Universidad Complutense de Madrid

MANUAL DE USO DE JUPYTER NOTEBOOK

PARA APLICACIONES DOCENTES

Autores:
Eduardo Cabrera Granado
Elena Dı́az Garcı́a
Índice general

Introducción 1

Jupyter Notebook 3

Python 11

Gestión de cursos 21

Propuestas Docentes 27

Conclusiones 31

Referencias 33
Introducción

El proyecto de código abierto Jupyter pretende generar una plataforma compu-

tacional que permita utilizar diferentes lenguajes (su nombre proviene de unir los
3 lenguajes quizás más populares en cálculo cientı́fico: Julia, Python y R). El pilar
en el que se sustenta es la interfaz web Jupyter Notebook, que aglutina la ejecución
de código, inclusión de texto junto a ecuaciones en LaTeX (vı́a MathJax), video, y
todo lo que se pueda visualizar con un navegador. Su funcionalidad, por otro lado,
puede ser extendida gracias a herramientas como nbconvert , encargada de gestionar
la conversión a formatos como LaTeX, PDF o presentaciones web basadas en Re-
veal.js, o ipywidgets que proporciona widgets interactivos dentro del documento. Su
desarrollo ha sido patrocinado por compañı́as como Micro- soft o Google ası́ como
impulsado por el proyecto de infraestructura europea Horizonte 2020 denominado
OpenDreamKit. Su uso en entornos docentes ha crecido en popularidad debido a
su gran flexibilidad, fácil acceso a través del navegador y las posibilidades añadidas
de separar el propio documento del núcleo de cálculo en el lenguaje escogido. Esta
arquitectura permite abandonar la instalación local. El profesor puede hacer uso
de un servidor externo (o su propio ordenador) para proporcionar a los estudiantes
lecciones, presentaciones, o tareas interactivas. Esta caracterı́stica permite eliminar
una de las grandes barreras de acceso que se presentan al incluir un nuevo tipo de
documento o programa, como es su instalación en el equipo personal del estudiante.
Utilizando este tipo de documentos se pueden generar lecciones o material de apoyo
al estudio individual ricos en contenido, ası́ como material de trabajo colaborativo
que incluya elementos de cálculo numérico. Dado que resulta inevitable que un estu-
diante del área de ciencias necesite trabajar con algún tipo de programa de cálculo a
2 Introducción

lo largo de su carrera universitaria ası́ como en su futuro laboral, la inclusión de este

tipo de elementos permite al alumno comenzar a familiarizarse con ellos, adquirien-
do por tanto una competencia transversal de gran valor para su formación. Además,
proporciona otro nivel más de profundización en los contenidos de la asignatura, que
podrá ser explorado por aquellos estudiantes con una mayor motivación, aunque no
se requiera para el desarrollo normal del curso.
A lo largo del presente manual veremos las caracterı́sticas generales de la interfaz
Jupyter Notebook, su instalación y uso para proporcionar lecciones y ejercicios útiles
en estudios cientı́ficos. A su vez, se describirán varias opciones para proporcionar
un servidor de este tipo de documentos accesible por los estudiantes a través del
ordenador, ası́ como añadidos especı́ficos para docencia como es la gestión de un
curso ı́ntegramente realizado en Jupyter Notebooks.
Jupyter Notebook

Jupyter Notebook es una interfaz web de código abierto que permite la inclusión de
texto, vı́deo, audio, imágenes ası́ como la ejecución de código a través del navegador
en múltiples lenguajes. Esta ejecución se realiza mediante la comunicación con un
núcleo (Kernel) de cálculo. Aunque en principio, el equipo de desarrollo de Jupyter
Notebook incluye por defecto únicamente el núcleo de cálculo Python, el carácter
abierto del proyecto ha permitido aumentar el número de núcleos disponibles [1],
incluyendo, por ejemplo Octave, Julia, R, Haskell, Ruby, C/C++, Fortran, Java,
SageMath, Scala, o también Matlab y Mathematica. Esta interfaz, agnóstica del
lenguaje (de ahı́ su nombre al unir 3 de los lenguajes de programación de código
abierto más utilizados en el ámbito cientı́fico: Ju-lia, Py-thon y R), puede suponer
por tanto una estandarización para mostrar el contenido de cursos cientı́ficos, sin
encontrarse limitado a la adopción de un único lenguaje.

Esta versatilidad ha permitido una adopción creciente tanto en el ámbito docen-

te como investigador. En este último campo, la inclusión de Jupyter Notebooks con
cálculos, datos y figuras adicionales a artı́culos aparecen cada vez más en las revistas
cientı́ficas. Por ejemplo, los datos y cálculos facilitados en este formato por el equipo
de LIGO, dedicado al descubrimiento de las ondas gravitacionales. En lo referente
a su uso docente cabe destacar el curso AeroPython de la Universidad George Wa-
shington e impartido por la profesora Lorena Barba enteramente utilizando Jupyter
Notebooks.
4 Jupyter Notebook

Orı́genes

Jupyter Notebook nace como una evolución de la interfaz Ipython Notebook, bási-
camente con las mismas funcionalidades pero añadiendo la posibilidad de ejecutar
código en múltiples lenguajes. Por otro lado, la interfaz web, común tanto a Jupyter
Notebook como a Ipython Notebook, supone el desarrollo en software libre de un
“cuaderno computacional” al mismo estilo que los cuadernos empleados en el progra-
ma Mathematica o en Maple y cuyo primer intento fue realizado por William Stein
para el programa de cálculo Sage (Sage Notebooks). Para este desarrollo, llevado a
cabo por Fernando Pérez y Robert Kern, en la Universidad de Berkeley (California,
EEUU), se basaron en principio en el lenguaje de programación Python, dada su
gran versatilidad, amplia adopción por la comunidad cientı́fica y su carácter libre.
Aunque en un principio el desarrollo no se centró en una interfaz web, sino en propor-
cionar un intérprete de comandos interactivo para el lenguaje Python (denominado
IPython), a partir de 2010 el trabajo del equipo de desarrollo de IPython permite
la aparición de la interfaz Jupyter Notebook.
Desde entonces, el desarrollo de estos “cuadernos computacionales”, ası́ como su
uso, no ha parado de crecer. Por ejemplo, la plataforma de desarrollo de proyectos
libres más importante actualmente, GitHub, permite la visualización de Jupyter
Notebooks directamente en su página web, alojando más de un millón de este tipo
de documentos, de libre acceso, en sus servidores.

Descripción de la interfaz

Al ejecutar Jupyter Notebook en el ordenador, aparecerá, en nuestro navegador una

primera página denominada Jupyter Dashboard. En ella podremos ver la lista de
archivos disponibles en la carpeta en donde hayamos ejecutado nuestro programa.
Además, en caso de tener instalados añadidos (extensiones) a nuestro Jupyter No-
tebook, como por ejemplo el gestor de cursos y corrección automática Nbgrader,
también nos aparecerá en esta página de acceso. Otro elemento importante es el
botón, en la esquina superior derecha, para subir archivos al servidor. En caso de
 5

ejecutarse Jupyter Notebook localmente, este botón no presenta una gran funcionali-
dad, pero sı́ para el caso en que accedamos a estos documentos desde otro ordenador
y a través del navegador.
Para generar un primer Jupyter Notebook, pincharemos en New y elegiremos el
núcleo de cálculo entre aquellos que tengamos instalados. Por defecto únicamente
tendremos Python. Un ejemplo de un documento tipo Jupyter Notebook puede
visualizarse en la Figura 1.

Figura 1. Ejemplo de un documento Jupyter Notebook.

En la parte superior del documento disponemos de los distintos menús para

controlar tanto la edición, como para descargar el documento en varios formatos (por
ejemplo, PDF) ası́ como insertar o borrar partes del documento. También incluye
la elección y el control del núcleo de cálculo (pudiendo pararlo si ası́ se desea) y un
botón de ayuda que cubre gran parte de las caracterı́sticas de Jupyter Notebook.
El documento en sı́ se divide en distintas celdas, el comportamiento de las cua-
les puede seleccionarse entre distintas opciones: tı́tulo (de diversos tamaños), texto
(plano o enriquecido utilizando el lenguaje Markdown) o código. Aparte de estas op-
ciones, las librerı́as especı́ficas permiten importar imágenes o vı́deos, incluir enlaces
a recursos web o incluso incrustar una página web completa dentro del documento.
Para insertar texto con formato, la opción elegida por Jupyter Notebook es
utilizar el lenguaje Markdown. De este modo, por ejemplo, se pueden incluir listas,
texto en negrita o cursiva, tablas o imágenes. La cantidad de tutoriales en la red
sobre este lenguaje es inmenso por lo que nos centraremos en indicar cómo se utiliza
6 Jupyter Notebook

para las opciones de formato más utilizadas:

• Texto en negrita/cursiva: El texto en negrita se indica entre dos pares de

asteriscos. De este modo **palabra** aparecerá como palabra. Por otro lado,
el texto en cursiva se indica entre dos asteriscos simples, es decir *palabra*
aparecerá como palabra.

• Listas: Las listas en Markdown se realizan indicando un asterisco o un núme-

ro seguido de un punto si se desean listas numeradas. Markdown organiza
automáticamente los items asignándoles el número correcto.

• Inclusión de imágenes: La sintaxis para incluir imágenes en Markdown es

 en donde el nombre al-
ternativo aparecerá en caso de que no se pueda cargar la imágen y la dirección
puede referirse a una imagen local o un enlace en Internet.

• Inclusión de código HTML: El lenguaje Markdown es un subconjunto del len-

guaje HTML y en donde se necesite un mayor control del formato, se puede
incluir directamente en HTML.

• Enlaces: Las celdas de texto pueden contener enlaces, tanto a otras partes del
documento, como a páginas en internet u otros archivos locales. Su sintaxis es
[texto](dirección del enlace).

• Fórmulas matemáticas: Gracias al uso de MathJax, se puede incluir código

en LaTeX para mostrar todo tipo de fórmulas y expresiones matemáticas.
Las fórmulas dentro de una lı́nea de texto se escriben entre sı́mbolos de dolar
($...$) mientras que las expresiones separadas del texto utilizan sı́mbolos de
dolar dobles ($$...$$).

Estas posibilidades permiten utilizar las celdas de texto de manera versátil docu-
mentando el código de otras celdas o, por ejemplo, explicando detalladamente algún
concepto teórico, del que después se puede presentar un ejercicio.
La creación de una nueva celda provoca la aparición automática de una celda
de código. El lenguaje que se utiliza viene determinado por la elección del núcleo
 7

para todo el documento. Actualmente, mezclar dos lenguajes de programación en el

mismo documento no está soportado.

Instalación
Uno de los requisitos que el sistema donde se instale Jupyter Notebook ha de po-
seer es disponer de Python. Aunque los documentos permiten la ejecución en otros
lenguajes de programación, algunas de las funciones de Jupyter Notebook están im-
plementadas en este lenguaje. Dada su enorme popularidad en el ámbito cientı́fico,
suites de cálculo cientı́fico ofreciendo gran cantidad de módulos de Python han apa-
recido en los últimos años. Dentro de ellas, quizás la más conocida es Anaconda, de
la empresa Continuum Analytics. Este pack de módulos de Python dispone a su vez
de un gestor de paquetes y ha facilitado enormemente la instalación y gestión de
librerı́as de Python relacionadas con aplicaciones cientı́ficas.
Uno de los módulos por defecto que Anaconda instala es Jupyter Notebook por
lo que la instalación recomendada, independientemente del sistema operativo, es
instalar dicha distribución de Python cientı́fico. Para ello, la página de descarga de
Anaconda [2] permite obtener gratuitamente este producto. Siguiendo los pasos de
instalación, podemos tener disponible Jupyter Notebook, el cual podemos ejecutar
escribiendo jupyter notebook en una consola.

Plataformas online para su uso sin instalación

Aunque la instalación de Jupyter Notebook se ha simplificado enormemente en los
últimos años, una de las caracterı́sticas esenciales en su uso docente es la separación
de esta interfaz del núcleo de cálculo, lo cual hace que el estudiante pueda consultar,
mediante un navegador, los documentos interactivos en este formato que se ejecutan
en otro ordenador, bien sea el del profesor o un servidor facilitado por un servicio en
la nube. A continuación se enumeran algunas de estas alternativas. Nos centraremos
en aquellas que no se restrinjan a mostrar una versión estática del documento, sino
que permitan la ejecución de código en ellos. Ejemplos del primer caso, podrı́an ser
8 Jupyter Notebook

GitHub [3] o NbViewer [4].

1. CoCalc: Este entorno de computación online [5] proporciona varias herra-

mientas únicas destinadas a un uso docente: permite la edición colaborativa de
documentos Jupyter Notebook, lo que multiplica las posibilidades para realizar
trabajos en grupo y dispone de un gestor de cursos y tareas, lo que simplifica
la tarea del profesor para proporcionar tanto material de apoyo, como para
calificar tareas y distribuir una retroalimentación a los estudiantes. Además, es
gratuito y por tanto los estudiantes siguen manteniendo su cuenta al finalizar
el curso, lo que permite el acceso a las simulaciones y explicaciones que pue-
den resultar de utilidad en otras asignaturas de cursos posteriores. También
dispone de paquetes de cursos de pago en donde se ofrece acceso a servidores
más estables que en las cuentas gratuitas y más recursos computacionales.

2. Gryd: Este servicio [6] ofrece cuentas gratuitas para estudiantes ası́ como un
paquete académico para la gestión de cursos utilizando nbgrader, aunque su
precio no se encuentra publicado actualmente.

3. Google Colab: Aunque actualmente su acceso se encuentra restringido [7]

Google Colab proporciona un servidor de Jupyter Notebooks donde se incluye
la opción de editar colaborativamente un mismo documento, al estilo de Google
Documents. Esta funcionalidad lo hace especialmente atractivo como servicio
destinado a trabajos en grupo durante el desarrollo de un curso universitario.

4. MyBinder: Este servicio [8] permite la creación de un servidor temporal pa-

ra ejecutar los documentos Jupyter Notebooks alojados en un repositorio en
GitHub. Es completamente gratuito.

5. JupyterHub: Más que un servicio online, JupyterHub es una de herramienta

más dentro del ecosistema Jupyter, enfocado a proporcionar un servidor multi-
usuario para poder ser utilizado en clase o por un equipo de investigación, por
ejemplo. Sobre esta herramienta dedicamos un capı́tulo aparte en este mismo
manual por lo que su discusión se pospone a ese punto.
 9

Exportar a otros formatos

Aunque los documentos generados por Jupyter Notebook son fácilmente ac-
cesibles a través de un navegador, en ocasiones es necesario o útil disponer
de otros formatos, por ejemplo, utilizar un archivo Python ejecutable. Con
el fin de facilitar la conversión de los notebooks, Jupyter dispone desde la
versión 1.0 (versión actual a dı́a de hoy) de la herramienta nbconvert, que
permite exportar los documentos hechos en Jupyter Notebook a otros for-
matos. Concretamente, la herramienta incluida en la instalación de Jupyter
Notebook denominada nbconvert proporciona la conversión a documentos
estáticos (es decir, las celdas no pueden ejecutarse), en formato HTML, La-
TeX, Markdown, reStructuredText, script de Python ejecutable y, finalmente,
en formato presentación. El uso de esta herramienta requiere la instalación
de un nuevo paquete denominado Pandoc, que puede instalarse a través del
gestor de paquetes de las distintas distribuciones Linux o bien, a través de su
página web [9].

El funcionamiento de esta herramienta puede realizarse mediante una terminal

o consola, o bien directamente desde el documento, a través del menú File
->Download as..., aunque para explotar todas sus capacidades indicamos a
continuación la sintaxis para su uso en una terminal. Esta es,

$ jupyter nbconvert --to FORMAT notebook.ipynb

donde FORMAT es el formato que se desea obtener. Por ejemplo, si queremos

convertir nuestro documento a un archivo en LaTeX, escribirı́amos:

$ jupyter nbconvert --to latex notebook.ipynb

Una vez generado el archivo .tex podemos convertirlo a pdf mediante, por
ejemplo, pdflatex o cualquier editor de LaTeX. Si queremos realizar realizar
la conversión a formato pdf directamente, podemos añadirlo a la anterior ins-
trucción, quedando,

$ jupyter nbconvert --to latex notebook.ipynb --post PDF

10 Jupyter Notebook

También es posible modificar las plantillas de nuestro archivo LaTeX generado

a formato libro por ejemplo añadiendo --template book. Es necesario hacer
notar que el formato presentación no genera un archivo PowerPoint o similar,
sino una presentación Reveal.js en HTML, que requiere para su visualización
que el ordenador muestre la presentación en el navegador. Este requisito se
cumple si añadimos a la lı́nea anterior la opción --post serve. Este tipo
de presentaciones, aunque más difı́ciles de mostrar por la necesidad de que
el ordenador actúe como servidor de esa página en HTML, dan un mayor
número de opciones que las presentaciones tradicionales y son más sencillas de
compartir a través de diferentes sistemas operativos y plataformas.

Para más información, se pueden consultar los siguientes enlaces [10, 11].

Recursos en la red
La cantidad de recursos en la red dedicada a Jupyter Notebooks no para de crecer y
de modificarse con el tiempo. Es por ello que la siguiente lista ha de tomarse como
una muestra, para nada completa, y válida únicamente en las fechas en las que se
ha generado este documento. Sin embargo, y dada la importancia de los sitios web
a los que se refieren los siguientes enlaces, es esperable que, aunque nuevos sitios de
referencia puedan surgir, los resaltados a continuación puedan seguir siendo recursos
útiles en el futuro.

1. Documentación de Jupyter Notebook [12]

2. Subforo en Reddit dedicado a Jupyter Notebooks [13]

3. Galerı́a con una selección de Jupyter Notebooks [14]

4. Página de desarrollo de CoCalc [15]

Dado que el lenguaje principal de los documentos mostrados en el Anexo ha sido

Python, a continuación se muestran algunas de sus caracterı́sticas, especialmente
comparando con otros programas de cálculo como Matlab, también ampliamente
utilizado en los estudios universitarios de carácter cientı́fico.
Python

Among the different alternatives for open source software devoted to computational
programming, Python has become one of the most used options. Thus, learning this
programming language can be very beneficial for students in their future careers.
Moreover, there is a vast amount of scientific modules that are easily imported,
matching the capabilities of Python to those of commercial software.
The most relevant libraries in the scientific environment are:

• SciPy: it groups together many relevant functions for numerical calculations.

• NumPy: it provides specific functions for vector and matrix calculations.

• SymPy: it encompasses all necessary functions for symbolic calculations.

• Matplotlib: it contains tools for 2D and 3D plots (similar to those in MATLAB).

• Mayavi: specific library for 3D plots.

• Pandas: specific library for data management and analysis.

Apart from these, there are numerous libraries designes for specific needs, such
as image processing (openCV), machine learning (scikit-learn) and many more.

Most common commands

We will now enumerate the most common commands in Python to perform scientific
operations in Jupyter Notebook using Pythona as the computational kernel.
a
Notice that we will consider Python 3 as the computational kernel. There are not many diffe-
rences with Python 2, except for some syntax subtleties, an example of which corresponds to the
12 Python

• Library management

– Import all functions within a library: taking the NumPy library as

an example, we would have to write in our document
from numpy import *
There are functions appearing in two different libraries which act diffe-
rently. Hence, it is sometimes useful to import a library with a distinctive
prefix. Moreover, specially when writing Python scripts, it is good prac-
tice to include this prefix for a future reading of the script and to fix
possibly appearing bugs. It is common to choose the prefix np for the
NumPy library. This is accomplished by
import numpy as np

– Import a specific function: sometimes we just want to import a fun-

ction from a library, instead of the whole library. As an example, let us
consider importing the cosine function from the NumPy library. In this
case, we would write
from numpy import cos

– Advice for educational applications: in general, for scientific sub-

jects, the easiest thing to do would be to use the PyLab environment.
Once executed, this environment automatically imports the most used
functions and allows to write code in a very similar way to MATLAB.
Moreover, in order for the plots to appear in the notebook instead of
in a different tab, it is necessary to include the inline command. Both
aspects are taken care of by writing at the beginning of the file
b
%pylab inline
print command.
b
Another alternative would be to write the following three lines at the beginning of any docu-
ment:
from numpy import *
from matplotlib.pyplot import *
%matplotlib inline
 13

• Commands for numerical calculations:

– Help: we can retrieve more information from a specific function by typing

help(function) or function?

– Printing on screen: in order to display text or the value of a variable,

x, when executing a cell, we would write
print(’Variable x has the value’)
print(x)

– Inserting an image: this is done by importing the function Image. Its

syntax isc
from IPython.display import Image
Image(filename=”TestFigure”)
As an alternative, an image can also be included directly in a Markdown
cell by using Markdown’s syntax, or even with HTML for further custo-
mization options, such as changing the size or position of the image in a
cell. In order to include an image in a Markdown cell we would type the
following:
Alternative Text in the previous command refers to a text that would
be shown in case the image could not be loaded. The text in parenthesis
corresponds to the directory of the image, which can also be a webpage. If
we want to include an image that is in the same directory as the notebook
is, we have to include the directory after files/.

– Embed a webpage: Jupyter Notebook allows to embed a webpage wit-

hin the notebook, indicating the width and height of the frame containing
it. In order to do so, we must include the HTML function. An example
would be:
from IPython.display import HTML
c
In this case, the image is considered to be in the same directory as the notebook is, but it is
also possible to insert an image from the Internet.
14 Python

HTML(’<iframe
src=http://www.wikipedia.org width=800px height=400px >’)

– Embed a YouTube video: embeding videos allows to broaden the spec-

trum of educational possibilities. Among the different alternatives, You-
Tube hosts an enormous amount of scientific videos. In order to display
one of them, we would need to use the video ID assigned by YouTube to
each that specific video:
from IPython.display import Youtube
Youtube(”videoID”)

– Loop: we will consider the most common loop, the for loop. For instance,
if we want to print the numbers from 1 to 10 on the screen, we would
write
for j in range(1,10):
print(j)

– Conditionals: we will consider the three most general cases. The sim-
plest conditional is usually written with the if command, as is shown in
the following example,
if j>0:
print(’The variable’, j, ’is positive’)
For a conditional including two cases, we would use if . . . else . . . as
follows
if j>0:
print(’Variable’, j, ’is positive’)
else:
print(’Variable’, j, ’is negative or zero’)
Finally, the while command, which is used in conditionals within loops,
will be used in the following way
j=-5
while j<0:
 15

print(’Variable’, j, ’is still negative’)

j++

– Defining functions: specific functions can be defined by means of the

def command. For instance, if we want to define the step function we
would do
def fun(x):
if(x>0):
return 1
else:
return 0

– Vectors and matrices: there are different alternatives to create vectors

and matrices. Here we will only consider a few examples. In order to create
a vector of numbers with a fixed number of elements, say, a 100, with
values within an initial and a final value, say, 0 and a 10, the linspace
function is very useful, and in our example would be used as follows,
x=linspace(0,10,100)
If instead of the number of elements, we wish to specify the step between
different elements of the vector, the function to use is arange. For ins-
tance, if we want to generate a vector from 0 to 10 with a step of 1, we
would write:
arange(0,11,1)
Notice that the second element of arange has to be the final value of our
desired range plus the step.
Other useful functions to generate m × n matrices are the following:

∗ If all elements are equal to zero:

zeros((m,n))
∗ If all elements are equal to one:
ones((m,n))
∗ If all elements do not have an initially predetermined value:
16 Python

empty((m,n))

– Plots: a basic plot would be that of the cosine function. This can be
achieved by using the following sequence of commands:
x=linspace(0,10,100)
y=cos(x)
plot(x,y)
xlabel(’X’)
ylabel(’Y’)
title(’PlotTest’)
The last three lines define the X-axis, Y -axis and plot titles, respectively.

As it can be seen in the previous examples, in Jupyter Notebook it is not

necessary to separate each line of code by any punctuation mark. However,
it is very important to respect the indentation style. This characteristic eases
legibility and cleanness of the code, which can be helpful for the students.

Finally, each cell can be executed using the combination of keys Shift + Enter
or clicking the play button that appears in the notebook.

Converting code from a different language to Pyt-

hon
It is possible to execute code written in different programming languages using
a specific kernel to those languages. However, the ever-increasing applicability of
Python to the scientific environment, as well as the vast collection of libraries that
are created continuously, make this language an excellent choice of open source
software for general purposes. For this reason, we will now analyze how to convert
code from a different language to Python, focusing on the most used languages:
MATLAB/Octave, Mathematica and C/C++.

• MATLAB/Octave. MATLAB is one of the most used programming softwa-

res due to its power and flexibility, as well as to it being easy to learn.
 17

In Table 1 we provide some of the most common commands in MATLAB and

their equivalent in Python, using NumPy or SciPy. More information can be
found at [16].

Operations MATLAB NumPy/SciPy

First element of the array a a(1) a[0]
Last element of the array a a(end) a[-1]
Elementwise multiplication of two arrays a and b a.*b a*b
Size of a matrix A size(A) shape(A)
Find indices where a > 2 find(a>2) nonzero(a>2)
Maximum of a matrix A max(max(A)) A.max()
Generate a vector with elements from 0 to 5 0:5 arange(6)
Generate a 3×3 zero matrix zeros(3,3) zeros((3,3))
a to the power 4 a^4 a**4
Fourier transform of a fft(a) fft.fft(a)

Tabla 1. Equivalence of MATLAB y NumPy/SciPy commands.

• Mathematica. Mathematica is primarily a symbolic calculation software, alt-

hough its newest versions have increased the number of numerical calculation
capabilities. Probably, the most similar module in Python would be SymPy,
which enables to perform this kind of symbolic operations very easily. Even
though its power and library is not at the same level of Mathematica, it is more
than enough for educational purposes, as well as for most scientific needs. On
the other hand, its constant development guarantees continuous improvements
in the future. Another more powerful alternative is SageMath, which allows to
use various open software alternatives, such as Maxima, SymPy, NumPy, etc.
using a unified syntax. However, SageMath is out of the Python ecosystem so
it will not be considered here.

In Table 2 we provide a list with some equivalences between Mathematica and

SymPy. More Information can be found at [17].
18 Python

Operations Mathematica SymPy

Definition of a symbol Not needed x=Symbol(’x’)
Fraction decomposition Apart[expr] apart(expr,x)
Fraction combination Together[expr] together(expr,x)
Evaluate an expression N[] N()/evalf()
Limit of a function Limit[expr,x->x0] limit(expr,x,x0)
Differentiation D[expr,var] diff(expr,var)
Power Series expansion Series[f,{x,x0,n}] f.series(x,x0,n)
Indefinite integral Integrate[f,x] integrate(f,x)
Definite integral Integrate[f,{x,a,b}] integrate(f,(x,a,b))
Algebraic equation solver Solve[expr,x] solve(expr,x)

Tabla 2. Command equivalences between Mathematica and SymPy.

• C/C++.

C/C++, together with Fortran, is well-known for being extremely fast, espe-
cially in executing loops. Since Python is an interpreted language, execution is
slower than in a compiled language such as C. In turn, legibility and easiness
for programming is obtained, which saves time both for developing code and
for fixing bugs. More importantly, from an educational viewpoint, it is much
simpler to learn that with C/C++ or Fortran, which limits the use of the lat-
ter for generating simple codes to support the explanations of other concepts.
However, the fact that C is faster than Python has led to the development of
some alternatives to use C in Python. Below we describe two of them:

– Weave: it is part of the SciPy module and allows to write C or C++ code
directly within a Python program. In order to use it, a C/C++ compiler
must be installed beforehand, apart from Python. Weave can be used in
two ways: with the inline function or with the blitz function. In the
first case, C/C++ code is written directly as a chain of characters (wit-
hin quotation marks) inside the function inline(). The first time the
 19

program is executed, Weave takes care of compiling that code (calling

the previously installed compiler) and it will generate a library which
in successive executions will not need to be compiled anymore, substan-
tially reducing executing time. On the other hand, blitz() transforms
expressions from NumPy to C/C++ code, performing that exact same
function, but in a much faster way. In this case, the main advantage is
that the user needs not know how to program in C/C++, but only how
to use the expressions from the NumPy module.

– Cython: during the last years, Cython has gained popularity and it
is a very flexible solution to save time executing Python programs. In
contrast to Weave, Cython is a programming language itself, based on
Python and encompassing it. It can execute Python code or modify it
including definition of variables with type declaration, which allows to
fasten execution. Using Cython requires a much more advance knowledge
than that described in this Guide, so it will not be considered in detail
here. More information can be found at [18].
Gestión de cursos

Jupyter Notebook permite generar documentos interactivos para el alumno que le

ayuden a explorar y profundizar en los distintos aspectos tratados en una asignatura
de ámbito cientı́fico. En este sentido, suponen una herramienta muy útil de apoyo
para el trabajo individual del estudiante y una ayuda para el profesor para extender
las explicaciones en clase a otros niveles. Sin embargo, la gestión de un curso basado
totalmente o parcialmente parte en este tipo de documentos obliga a disponer de un
servidor capaz de ofrecer el acceso a estos cuadernos interactivos. Además, si inclui-
mos ejercicios en este formato, requeriremos de alguna herramienta para corregirlos
y para distribuir dicha corrección entre todos los estudiantes.
En este capı́tulo abordamos dos posibilidades para la gestión de un curso utili-
zando Jupyter Notebooks. En primer lugar, un servicio externo, con la gran ventaja
de disponer de una plataforma con nulo trabajo para ser puesta en marcha. En
segundo lugar, una solución local, en la que el profesor configura ese servidor de
Jupyter Notebooks. La ventaja en ese último caso es el control completo de todo el
proceso por parte del profesor, aunque con el coste de una mayor complejidad para
su configuración.

CoCalc

Cocalc [5] , anteriormente conocido como SageMathCloud, proporciona una plata-

forma completa de trabajo en la nube para la computación cientı́fica. Dentro de sus
caracterı́sticas, destaca, además de poder ejecutar Jupyter Notebooks, disponer de
una terminal completa (Linux), un editor de texto, editor de LaTeX con previsua-
22 Gestión de cursos

lización instantánea, gestor de tareas y un completo gestor de cursos. El software

instalado, todo ello basado en herramientas libres, es muy amplio, cubriendo multi-
tud de lenguajes de programación, pudiendo extenderse fácilmente instalando en el
espacio del usuario otros programas en Linux.
El espacio personal en CoCalc se organiza en diferentes proyectos, cada uno de
los cuales con sus archivos, los cuales pueden ser generados en la propia plataforma
o bien subidos desde el ordenador del usuario. Por otro lado, también dispone de
tutoriales de distntos aspectos tanto de uso de la plataforma, como de programación
en distintos lenguajes.
En lo referente a la gestión de cursos, el profesor puede añadir estudiantes por su
dirección de correo, asignar tareas copiando automáticamente a todos los integrantes
del curso una carpeta determinada, llevar un registro de la corrección de dichas tareas
y devolver una copia corregida a todos los estudiantes pulsando un único botón. Por
otro lado, su acceso es gratuito, ofreciendo un espacio de 3GB para estas cuentas,
aunque existen paquetes de cursos para distinto número de alumnos con un cierto
coste, comenzando por 199$ para 25 estudiantes d . Estos paquetes ofrecen acceso
reservado a recursos computacionales logrando por tanto una mejor experiencia de
uso.
Otra de las caracterı́sticas más útiles de CoCalc desde el punto de vista docente
es que permite la edición colaborativa simultánea de los documentos Jupyter No-
tebook al estilo de Google Documents, gracias a una versión propia de la interfaz
web de Jupyter Notebook. Este añadido, no presente en la versión por defecto de
Jupyter Notebook, facilita enórmemente el trabajo en grupo sobre una tarea, y se
complementa con un chat integrado en la propia plataforma.
Todas estas opciones hacen de CoCalc una solución completa y sencilla de
usar para la integración de Jupyter Notebooks en un curso académico. Además,
su carácter completamente libre ha propiciado la aparición de una versión local de
la plataforma completa, pudiendo ser instalada en un ordenador cualquiera. Esta
versión local, a modo de imagen Docker, puede ser descargada desde su página de
desarrollo en GitHub [19] y permite, si se dispone de un ordenador suficientemente
d
Ofrecido por CoCalc a fecha de Abril de 2018
 23

potente, utilizar recursos propios para la impartición de un curso basado en Jupyter

Notebooks.

JupyterHub
JupyterHub es una de las herramientas ofrecidas por el proyecto Jupyter, y consiste
en un servidor multiusuario cada uno de los cuales accede a su propio Dashboard
y gestiona sus propios Jupyter Notebooks. Más detalladamente, JupyterHub se en-
carga de presentar una página de identificación a quien accede con el navegador a
la página del servicio, gestiona la identificación del usuario y una vez el acceso ha
sido permitido, presenta un servidor de notebooks especı́fico para ese usuario, donde
puede copiar desde su ordenador cualquier tipo de archivo, descargarlos, crear nue-
vos Jupyter Notebooks y, por supuesto, trabajar con ellos. También permite abrir
una terminal del sistema y, en el caso de tener instaladas extensiones, activarlas
y desactivarlas o hacer uso de sus funcionalidades. En este sentido, y dentro del
contexto de gestión de un curso académico, cabe destacar la extensión denominada
Nbgrader la cual permite a un profesor crear, gestionar y evaluar ejercicios para los
estudiantes (o en el caso en que sea un estudiante quien acceda, trabajar con las
tareas pendientes y enviarlas al profesor).
Por ello JupyterHub posee un gran potencial para su uso docente, al facilitar
un servidor de notebooks para cada uno de los estudiantes de un curso, y en donde
el profesor tiene el control absoluto del software instalado y puede monitorizar el
acceso de cada estudiante.
La instalación y configuración de JupyterHub no es difı́cil, pero es necesario tener
en cuenta algunas consideraciones:

• Acceso externo: Evidentemente, si JupyterHub se utiliza para poner a disposi-

ción de los estudiantes material de un curso, es necesario que se pueda acceder
desde el exterior para facilitar el trabajo fuera de clase. Este acceso hace ne-
cesaria cierta seguridad para proteger las contraseñas de los estudiantes, como
es configurar que JupyterHub utilice una conexión segura mediante el uso del
protocolo https.
24 Gestión de cursos

• Docker : Cada estudiante o usuario accede a un servidor propio en donde se

dispone de una terminal completa, ejecutándose en el ordenador elegido por
el profesor. Esta terminal puede suponer un riesgo de seguridad importante
en caso de no poner lı́mites a su funcionamiento. No solo eso, la ejecución
de comandos del sistema puede ser llevada a cabo a su vez desde un Jupyter
Notebook. Es por ello que, especialmente cuando el servidor es utilizado por
parte del profesor para otras tareas, se hace necesario encapsular de algún
modo el funcionamiento de JupyterHub del resto del sistema.

Afortunadamente, realizar este proceso es relativamente sencillo gracias a Doc-

ker, el cual proporciona contenedores, con un consumo bajo de recursos, ca-
paces de aislar del resto del sistema aplicaciones individuales. El equipo del
proyecto Jupyter tiene disponible para su descarga y ejecución directa uno
de estos contenedores docker (denominada imagen) para JupyterHub [20] ası́
como un tutorial con todos los pasos para configurarlo.

• Escalamiento: El uso simultáneo de diferentes Jupyter Notebooks por parte

de muchos alumnos puede imponer una gran carga de trabajo al servidor
elegido para desarrollar el curso. Es necesario por tanto realizar una estimación
previa de dicha carga, en función del número de alumnos y de los cálculos que
requieran las tareas propuestas por parte del profesor. Como referencia, los
autores de este manual han desarrollado sin problemas un curso con acceso
simultáneo de 25 estudiantes a Jupyter Notebooks (sin requerir un manejo
masivo de datos) utilizando como servidor un ordenador con 8 núcleos y 16
GB de RAM donde se instaló JupyterHub. Mayores necesidades impondrı́an
el uso de ordenadores más potentes o bien de clusters.

JupyterHub proporciona por tanto la base para poder ofrecer a los estudiantes
un entorno unificado de acceso a Jupyter Notebooks a través de su navegador, sin
requerir una instalación local. Sin embargo, para gestionar un curso, es necesario
además una herramienta para generar ejercicios, poderlos corregir y proporcionar
una retroalimentación a los estudiantes. Esta herramienta es la extensión Nbgrader
que se describe a continuación.
 25

Nbgrader
Nbgrader es una extensión a Jupyter Notebook que gestiona la generación, correc-
ción e intercambio de tareas entre el profesor y los estudiantes. Permite incluir tareas
tanto basadas en código (utilizando Python) como ejercicios con respuestas libres
de texto. Para ello dispone de dos herramientas: por un lado, incluye una barra de
opciones adicional a cada celda de Jupyter Notebook para elegir si dicha celda es
el enunciado de un ejercicio, si va a incluir la respuesta del estudiante, o bien si es
una celda de corrección con la posibilidad de incluir códigos que permitan la auto-
corrección de esos ejercicios. Por otro lado, genera una nueva pestaña denominada
Formgrader en la página de acceso a Jupyter Notebook (Jupyter Dashboard) con
una doble funcionalidad. Para el profesor, permite la asignación de tareas, validar los
tests en caso de disponer de celdas de autocorrección, recoger los ejercicios enviados
por los estudiantes, corregirlos y distribuir las versiones corregidas de nuevo a los
alumnos. Para estas tareas, aparte de la interfaz web
Como se puede observar por las anteriores caracterı́sticas descritas, Nbgrader
cubre todo el proceso de gestión de de un curso. Para su instalación, es recomenda-
ble de nuevo utilizar la distribución de Python cientı́fico Anaconda pues la exten-
sión se instalará y se activará en un único paso. Instalaciones manuales requerirán
realizar la activación posteriormente además de la instalación (vease la documen-
tación de Nbgrader en [21]. En el caso, de elegir Anaconda, su gestor de paquetes
de Python realiza todo el trabajo por nosotros con el comando conda install -c
conda-forge nbgrader.
Para comenzar a utilizar la extensión en un curso, pueden ser necesarias ciertas
instrucciones previas para su configuración. Sin embargo, también es posible reali-
zar un comienzo automático con el comando nbgrader quistart course id donde
course id es el nombre que queremos asignar a nuestro curso.
Propuestas Docentes

Consideraciones generales

Las Comisiones que han elaborado los protocolos del Nuevo Espacio Europeo de
Educación Superior (EEES) destacan la importancia de la innovación docente para
la mejora de las clases presenciales teóricas y prácticas, complementadas con una
fuerte participación en seminarios y ejercicios realizados fuera del aula. En particular,
el desarrollo de seminarios interactivos permite al alumno adquirir un conocimiento
teórico a la vez que realiza actividades prácticas al respecto. En el área de ciencias es
importante, además, dotar a los estudiantes de recursos de programación para favo-
recer el aprendizaje de técnicas numéricas imprescindibles en problemas cientı́ficos
de alta complejidad, optimizando el tiempo que se emplea en la adquisición de co-
nocimientos y minimizado el empleado en los cálculos que demuestran los aspectos
teóricos fundamentales. En este marco, hemos propuesto Jupyter Notebook para
el diseño de seminarios interactivos, constituyendo una nueva herramienta docente
utilizable en el aula y puesta a disposición a través del Campus Virtual. Destacamos
que en esta plataforma de cálculo simbólico y numérico, las lı́neas de texto explicati-
vo, las lı́neas de comandos y la representación gráfica coexisten en el mismo entorno,
facilitando ası́ que los estudiantes puedan manejarlo aún sin conocer en detalle todas
sus funcionalidades. El uso de estos seminarios puede realizarse a diferentes niveles
de profundidad según las necesidades docentes y la motivación del alumno.

• El primer nivel consistirá en el uso de las explicaciones, apoyadas con figuras

obtenidas de las simulaciones.
28 Propuestas Docentes

• En un siguiente nivel se plantearán ejercicios en los que el estudiante utilizará

las simulaciones como una caja negra, es decir, cambiando los parámetros y
obteniendo los resultados sin conocer el método de cálculo.

• En el nivel más avanzado los estudiantes podrán modificar los códigos para
ampliar las simulaciones mostradas, adquiriendo ası́ nuevas competencias en
el cálculo numérico.

Jupyter Notebook como herramienta docente, aunque puede ser de utilidad en

cualquier disciplina universitaria, es de especial relevancia en titulaciones de natura-
leza cientı́fica, técnica o relativas a ciencias de la salud, donde usualmente se requiere
una potente herramienta de cálculo numérico, simbólico o estadı́stico. Sin embargo,
no es menos importante destacar otra de las ventajas principales para la comunidad
universitaria, y es que establece una pasarela hacia el conocimiento de herramientas
de software libre, cuya filosofı́a (y no solo por su menor coste económico) conside-
ramos más afı́n a la enseñanza universitaria.
Nos gustarı́a destacar que Jupyter Notebook no circunscribe su aplicación úni-
camente a las tareas docentes. Los módulos y funciones que se utilizan son también
válidos para el desarrollo de programas más avanzados orientados a la investigación,
pudiendo sustituir en gran parte el uso de otros programas comerciales de cálculo
numérico y simbólico. Ası́ pues, su aprendizaje resulta útil para la adquisición de
competencias y capacidades para el ejercicio profesional futuro. En la web [22] se
puede encontrar información sobre la gran cantidad de proyectos cientı́ficos y docen-
tes que usan Python y la herramienta Jupyter Notebook para realizar y compartir
sus cálculos. Entre ellos, cabe destacar el sistema Ganga, desarrollado en el CERN
para el control de trabajos en red de los experimentos en el LHC, o en aplicaciones
docentes como el curso de biologı́a computacional en la Universidad de Michigan
State, basado en Jupyter Notebook. Por todo esto, el aprendizaje de esta herra-
mienta y la base del lenguaje de programación Python permite a los alumnos y
profesores interaccionar con otros proyectos cientı́ficos y docentes muy activos en
otras partes del mundo.
 29

Beneficios para los estudiantes

Detallamos ahora los aspectos del apredizaje que son potenciados por los seminarios
interactivos desarrollados con Jupyter Notebook y los beneficios que este tipo de
seminarios conllevan para los estudiantes:

• Favorecen el aprendizaje autónomo de los estudiantes a diferentes niveles de

complejidad según los intereses y las necesidades de cada alumno.

• Permiten un aprendizaje más atractivo, ya que estos seminarios digitales pue-

den incluir imágenes y vı́deos de alta calidad y enlaces a otras webs de interés.

• Facilitan el proceso activo de adquisición de competencias en el cálculo numéri-

co.

• Promueven el aprendizaje de código de texto en formato LaTeX que se utiliza

para la elaboración de documentos cientı́ficos de amplia difusión, incluso en
imprenta.

• Promueven el conocimiento y aprendizaje de nuevos lenguajes de programa-

ción basados en software libre que no conllevan coste económico y que utilizan
formatos estándar. Es decir, pueden ser fácilmente utilizados por otras perso-
nas y exportados con mayor facilidad.

• Ofrecen nuevas posibilidades de uso del Campus Virtual, con el que los estu-
diantes están cada vez más familiarizados.

• Permiten realizar tareas de evaluación y autoevaluación en remoto de una

forma más flexible y adecuada a las necesidades particulares de cada alumno.
Esto liberará parte del tiempo de clase presencial que podrá ser usado para
ampliar las explicaciones del docente.

• Facilitan su utilización por parte de un mayor número de alumnos, ya que están

disponibles sin necesidad de instalar ningún software comercial y se puede
acceder a ellos a través de dispositivos electrónicos más dinámicos, como los
teléfonos inteligentes o tabletas.
30 Propuestas Docentes

Ejemplos de propuestas docentes

Recientemente hemos recolectado un dosier de los documentos docentes basados en
Jupyter Notebook elaborados en diferentes proyectos de innovación educativa desa-
rrollados en la Universidad Complutense desde el año 2012, visitar la web [23]. Estos
documentos desarrollan algunos de los conceptos más relevantes de las asignaturas
de Óptica Fı́sica y Óptica Biomédica impartidas en el Grado de Óptica y Optometrı́a
de la Facultad de Óptica y Optometrı́a, y de la asignatura de Fı́sica de Estado Sóli-
do del Grado de Fı́sica y del Grado de Ingenierı́a de Materiales impartidos en la
Facultad de Ciencias Fı́sicas, todos adscritos a la Universidad Complutense de Ma-
drid. Estos documentos, sin pretender cubrir todos los conceptos explicados en los
temas de referencia, presentan una pequeña muestra de las capacidades de Jupyter
Notebook dentro de las tareas docentes. Además no deberı́an entenderse como do-
cumentos cerrados, sino, como cualquier material docente, en constante proceso de
actualización y mejora para futuros cursos.
Conclusiones

Tras la evaluación del uso de documentos interactivos basados en la herramienta

Jupyter Notebook para aplicaciones docentes, hemos mostrado que esta platafor-
ma ofrece un entorno rico en contenidos que facilitan el aprendizaje, integrando de
manera natural simulaciones realizadas en Python. Ası́, el estudiante adquiere com-
petencias en cálculo numérico a la vez que profundiza en los conceptos explicados
en el aula. El acceso remoto y la ausencia de coste asociado a su licencia facilitan sin
lugar a dudas la implantación de estas herramientas en los contenidos curriculares
de los Grados en Ciencias.
Los documentos interactivos se pueden utilizar como texto explicativo y ampliado
de los conceptos presentados en el aula, como ejercicio que evalúe el profesor o como
ejercicio de autoevaluación del alumno. Dependiendo de la respuesta del alumnado,
podrı́a incluso involucrarse a los estudiantes en la elaboración de apuntes dinámicos
(a la manera de una Wiki ) que puedan ser mejoras en cursos sucesivos.
Bibliografı́a

[1] https://github.com/jupyter/jupyter/wiki/Jupyter-kernels

[2] https://www.anaconda.com/download/

[3] https://github.com

[4] https://jupyter.nbviewer.org

[5] https://cocalc.com

[6] https://gryd.us

[7] https://research.google.colab.com

[8] https://mybinder.org

[9] http://johnmacfarlane.net/pandoc/installing.html

[10] http://ipython.org/ipython-doc/stable/interactive/nbconvert.html#nbconvert

[11] http://www.slideviper.oquanta.info/tutorial/slideshow tutorial slides.html?transition=non

[12] https://jupyter-notebook.readthedocs.io/en/stable/notebook.html

[13] https://www.reddit.com/r/JupyterNotebooks/

[14] https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks

[15] https://github.com/sagemathinc/cocalc

[16] http://wiki.scipy.org/NumPy for Matlab Users

34 References

[17] https://github.com/sympy/sympy/wiki/SymPy-vs.-Mathematica

[18] http://cython.org

[19] https://github.com/sagemathinc/cocalc-docker

[20] https://hub.docker.com/r/jupyterhub/jupyterhub/

[21] http://nbgrader.readthedocs.io/en/latest/user guide/installation.html

[22] https://wiki.python.org/moin/

[23] https://github.com/ecabreragranado/JupyterUCM