Jupyter

Jupyter 笔记本把可执行代码、Markdown 说明、公式和运行输出放在同一个 .ipynb 文件中。你可以改动算例的参数，把新的计算结果或图像留在解释旁边。JupyterLab 围绕这种文件格式，提供文件浏览器、终端、编辑器和多笔记本工作界面。

拿本站算例动手

下面链接的是含 Python 代码的公开 Markdown 笔记，不是可下载的 notebook。把算例复制到自己的笔记本时，也把适用条件写在代码单元格旁边。

想看什么	从哪里开始	改什么、观察什么
精度要求怎样影响所需数据量	样本量公式	两段代码都可独立运行，只用 Python 标准库。原参数分别得到均值估计所需的 97 个观测、比例估计所需的 385 个观测。把误差容限减半，再比较数量。这是区间估计的近似规划，不能保证消除抽样偏差。
求平均后，分布怎样变化	中心极限定理	在笔记本所用的 Python 环境中准备好 NumPy 和 Matplotlib，把 `sample_size` 从 30 改为 100，比较指数分布样本均值的直方图。对比运行结果时保留随机种子。定理描述的是样本均值，不是说原始观测会变成正态分布。

运行前，在笔记本之外记录并锁定 Python 和依赖包版本。这两个算例的输入都在代码中给定或生成；若换成自己的数据集，要记录来源，并使用可移植的相对路径，避免依赖特定机器的绝对路径。使用 R 笔记本时，也应锁定 R 环境。

内核是执行代码并保留变量的进程。页面上的单元格顺序，未必就是先前的执行顺序，因此保存下来的输出本身不能证明计算可复现。

改完算例后，重启内核，从上到下运行所有单元格。这能暴露缺失的导入，或对先前运行残留变量的依赖。保留解释新结果所需的参数和文字；不适合放进 Git 的大型生成输出，应作为构建产物处理。

笔记本适合探索和解释。当其他程序开始依赖其中的代码时，把可复用逻辑移到普通源文件中并配上测试，不要让它依赖笔记本的执行顺序。