Tabellenkalkulationen sind ?die dunkle Materie der Unternehmenssoftware“: Sie sind überall, sie sind unsichtbar und sie halten alles zusammen. Gesch?ft und Finanzen laufen über Tabellenkalkulationen; Kein anderes Softwaretool hat es so vielen Menschen erm?glicht, L?sungen für so viele verschiedene Probleme zu entwickeln. In diesem Zusammenhang muss man jede Behauptung, dass ?Jupyter das neue Excel“ sei, als bewusste Sensation verstehen.

Jupyter-Notizbücher weisen jedoch einige wichtige ?hnlichkeiten mit Excel-Tabellen auf. Notizbücher sind in der wissenschaftlichen und statistischen Datenverarbeitung allgegenw?rtig, genauso wie Tabellenkalkulationen den Gesch?ftsbetrieb und die Front-Office-Finanzierung dominieren. In diesem Beitrag werden wir einige philosophische und praktische Gemeinsamkeiten und Unterschiede zwischen den beiden Tools untersuchen, um zu erkl?ren, warum beide so leidenschaftliche Fans und Kritiker haben.

Gemeinsamkeiten: das Positive

• Oberfl?chlich betrachtet verwenden sowohl Jupyter-Notizbücher als auch Excel-Tabellen ?Zellen“ als visuelle Metapher für die Aufteilung einer Analyse in einzelne Schritte. Zellen in beiden Formaten enthalten Code und zeigen Ergebnisse an.
• Beide sind für interaktive, iterative, explorative Analysen konzipiert und kombinieren Berechnungen mit Datenvisualisierungen.
• Beide zielen auf eine flache Lernkurve für Anf?nger ab.
• Beide sind eigenst?ndig und einfach zu teilen konzipiert. Online-Umgebungen wie Google Colab und JupyterHub abstrahieren den oft komplexen Python-Einrichtungsprozess.
• Beide haben einen starken Einfluss auf die Hochschulbildung in ihren jeweiligen Fachgebieten. An Business Schools wird fast überall Finanzmodellierung mit Excel unterrichtet, und MINT-Abteilungen unterrichten in der Regel Datenanalyse mit Jupyter-Notebooks¹. Neue Absolventen bringen ihre Vertrautheit mit diesen Werkzeugen an den Arbeitsplatz.

Gemeinsamkeiten: die Negative

Sowohl Excel-Tabellen als auch Jupyter-Notizbücher werden von Softwareentwicklern als keine ?echte Software“ kritisiert. Abgesehen von der offensichtlichen Einschr?nkung, dass beide Artefakte ein anderes Programm zur Ausführung erfordern, erschweren sie auch die Einhaltung der Best Practices für die Softwareentwicklung:

• Da es sich um gro?e, monolithische Dateien handelt, ist die Versionskontrolle mit Entwicklertools wie Git schwierig. Office OpenXML-Dokumente werden gezippt, wodurch der Dateiinhalt ?verschlüsselt“ wird, sodass Git ?nderungen an den zugrunde liegenden Daten nicht nachverfolgen kann. Jupyter-Notebooks sind eigentlich nur gro?e JSON-Dateien, aber ?nderungen an der Zellenausgabe und der Ausführungsanzahl führen zu überflüssigen Deltas2. Sowohl Excel-Tabellen als auch Jupyter-Notizbücher sind
schwierig zu produzieren
• , obwohl beide Tools in der Praxis in der Produktion eingesetzt werden. Excel und Jupyter sind umfangreiche Ausführungsumgebungen, die ihre eigenen Abh?ngigkeiten einführen und für Ingenieure, die es gewohnt sind, eigenst?ndige Skripte zu schreiben, verschwenderisch erscheinen. Beide sind
fehleranf?llig
• und schwer zu testen. Die Tatsache, dass sich beide Plattformen an Benutzer mit weniger Erfahrung im Schreiben von Code richten, verschafft ihnen den Ruf, fehlerbehaftete L?sungen zu entwickeln. In Wirklichkeit k?nnte es sein, dass Fehler in Tabellenkalkulationen und Notizbüchern ohne Tools wie Unit-Tests oder eine Kultur der Qualit?tskontrolle eher in die Produktion gelangen.
Unterschiede

• Das Raster von Excel bietet eine natürliche M?glichkeit, Daten über Zellkoordinaten zu referenzieren, w?hrend Jupyter auf benannte Variablen angewiesen ist, was Benutzer dazu zwingt, sich mit der Realit?t auseinanderzusetzen, dass die Benennung von Variablen schwierig ist.
  • Es ist einfacher, Zwischenergebnisse mehrstufiger Berechnungen in Excel zu überprüfen, da sich die Zellen direkt vor Ihnen befinden. Druckanweisungen in Jupyter-Notizbüchern erfordern mehr Aufwand beim Einrichten und Ausführen.
  Excel ist eigenst?ndig; Der Wert von Jupyter liegt im Paket-?kosystem von Python.
• Pythons Abh?ngigkeit von externen Bibliotheken macht es für IT-Abteilungen einfacher, die Verwendung von Jupyter einzuschr?nken.
  • Sowohl die lokale Installation von Jupyter als auch die Ausführung von Notebooks über ein Netzwerk erfordern mehr Setup als das ?ffnen von Excel.
  • Die meisten Excel-Tabellen verwenden nur Funktionen, die im Lieferumfang von Excel enthalten sind. Das bedeutet, dass ein Gesch?ftskontakt Ihr Modell einfach ?ffnen, ?ndern und ausführen kann. Es ist schwierig, Notizbücher au?erhalb und sogar innerhalb einer Organisation zu teilen, da sie stark an eine bestimmte Python-Umgebung gebunden sind und Python-Umgebungen schwierig einzurichten sind.
  Excel kann als ?Datenbank für arme Leute“ fungieren, tabellarische Daten über mehrere Bl?tter hinweg speichern und OLAP-?hnliche Funktionen über PivotTables bereitstellen. Jupyter-Notebooks laden Daten normalerweise von einer API oder einem freigegebenen Dateispeicherort, ein weiterer Grund, warum sie nicht so eigenst?ndig sind.
• Das ?Falschen der Zahlen“ ist in Excel einfacher als in Jupyter. Tabellen werden in Echtzeit aktualisiert, ohne dass Code erneut ausgeführt oder interaktive Widgets eingerichtet werden müssen. Einmalige ?nderungen sind einfacher durchzuführen, was wichtig ist, wenn es auf Geschwindigkeit ankommt.
• Das Arbeiten mit Code ist in Jupyter unvermeidlich, aber Excel kann vollst?ndig über eine grafische Benutzeroberfl?che verwendet werden: Es gibt sogar Menüs zur Auswahl von Funktionen in Zellformeln.
  • Jupyter ist offener und flexibler, erfordert jedoch mehr technisches Wissen, um es effektiv nutzen zu k?nnen.
• Jupyter legt einen st?rkeren Schwerpunkt auf Erz?hlung und Geschichtenerz?hlen als Excel.
  • Jupyter-Notizbücher sind für die kompetente Programmierung konzipiert, bei der Code und Prosa vermischt werden, um einen Erz?hlfluss zu erzeugen.
  • Berichterstellung und Pr?sentation in Excel basieren normalerweise entweder auf Kopieren/Einfügen oder auf Integrationen mit PowerPoint.

Implikationen

Microsofts Bemühungen, Python in Excel zu integrieren, werden die Dominanz von Jupyter im wissenschaftlichen und technischen Rechnen nicht wesentlich untergraben. Tabellenkalkulationen fehlt eine natürliche Erz?hlstruktur, weshalb sie für die Ausbildung und reproduzierbare Forschung weniger geeignet sind. Darüber hinaus wird die ?Open Science“-Community niemals ein Closed-Source-Tool übernehmen, das von einem amerikanischen Technologieriesen entwickelt wurde.

Es werden Tools und ?Best Practices“ entstehen, um die betrieblichen Nachteile von Jupyter-Notebooks zu mildern³, genau wie bei Tabellenkalkulationen. Die meisten Front-Office-Benutzer werden solche Richtlinien ignorieren⁴, was zu anhaltenden Spannungen mit den IT-Abteilungen führt. Nachdem sie gesehen haben, wie sich die Dinge mit Excel entwickelt haben, betrachten viele IT-Abteilungen die Unterstützung von Jupyter als das ?ffnen der Büchse der Pandora voller Sicherheitslücken und Wartungsproblemen.

Beide Plattformen werden auf absehbare Zeit überleben. Keiner von beiden wird den anderen ersetzen, da sie auf Benutzergruppen mit grundlegend unterschiedlichen F?higkeiten abzielen. Personen, die an der Schnittstelle zwischen quantitativer Modellierung und Gesch?ftsentscheidungsfindung arbeiten, müssen weiterhin mit beiden Tools vertraut sein.

Abschluss

Verwenden Sie das Tool, das am besten zur Kultur der Organisation passt, in der Sie Probleme l?sen. Es gibt Situationen, in denen technische Anforderungen Sie dazu zwingen, ein Tool einem anderen vorzuziehen, genau wie es in anderen Situationen der Fall ist Organisationen, die Ihnen nur die Verwendung des einen oder anderen Tools erlauben. Wenn Sie in einem von Excel dominierten Bereich arbeiten und die Funktionen von Python ben?tigen, meiner Erfahrung nach ist es einfacher, Excel-Tabellen aus Python-Code zu lesen und zu schreiben, als Excel-Benutzer dazu zu bringen, ein Jupyter-Notizbuch zu ?ffnen.

Softwareentwickler und IT-Abteilungen auf der ganzen Welt werden weiterhin auf Jupyter-Notebooks herabblicken, so wie sie es schon seit Jahrzehnten mit Tabellenkalkulationen tun. Die Tatsache, dass MBA-Studenten keine Jupyter-Notebooks verwenden, macht es für die IT einfacher, drakonische Beschr?nkungen für deren Nutzung durchzusetzen. Ironischerweise erhalten viele Front-Office-Benutzer m?glicherweise erst Zugriff auf Python, wenn Microsoft die Integration in Excel abgeschlossen hat.

1. Einige Verweigerer verwenden immer noch MATLAB, R, SPSS oder SAS, aber hohe Lizenzgebühren werden Benutzer im Laufe der Zeit weiterhin dazu dr?ngen, sich kostenlosen und Open-Source-Alternativen zuzuwenden. Für Firmen wie MathWorks ist die Eroberung des Bildungsmarktes ein zentraler Bestandteil der Gesch?ftsstrategie, aber es ist unwahrscheinlich, dass sie dauerhaft bestehen bleiben.??

2. Tools wie nbdime k?nnen bei der Versionskontrolle für Jupyter-Notebooks hilfreich sein, aber ihre Verwendung erh?ht die Komplexit?t noch weiter.??

3. Tools wie Papermill zielen darauf ab, den Betrieb von Notebooks in Produktionsumgebungen zu optimieren. Cloud-Anbieter unterstützen auch die Erstellung von Pipelines mit Jupyter-Notebooks in der Produktion.??

4. Wie viele Menschen haben überhaupt vom FAST-Standard zum Erstellen von Tabellenkalkulationen geh?rt???

Das obige ist der detaillierte Inhalt vonJupyter-Notizbücher sind wie Tabellenkalkulationen. Lernen Sie beides.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!