Fenêtre d’outils pour les variables Jupyter
Si vous utilisez des notebooks locaux, vous trouverez la nouvelle fenêtre d’outils Jupyter Variables dans la partie droite. Dans les builds précédents, la seule façon d’accéder aux variables du notebook sélectionné était de passer par l’onglet Variables de la fenêtre d’outils Jupyter. À présent, les variables actives sont visibles directement à côté du notebook.
Widget d’interpréteur prenant en compte l’espace de travail
Une autre amélioration notable réside dans le nouveau widget Interpreter, accessible depuis la barre d’état. Auparavant, ce widget n’apparaissait que si un notebook ou un script Python était ouvert. Et le widget n’affichait que l’interpréteur correspondant au fichier utilisé. Désormais, il est constamment visible. Vous pouvez cliquer dessus pour afficher l’aperçu des interpréteurs de l’ensemble des dossiers attachés et les modifier si besoin.
Diff pour les notebooks lisibles par l’humain
Lorsque vous stockez des notebooks Jupyter dans Git, il peut devenir difficile de suivre les changements locaux car Git considère les notebooks comme des fichiers JSON par défaut. Avec le nouveau build de DataSpell EAP, vous pouvez voir les modifications locales côte à côte, aussi bien pour les cellules que pour leurs résultats :
Résultats de tableaux interactifs dans la console Python
Les résultats de type pandas.DataFrame, pandas.Series et numpy.array s’affichent désormais sous forme de tableaux interactifs que vous pouvez parcourir dans la console Python. Cette présentation des résultats est similaire à celle des Notebooks Jupyter.
Autres améliorations
Cette mise à jour a également été l’occasion de corriger des bugs importants. À présent, les notebooks affichent correctement les journaux de progression ASCII (notamment ceux des bibliothèques TensorFlow ou PyTorch). Vous trouverez la liste complète des modifications dans les notes de publication.
PyCharm
PyCharm 2021.3 EAP integre la prise en charge de DataSpell pour les notebooks locaux. Les utilisateurs de PyCharm Professional peuvent désormais s’appuyer sur les notebooks Jupyter locaux pour analyser les données et prototyper des modèles de machine learning.
En tant qu’utilisateur de Python, vous êtes probablement impliqué dans des activités de développement de logiciels, d’analyse exploratoire des données et de prototypage de modèles de machine learning. Comment choisir entre DataSpell et PyCharm ? Si le choix nécessite de prendre en considération bon nombre d'aspects, la règle générale est la suivante :
Si votre activité principale est le développement de logiciels, choisissez PyCharm. Si c’est la science des données, utilisez plutôt DataSpell.
Si vous êtes impliqué dans ces deux activités, vous pouvez utiliser exclusivement PyCharm ou utiliser les deux produits en parallèle.
Tout comme PyCharm est un EDI s’adressant aux développeurs professionnels, DataSpell est un EDI destiné aux professionnels de la science des données.
Feuille de route
Pour les prochains builds EAP à venir cette année, JetBrains prévoit dans sa feuille de route :
- Une meilleure prise en charge des notebooks distants (avec notamment la prise en charge des protocoles HTTPS et SSH)
- La prise en charge des interpréteurs SSH
- L’unification des actions des cellules dans les notebooks Jupyter et les scripts Python
- Des améliorations relatives à la console Python
- Des capacités supplémentaires pour gérer plusieurs dossiers attachés (comme la présélection de l’interpréteur approprié)
- Des améliorations pour le rendu des résultats dans les notebooks.
Télécharger DataSpell EAP 2021.3