JupyterLab

做数据分析、写实验报告、准备教学材料时， 传统流程是三个东西分开：代码在编辑器里、 图表导出成图片、说明写在 Word 里。改了一个参数， 三样东西都要重新对一遍，很快就对不上了。

Jupyter 的做法是把它们合成一份文档。代码是一个单元格， 运行结果（数字、表格、图表）直接显示在它下面， 中间可以插 Markdown 写说明和公式。改代码、重跑、 结果和文档同步更新，不存在"图是旧的"这种问题。

JupyterLab 是它的现代界面（15,253 颗星，BSD-3-Clause）， 相比经典的 Jupyter Notebook 多了文件浏览器、多标签、 分屏、终端、可拖拽的布局，更像一个完整的工作环境。

它真正重要的价值是可复现：

• 一份 .ipynb 文件里同时装着代码、输出和解释。 别人拿到它，可以从头重跑一遍，得到同样的结果—— 而不是看你截的图然后猜你怎么算的。
• 这在科研、数据分析和教学里意义很大。 很多论文的补充材料、很多课程的实验讲义现在直接就是 notebook。

生态非常大：

• 内核：Python 最常用，也支持 R、Julia、Scala、 甚至 C++ 和 SQL，几十种语言。
• 可视化：matplotlib、plotly、bokeh 等的图表直接嵌在输出里， 交互式图表也能用。
• 扩展：变量查看器、代码格式化、Git 集成、实时协作编辑。
• 导出：可以转成 HTML、PDF、幻灯片或纯脚本 （配合 Pandoc 效果更好）。

要说清楚的：

• 它是环境，不是语言。你还是要会 Python（或别的语言）。 装的时候通常连带装 Python 生态，新手推荐从 Anaconda 或 miniforge 入手， 少踩环境配置的坑。
• 版本管理不友好。.ipynb 是 JSON 格式， 里面混着输出数据（包括图片的 base64）， 直接进 Git 的 diff 几乎没法读，还容易冲突。 解决办法是用 nbstripout 之类的工具在提交前清掉输出， 或者用 Jupytext 把笔记本和 .py 文件配对。这是团队协作时必须先处理的问题。
• 执行顺序陷阱。单元格可以任意顺序运行， 于是"从上到下重跑一遍会报错"的笔记本非常常见。 交付之前请务必重启内核并从头运行一次，确认真的可复现。
• 不适合写正式软件。做探索、做分析、做教学很好， 但产品代码应该整理成正规的模块和脚本，不要留在笔记本里。
• 在服务器上开放访问要注意安全。JupyterLab 能执行任意代码， 暴露到公网必须配密码或 token 加 HTTPS。

适合谁：数据分析、机器学习、科研计算、 以及任何需要"边算边解释"的场景——教学讲义和实验报告尤其合适。