Project Jupyter

บทความนี้อ้างอิงคริสต์ศักราช/คริสต์ทศวรรษ/คริสต์ศตวรรษ ซึ่งเป็นสาระสำคัญของเนื้อหา

Project Jupyter

ชื่อย่อ	Jupyter
ก่อตั้ง	กรกฎาคม 2014; 12 ปีที่แล้ว (2014-07)
ประเภท	องค์การไม่แสวงหาผลกำไร, โครงการซอฟต์แวร์โอเพนซอร์ส
วัตถุประสงค์	การคำนวณเชิงโต้ตอบ วิทยาศาสตร์ข้อมูล และการคำนวณเชิงวิทยาศาสตร์
ภูมิภาคที่รับผิดชอบ	ทั่วโลก
ภาษาทางการ	ภาษาอังกฤษ
องค์กรปกครอง	Jupyter Foundation
เว็บไซต์	jupyter.org

Project Jupyter หรือเรียกสั้น ๆ ว่า Jupyter เป็นโครงการซอฟต์แวร์โอเพนซอร์สและมาตรฐานเปิดสำหรับการคำนวณเชิงโต้ตอบ (interactive computing) การวิเคราะห์ข้อมูล วิทยาศาสตร์ข้อมูล การเรียนรู้ของเครื่อง และการคำนวณเชิงวิทยาศาสตร์ โครงการนี้พัฒนาเครื่องมือที่ให้ผู้ใช้เขียนโค้ด รันโค้ด แสดงผลลัพธ์ สร้างกราฟ เขียนคำอธิบาย และแบ่งปันงานคำนวณในเอกสารหรือสภาพแวดล้อมเดียวกัน^[1][2]

Project Jupyter เกิดจากโครงการ IPython ใน ค.ศ. 2014 เมื่อ IPython ขยายจากเชลล์ภาษาไพทอนและโน้ตบุ๊กภาษาไพทอนไปสู่เครื่องมือที่รองรับหลายภาษา ส่วนที่ผูกกับภาษาไพทอนยังคงอยู่ใน IPython ส่วนที่ไม่ผูกกับภาษาใดภาษาหนึ่ง เช่น notebook, protocol และส่วนติดต่อหลายภาษา ถูกแยกออกมาอยู่ใต้ชื่อ Jupyter^[2][3] ชื่อ “Jupyter” อ้างถึงภาษาโปรแกรมหลักสามภาษาที่โครงการรองรับในช่วงแรก ได้แก่ Julia, Python และ R และยังพ้องเสียงกับ Jupiter หรือดาวพฤหัสบดี ซึ่งเชื่อมโยงกับภาพสมุดบันทึกการสังเกตดวงจันทร์ของกาลิเลโอ กาลิเลอี^[2]

เครื่องมือสำคัญของโครงการ ได้แก่ Jupyter Notebook, JupyterLab, JupyterHub, Jupyter Book, Jupyter Widgets, Voilà, nbconvert, nbformat และระบบ Jupyter kernels ซึ่งทำให้ Jupyter ใช้ได้กับหลายภาษา ไม่จำกัดเฉพาะ Python^[1][4] ปัจจุบัน Project Jupyter ได้รับการสนับสนุนทางการเงินผ่าน Jupyter Foundation ซึ่งประกาศจัดตั้งภายใต้ Linux Foundation ใน ค.ศ. 2024 เพื่อสนับสนุนซอฟต์แวร์ มาตรฐาน และบริการของโครงการในระยะยาว^[5][6]

ประวัติ

จุดเริ่มต้นของ Jupyter มาจาก IPython ซึ่งพัฒนาโดยเฟร์นันโด เปเรซตั้งแต่ ค.ศ. 2001 เพื่อให้การใช้งาน Python แบบโต้ตอบเหมาะกับงานวิทยาศาสตร์และการวิเคราะห์ข้อมูลมากขึ้น ต่อมา IPython เพิ่มความสามารถด้าน notebook ซึ่งรวมโค้ด ผลลัพธ์ ข้อความ กราฟ และสมการไว้ในเอกสารเดียวกัน^[7][8]

ใน ค.ศ. 2014 ผู้พัฒนา IPython ประกาศแยก Project Jupyter ออกมาเพื่อรองรับการคำนวณเชิงโต้ตอบหลายภาษา ไม่จำกัดเฉพาะ Python^[2][3] นับจากนั้น IPython ยังทำหน้าที่เป็นเชลล์และเคอร์เนลของภาษา Python ส่วน Jupyter พัฒนาส่วนที่เป็นกลางทางภาษา เช่น notebook, messaging protocol, user interface และมาตรฐานไฟล์โน้ตบุ๊ก

ใน ค.ศ. 2015 GitHub เริ่มแสดงผลไฟล์ Jupyter Notebook ที่มีนามสกุล .ipynb บนเว็บได้โดยตรง ทำให้โน้ตบุ๊กเผยแพร่และอ่านบน GitHub ได้ง่ายขึ้น^[9] ต่อมา Jupyter เติบโตเป็นเครื่องมือสำคัญในงานวิจัย การศึกษา และอุตสาหกรรมข้อมูล โดย Nature เคยจัด Jupyter เป็นหนึ่งใน “ten computer codes that transformed science” ใน ค.ศ. 2021^[10]

ใน ค.ศ. 2024 Linux Foundation ประกาศจัดตั้ง Jupyter Foundation เพื่อสนับสนุน Project Jupyter อย่างยั่งยืน โดยระบุว่าโครงการเป็นซอฟต์แวร์และมาตรฐานที่มีผู้ใช้งานจำนวนมากในด้าน interactive computing, data science และ research^[6] Jupyter Foundation มีหน้าที่จัดหาทรัพยากรเพื่อสนับสนุน Project Jupyter ให้พัฒนาต่อไปในระยะยาว^[5]

แนวคิดและการใช้งานหลัก

แนวคิดสำคัญของ Jupyter คือการรวม “โค้ด” “ข้อมูล” “ผลลัพธ์” และ “คำอธิบาย” ไว้ในพื้นที่เดียวกัน ผู้ใช้สามารถเขียนคำอธิบายด้วย Markdown ใส่สมการด้วย LaTeX รันโค้ดทีละส่วน แสดงกราฟ และบันทึกผลลัพธ์ไว้ในเอกสารเดียวกัน วิธีนี้เหมาะกับงานที่ต้องทดลอง วิเคราะห์ และอธิบายขั้นตอน เช่น วิทยาศาสตร์ข้อมูล การเรียนรู้ของเครื่อง สถิติ การจำลองเชิงตัวเลข การสอนเขียนโปรแกรม และการทำรายงานวิจัย^[1][11]

ตัวอย่างการใช้งานในวิทยาศาสตร์ข้อมูล ได้แก่ การโหลดข้อมูลจากไฟล์ CSV, การตรวจสอบข้อมูลเบื้องต้น, การสร้างกราฟ, การฝึกโมเดล machine learning และการอธิบายผลลัพธ์ในเอกสารเดียวกัน ตัวอย่างโค้ด Python สั้น ๆ ใน Jupyter Notebook มีลักษณะเช่นนี้:

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("sales.csv")
df.groupby("month")["revenue"].sum().plot(kind="bar")

plt.title("รายได้รายเดือน")
plt.xlabel("เดือน")
plt.ylabel("รายได้")
plt.show()

ในโน้ตบุ๊ก ผู้ใช้สามารถวางโค้ดข้างต้นไว้ในเซลล์หนึ่ง และเขียนคำอธิบายผลลัพธ์ในเซลล์ Markdown ถัดไป เช่น “รายได้สูงสุดอยู่ในเดือนธันวาคม เพราะมีแคมเปญปลายปี” รูปแบบนี้ทำให้โน้ตบุ๊กเป็นทั้งเครื่องมือวิเคราะห์และเอกสารเล่าเรื่องข้อมูล

สถาปัตยกรรม

Jupyter มีสถาปัตยกรรมแบบแยกส่วน ประกอบด้วยส่วนหน้าหรือแอปพลิเคชันที่ผู้ใช้มองเห็น เช่น Jupyter Notebook หรือ JupyterLab, เซิร์ฟเวอร์ที่จัดการเอกสารและการสื่อสาร และเคอร์เนลซึ่งเป็นโปรเซสเฉพาะภาษาโปรแกรมที่รันโค้ดจริง^[12][4]

ในสถาปัตยกรรมนี้ เอกสารโน้ตบุ๊กไม่ได้รันโค้ดด้วยตัวเอง แต่ส่งคำสั่งไปยังเคอร์เนล เช่น Python kernel, R kernel หรือ Julia kernel เคอร์เนลจะรันโค้ด ส่งผลลัพธ์กลับ และตอบคำขออื่น เช่น การเติมคำอัตโนมัติหรือการตรวจสอบวัตถุ^[4] แนวคิดนี้ทำให้ Jupyter รองรับหลายภาษาได้ เพราะส่วนหน้าเดียวกันสามารถติดต่อกับเคอร์เนลต่างภาษาได้

ภาพรวมอย่างง่ายคือ:

ผู้ใช้
  ↓
JupyterLab / Jupyter Notebook
  ↓
Jupyter Server และโปรโตคอลสื่อสาร
  ↓
Kernel เช่น Python, R หรือ Julia
  ↓
โค้ด ผลลัพธ์ กราฟ และข้อมูล

Jupyter ใช้มาตรฐานเปิดหลายส่วน เช่น Notebook Document Format ซึ่งเป็นไฟล์ JSON นามสกุล .ipynb และ Interactive Computing Protocol สำหรับการสื่อสารระหว่างแอปพลิเคชันกับเคอร์เนล^[1][13]

Jupyter Notebook

Jupyter Notebook เป็นเว็บแอปพลิเคชันสำหรับสร้างและแบ่งปันเอกสารโน้ตบุ๊กเชิงคำนวณ โน้ตบุ๊กหนึ่งไฟล์ประกอบด้วยเซลล์หลายชนิด เช่น เซลล์โค้ด เซลล์ Markdown และผลลัพธ์ของโค้ด เช่น ข้อความ ตาราง รูปภาพ กราฟ แผนที่ หรือสื่อแบบโต้ตอบ^[14][13]

Jupyter Notebook รุ่นใหม่ล่าสุดบน Python Package Index ณ กรกฎาคม ค.ศ. 2026 คือ Notebook 7.6.0 เผยแพร่เมื่อวันที่ 18 มิถุนายน ค.ศ. 2026^[14] Notebook 7 ใช้เทคโนโลยีหลายส่วนร่วมกับ JupyterLab และแทนที่ classic Notebook รุ่นเก่าในหลายบริบท อย่างไรก็ตาม classic Notebook v6 ยังมีบทบาทในระบบเดิมและ extension เก่าบางชนิด^[14]

ไฟล์ Jupyter Notebook มีนามสกุล .ipynb และเก็บข้อมูลในรูปแบบ JSON โดยทั่วไปไฟล์หนึ่งประกอบด้วย metadata, รายการเซลล์, โค้ด, ข้อความ Markdown และผลลัพธ์ที่บันทึกไว้^[13] ตัวอย่างเซลล์ Markdown ในโน้ตบุ๊กอาจเขียนได้ว่า:

# วิเคราะห์ข้อมูลยอดขาย

ในส่วนนี้เราจะโหลดข้อมูลยอดขายรายเดือน
และสร้างกราฟแท่งเพื่อดูแนวโน้มรายได้

ส่วนเซลล์โค้ด Python อาจเขียนได้ว่า:

df.head()

JupyterLab

JupyterLab เป็นส่วนติดต่อรุ่นใหม่ของ Project Jupyter และเป็นสภาพแวดล้อมบนเว็บสำหรับทำงานกับ notebook, code, terminal, text editor, file browser และผลลัพธ์แบบ rich output ในพื้นที่เดียวกัน^[1][15] เว็บไซต์ Project Jupyter อธิบายว่า JupyterLab เป็น “next-generation notebook interface” สำหรับ notebooks, code และ data ซึ่งออกแบบให้ผู้ใช้จัดวาง workflow ได้ยืดหยุ่นในงาน data science, scientific computing, computational journalism และ machine learning^[1]

JupyterLab รุ่นล่าสุดบน PyPI ณ กรกฎาคม ค.ศ. 2026 คือ 4.6.1 เผยแพร่เมื่อวันที่ 29 มิถุนายน ค.ศ. 2026 และต้องใช้ Python 3.10 ขึ้นไป^[15] ผู้ใช้สามารถติดตั้ง JupyterLab ได้ด้วยคำสั่ง เช่น:

python -m pip install jupyterlab
jupyter lab

JupyterLab มีลักษณะใกล้เคียงสภาพแวดล้อมพัฒนาแบบเบราว์เซอร์ ผู้ใช้สามารถเปิดหลายแท็บ วาง notebook คู่กับ terminal หรือ text editor และเชื่อมเอกสารกับ kernel ได้หลายแบบ^[16]

Jupyter kernels

Jupyter kernel คือโปรเซสเฉพาะภาษาที่รันโค้ดและสื่อสารกับส่วนหน้าของ Jupyter^[4] ตัวอย่างเช่น IPython kernel เป็นเคอร์เนลอ้างอิงสำหรับภาษา Python ส่วนภาษาอื่นมีเคอร์เนลแยก เช่น IRkernel สำหรับ R และ IJulia สำหรับ Julia

คำว่า “kernel” ใน Jupyter ต่างจากเคอร์เนลของระบบปฏิบัติการ เคอร์เนลของระบบปฏิบัติการเป็นแกนกลางที่จัดการฮาร์ดแวร์และทรัพยากรของเครื่อง ส่วน Jupyter kernel เป็นโปรแกรมผู้ใช้ที่รันโค้ดของภาษาใดภาษาหนึ่งและส่งผลลัพธ์กลับมายัง notebook หรือ JupyterLab

ตัวอย่างโค้ด Python ที่มักรันผ่าน IPython kernel ใน Jupyter:

import numpy as np

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

หากใช้ R kernel เซลล์โค้ดอาจเป็นภาษา R ได้ เช่น:

x <- seq(0, 2*pi, length.out = 100)
y <- sin(x)
plot(x, y, type = "l")

JupyterHub

JupyterHub เป็นเซิร์ฟเวอร์แบบหลายผู้ใช้สำหรับ Jupyter Notebook และ JupyterLab ออกแบบมาเพื่อให้ผู้ใช้จำนวนมาก เช่น นักเรียน นักวิจัย หรือพนักงานในองค์กร เข้าใช้สภาพแวดล้อม Jupyter ของตนเองผ่านระบบกลางได้^[1][17] JupyterHub ใช้ในสถานศึกษา ห้องปฏิบัติการวิจัย และองค์กรที่ต้องการให้ผู้ใช้มีสภาพแวดล้อมคำนวณที่เหมือนกันและจัดการได้จากศูนย์กลาง

JupyterHub รุ่นล่าสุดบน PyPI ณ กรกฎาคม ค.ศ. 2026 คือ 5.5.0 เผยแพร่เมื่อวันที่ 10 มิถุนายน ค.ศ. 2026^[17] ตัวอย่างสถานการณ์ใช้งาน เช่น มหาวิทยาลัยตั้ง JupyterHub ให้ผู้เรียนเข้าทำแบบฝึกหัด Python โดยไม่ต้องติดตั้งซอฟต์แวร์บนเครื่องส่วนตัว หรือสถาบันวิจัยตั้ง JupyterHub ใกล้กับคลัสเตอร์คำนวณเพื่อให้ผู้ใช้เข้าถึงข้อมูลขนาดใหญ่ได้สะดวก

Jupyter Book, Widgets และ Voilà

นอกจาก Notebook และ JupyterLab แล้ว Project Jupyter ยังมีโครงการย่อยอื่นหลายชนิด เช่น

• Jupyter Book ใช้สร้างหนังสือหรือเอกสารคุณภาพเผยแพร่จาก Markdown, MyST และ Jupyter Notebook เหมาะกับตำราเรียน เอกสารประกอบวิชา และหนังสือที่มีโค้ดคำนวณ^[1]
• Jupyter Widgets หรือ ipywidgets ใช้สร้างส่วนควบคุมแบบโต้ตอบ เช่น slider, dropdown หรือ button เพื่อปรับค่าพารามิเตอร์และดูผลลัพธ์ทันที^[18]
• Voilà ใช้แปลงโน้ตบุ๊กให้เป็นเว็บแอปพลิเคชันแบบไม่แสดงโค้ด เหมาะกับการเผยแพร่แดชบอร์ดหรือเครื่องมือวิเคราะห์ให้ผู้ใช้ทั่วไป^[1]

ตัวอย่างการใช้ Jupyter Widgets:

import ipywidgets as widgets
from IPython.display import display

slider = widgets.IntSlider(value=5, min=0, max=10, description="จำนวน")
display(slider)

เมื่อรันใน Jupyter Notebook หรือ JupyterLab ผู้ใช้จะเห็นแถบเลื่อนที่ปรับค่าได้แบบโต้ตอบ

ตัวอย่างโครงการวิทยาศาสตร์ข้อมูล

ตัวอย่างการใช้ Jupyter ในโครงการวิทยาศาสตร์ข้อมูลขนาดเล็กอาจประกอบด้วยขั้นตอนดังนี้

1. ตั้งคำถาม เช่น “ยอดขายรายเดือนมีแนวโน้มอย่างไร”
2. นำเข้าข้อมูลจากไฟล์ CSV หรือฐานข้อมูล
3. ตรวจสอบข้อมูลที่หายหรือผิดปกติ
4. ทำความสะอาดและแปลงข้อมูล
5. สร้างกราฟและสถิติเบื้องต้น
6. ฝึกโมเดลหรือคำนวณตัวชี้วัด
7. เขียนสรุปผลและข้อจำกัดของการวิเคราะห์

ตัวอย่างโค้ดแบบย่อ:

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

df = pd.read_csv("housing.csv")
X = df[["area"]]
y = df["price"]

model = LinearRegression()
model.fit(X, y)

print("ค่าสัมประสิทธิ์:", model.coef_[0])
print("ค่าตัดแกน:", model.intercept_)

df.plot.scatter(x="area", y="price")
plt.plot(df["area"], model.predict(X))
plt.title("ความสัมพันธ์ระหว่างพื้นที่กับราคาบ้าน")
plt.show()

ในโน้ตบุ๊กเดียวกัน ผู้ใช้สามารถเพิ่มเซลล์ Markdown เพื่ออธิบายว่าโมเดลนี้เป็นเพียงแบบจำลองเชิงเส้นอย่างง่าย และยังไม่รวมปัจจัยอื่น เช่น ทำเล อายุอาคาร หรือคุณภาพวัสดุ การรวมโค้ดกับคำอธิบายเช่นนี้เป็นเหตุผลสำคัญที่ Jupyter ได้รับความนิยมใน data science และงานวิจัยเชิงคำนวณ^[11]

การใช้ในงานวิจัยและการเผยแพร่

Jupyter Notebook ถูกใช้ในงานวิจัยเพื่อเผยแพร่โค้ด ข้อมูล และขั้นตอนวิเคราะห์ควบคู่กับบทความวิชาการ ตัวอย่างที่ถูกกล่าวถึงบ่อยคือการเผยแพร่โน้ตบุ๊กที่เกี่ยวข้องกับการตรวจพบคลื่นความโน้มถ่วงครั้งแรกของ LIGO ซึ่งช่วยให้ผู้อ่านตรวจสอบหรือทำซ้ำบางส่วนของการวิเคราะห์ได้^[19]

ใน ค.ศ. 2018 The Atlantic ตีพิมพ์บทความ “The Scientific Paper Is Obsolete” ซึ่งอภิปรายบทบาทของ notebook เช่น Jupyter และ Mathematica ต่ออนาคตของการสื่อสารทางวิทยาศาสตร์^[20] แม้ Jupyter จะช่วยเพิ่มความโปร่งใสและการเล่าเรื่องด้วยข้อมูล แต่ก็มีข้อท้าทายด้าน reproducibility เช่น ลำดับการรันเซลล์ การพึ่งพาสภาพแวดล้อม Python และข้อมูลภายนอก ซึ่งทำให้ผู้ใช้ต้องจัดการ environment และ dependency อย่างระมัดระวัง^[21]

การใช้งานบนคลาวด์และเครื่องมือที่เกี่ยวข้อง

Jupyter ถูกนำไปใช้ในบริการคลาวด์และผลิตภัณฑ์เชิงพาณิชย์หลายชนิด เช่น Google Colab, Amazon SageMaker notebooks, Microsoft Azure Machine Learning notebooks และเครื่องมือ notebook ในแพลตฟอร์มอื่น บริการเหล่านี้มักใช้แนวคิด Jupyter Notebook หรือ JupyterLab เป็นส่วนติดต่อสำหรับการวิเคราะห์ข้อมูลและการเรียนรู้ของเครื่อง โดยผู้ใช้ไม่จำเป็นต้องติดตั้ง Jupyter บนเครื่องตนเอง^[22][23][24]

นอกจากนี้ เครื่องมืออย่าง GitHub และ Visual Studio Code ยังรองรับการเปิด ดู หรือแก้ไข Jupyter Notebook โดย GitHub สามารถแสดงไฟล์ Jupyter Notebook หรือ IPython Notebook นามสกุล .ipynb เป็นเอกสาร HTML แบบคงที่ในคลังซอฟต์แวร์ ส่วน Visual Studio Code รองรับการสร้าง เปิด แก้ไข และเรียกใช้ Jupyter Notebook ผ่านส่วนขยาย Jupyter^[25][26] ทำให้ไฟล์ .ipynb กลายเป็นรูปแบบเอกสารคำนวณที่ใช้กันแพร่หลายในระบบนิเวศของนักพัฒนาและนักวิทยาศาสตร์ข้อมูล^[27]

ข้อจำกัดและข้อควรระวัง

แม้ Jupyter จะเหมาะกับการทดลองและการเล่าเรื่องด้วยข้อมูล แต่ก็มีข้อจำกัดบางประการ เช่น

• เซลล์สามารถถูกรันไม่เรียงลำดับ ทำให้ผลลัพธ์ในโน้ตบุ๊กไม่ตรงกับการรันใหม่ตั้งแต่ต้น^[28]
• ไฟล์ .ipynb เป็น JSON จึงอ่าน diff ในระบบควบคุมรุ่นได้ยากกว่าไฟล์โค้ดธรรมดา^[29]
• ผลลัพธ์ขนาดใหญ่หรือรูปภาพจำนวนมากอาจทำให้ไฟล์ใหญ่ เนื่องจากไฟล์โน้ตบุ๊กสามารถเก็บผลลัพธ์และสื่อประกอบไว้ภายในเอกสารเดียวกันได้^[30]
• การทำซ้ำผลลัพธ์ต้องพึ่งพา environment, dependency และข้อมูลที่ตรงกัน^[31][32]
• โน้ตบุ๊กที่เผยแพร่สู่สาธารณะอาจมีข้อมูลลับ เช่น token, path ภายในองค์กร หรือข้อมูลส่วนบุคคล ถ้าผู้ใช้ไม่ตรวจสอบก่อนเผยแพร่^[33][34]

แนวทางลดปัญหา ได้แก่ การใช้ environment ที่ระบุ dependency ชัดเจน เช่น requirements.txt, environment.yml หรือ container, การรันโน้ตบุ๊กใหม่ตั้งแต่ต้นก่อนเผยแพร่, การแยกข้อมูลลับออกจากโน้ตบุ๊ก และการใช้เครื่องมืออย่าง nbconvert, nbval, papermill หรือ Jupytext ใน workflow ที่ต้องการความสามารถทำซ้ำสูง^{[35][36][37][38]}

รางวัลและการยอมรับ

Project Jupyter ได้รับการยอมรับอย่างกว้างขวางในวงการวิทยาศาสตร์ข้อมูลและวิทยาศาสตร์เชิงคำนวณ ใน ค.ศ. 2017 คณะกรรมการนำของ Project Jupyter ได้รับรางวัล ACM Software System Award ซึ่งเป็นรางวัลสำหรับระบบซอฟต์แวร์ที่มีอิทธิพลยาวนาน^[39][40] ใน ค.ศ. 2021 Nature จัด Jupyter เป็นหนึ่งในสิบโค้ดคอมพิวเตอร์ที่เปลี่ยนแปลงวิทยาศาสตร์^[10]

ดูเพิ่ม

• IPython
• ภาษาไพทอน
• NumPy
• SciPy
• Pandas (ซอฟต์แวร์)
• Matplotlib
• RStudio
• SageMath
• Google Colab
• วิทยาศาสตร์ข้อมูล
• การคำนวณเชิงวิทยาศาสตร์
• การเรียนรู้ของเครื่อง

อ้างอิง

อ่านเพิ่ม

• VanderPlas, Jake (2016). Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly Media. ISBN 978-1491912058.
• Toomey, Dan (2016). Learning Jupyter. Packt Publishing. ISBN 978-1785884870.
• Granger, Brian E.; Pérez, Fernando (2021). "Jupyter: Thinking and Storytelling With Code and Data". Computing in Science & Engineering. 23 (2): 7–14. doi:10.1109/MCSE.2021.3059263.

แหล่งข้อมูลอื่น

วิกิมีเดียคอมมอนส์มีสื่อเกี่ยวกับ Project Jupyter

• เว็บไซต์ทางการ
• เอกสาร Project Jupyter
• โครงการ Jupyter บน GitHub
• Jupyter Foundation
• เอกสาร JupyterLab
• เอกสาร Jupyter Notebook