado con un espacio de trabajo más limpio, pero sin perder el código ni los datos.

Diferente ejemplo de Hide all Input en un Jupyter Notebook

Publicidad


Conclusiones

En esta entrada se han visto tres extensiones de Jupyter para reducir distracciones a la hora de trabajar. Extensiones que forman parte de la colección nbextensions. El uso de estas u otras extensiones permite que aumentar la productividad como ya se ha visto en una entrada anterior.

¿Cuáles son vuestras extensiones favoritas? Podéis indicarlo a continuación en los comentarios de la entrada.

Imágenes: 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?

Publicaciones relacionadas

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: Python 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

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Roles en ciencia de datos: Guía completa de perfiles técnicos publicado el febrero 26, 2026 | en Ciencia de datos
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Guardar las contraseñas y claves en Python publicado el junio 14, 2021 | en Python
  • Probabilidad básica: cómo entender el azar en nuestra vida diaria publicado el junio 24, 2025 | en Ciencia de datos, Opinión
  • Tablas dinámicas en Python con pandas publicado el noviembre 23, 2018 | 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