Cursor mit Jupyter Notebooks für Data Science verwenden

Cursor 1.0+ hat native Unterstützung für Jupyter Notebooks hinzugefügt, was es zu einer exzellenten Umgebung für Data-Science-Workflows macht. Diese Anleitung deckt ab, wie Sie Cursor mit .ipynb-Dateien einrichten und verwenden, von der grundlegenden Bearbeitung bis zur KI-gestützten Datenanalyse.

Voraussetzungen

• Cursor Version 1.0 oder neuer
• Python 3.8+ installiert
• Jupyter-Paket installiert (pip install jupyter)
• .ipynb-Datei oder Projekt mit Notebooks

Jupyter Notebooks in Cursor öffnen

Methode 1 : Direkt öffnen

1. Cursor öffnen
2. Zu File > Open Folder gehen und Ihr Projekt auswählen
3. Auf eine .ipynb-Datei im Explorer klicken
4. Cursor öffnet das Notebook im integrierten Editor

Methode 2 : Aus dem Terminal

# Zu Ihrem Projekt navigieren
cd ~/data-science-project

# In Cursor öffnen
cursor .

Methode 3 : Neues Notebook erstellen

1. Rechtsklick in die Explorer-Seitenleiste
2. New File auswählen
3. Es analysis.ipynb nennen
4. Cursor erstellt ein leeres Notebook

Notebook-Oberfläche in Cursor

Zelltypen

Cursor unterstützt drei Zelltypen:

Zelltyp	Zweck	Tastenkürzel
Code	Python-Code ausführen	Y
Markdown	Dokumentation schreiben	M
Raw	Unformatierter Text	R

Grundlegende Operationen

Aktion	Tastenkürzel
Zelle ausführen	Shift + Enter
Zelle ausführen und darunter einfügen	Alt + Enter
Zelle darüber hinzufügen	A
Zelle darunter hinzufügen	B
Zelle löschen	D, D
Zeilennummern umschalten	L

Zellen-Toolbar

Jede Zelle hat eine Toolbar mit:

• Run-Button (▶️) — Die Zelle ausführen
• Zelltyp-Selektor — Zwischen Code/Markdown/Raw wechseln
• Nach oben/unten verschieben — Zellen neu ordnen
• Löschen — Die Zelle entfernen

Mit einem Kernel verbinden

Kernel auswählen

1. Eine .ipynb-Datei öffnen
2. Auf Select Kernel oben rechts klicken
3. Aus verfügbaren Optionen wählen:
   • Python-Umgebungen (conda, venv, pyenv)
   • Remote-Kernels (JupyterHub, Remote-Server)
   • Bestehende Jupyter-Sitzungen

Virtuelle Umgebung erstellen

# Virtuelle Umgebung erstellen
python -m venv venv

# Aktivieren
source venv/bin/activate  # macOS/Linux
venv\Scripts\activate     # Windows

# Pakete installieren
pip install jupyter numpy pandas matplotlib seaborn scikit-learn

Umgebung als Kernel registrieren

# ipykernel installieren
pip install ipykernel

# Die Umgebung registrieren
python -m ipykernel install --user --name=myproject --display-name="Python (MyProject)"

KI-gestützte Datenanalyse

DataFrames analysieren

1. Daten in einer Code-Zelle laden:

import pandas as pd

df = pd.read_csv('data.csv')
df.head()

2. Die Zelle ausführen, um die Ausgabe zu sehen
3. Die Ausgabetabelle auswählen
4. Rechtsklick und Add to Chat wählen (oder @notebook verwenden)
5. Cursor fragen:

Analysieren Sie diesen Datensatz. Was sind die wichtigsten Muster und Erkenntnisse?

Visualisierungen generieren

Erstellen Sie eine Visualisierung, die die Beziehung zwischen Spalte A und Spalte B zeigt.
Verwenden Sie seaborn mit einer Regressionslinie und Konfidenzintervall.

Cursor wird den Code generieren:

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
sns.regplot(data=df, x='column_A', y='column_B', ci=95)
plt.title('Beziehung zwischen A und B')
plt.show()

Explorative Datenanalyse (EDA)

Führen Sie eine vollständige EDA für diesen Datensatz durch, einschließlich:
1. Datenqualitätsprüfung (fehlende Werte, Duplikate)
2. Deskriptive Statistik
3. Verteilungsplots für numerische Spalten
4. Korrelations-Heatmap
5. Ausreißererkennung

Zellenausgabe als Kontext verwenden

Inline-KI in Notebooks

1. Eine Zelle ausführen, die Ausgabe produziert (Tabelle, Diagramm, etc.)
2. Auf den AI-Button in der Zellen-Toolbar klicken
3. Fragen zur Ausgabe stellen:

Was sagen diese Korrelationswerte über die Feature-Wichtigkeit aus?

Kontext auf Notebook-Ebene

@notebook im Chat verwenden, um auf das gesamte Notebook zu verweisen:

@notebook Überprüfen Sie alle bisherigen Analysen und schlagen Sie die nächsten Schritte für den Aufbau eines Vorhersagemodells vor.

Erweiterte Funktionen

Variablen-Inspektor

1. Zellen ausführen, um Variablen zu erstellen
2. Den Variablen-Inspektor öffnen:
   • View > Appearance > Show Variable Inspector
3. Alle aktiven Variablen, ihre Typen und Werte sehen

Notebooks debuggen

1. Breakpoints in Code-Zellen setzen
2. Auf Debug Cell in der Zellen-Toolbar klicken
3. Mit F10/F11 durch die Ausführung steppen
4. Variablen in der Debug-Seitenleiste inspizieren

Exportieren

Format	Befehl
HTML	File > Export Notebook As > HTML
Python	File > Export Notebook As > Python Script
PDF	File > Export Notebook As > PDF
Markdown	File > Export Notebook As > Markdown

Best Practices

Analyse organisieren

# Datenanalyse-Notebook

## 1. Setup
Bibliotheken importieren und Daten laden

## 2. Datenqualitätsprüfung
Auf fehlende Werte, Duplikate und Datentypen prüfen

## 3. Explorative Analyse
Verteilungen und Beziehungen visualisieren

## 4. Feature Engineering
Neue Features erstellen und bestehende transformieren

## 5. Modellierung
Prädiktive Modelle aufbauen und evaluieren

## 6. Fazit
Ergebnisse und Empfehlungen zusammenfassen

Markdown-Zellen für Dokumentation verwenden

• Den Zweck jedes Abschnitts erklären
• Annahmen und Entscheidungen dokumentieren
• Kontext für zukünftige Leser hinzufügen

Ausgaben vor dem Teilen bereinigen

1. Alle Ausgaben löschen :
   • Notebook-Menü > Clear All Outputs
2. Kernel neu starten :
   • Notebook-Menü > Restart Kernel
3. Alle Zellen ausführen :
   • Notebook-Menü > Run All

Fehlerbehebung

Problem	Lösung
Kernel startet nicht	Python-Pfad und virtuelle Umgebung prüfen
Imports schlagen fehl	Pakete in der richtigen Umgebung installieren
Ausgabe wird nicht angezeigt	Kernel neu starten und Zelle erneut ausführen
Notebook lässt sich nicht speichern	Dateiberechtigungen prüfen
KI sieht Zellenausgabe nicht	@notebook verwenden oder Ausgabe manuell auswählen

Beispiel-Workflow

# Zelle 1: Setup
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Zelle 2: Daten laden
df = pd.read_csv('sales_data.csv')
print(f"Shape: {df.shape}")
df.head()

# Zelle 3: Schnelles Profil
df.describe()

# Zelle 4: KI um Insights bitten
# Ausgabe aus Zelle 3 auswählen, dann fragen:
# "Welche Muster sehen Sie in diesen Daten?"

# Zelle 5: Visualisierung
plt.figure(figsize=(12, 6))
sns.lineplot(data=df, x='date', y='revenue')
plt.title('Revenue Over Time')
plt.show()

Verwandte Ressourcen

• Wie man Python in Cursor verwendet
• Cursor Local LLM Setup
• Große Projekte mit Cursor handhaben