Usando Cursor com Jupyter Notebooks para Ciência de Dados

O Cursor 1.0+ adicionou suporte nativo para Jupyter Notebooks, tornando-o um excelente ambiente para fluxos de trabalho de ciência de dados. Este guia abrange como configurar e usar o Cursor com arquivos .ipynb, desde a edição básica até a análise de dados assistida por IA.

Pré-requisitos

• Cursor versão 1.0 ou mais recente
• Python 3.8+ instalado
• Pacote Jupyter instalado (pip install jupyter)
• Arquivo .ipynb ou projeto com notebooks

Abrindo Jupyter Notebooks no Cursor

Método 1: Abertura direta

1. Abra o Cursor
2. Vá para File > Open Folder e selecione seu projeto
3. Clique em qualquer arquivo .ipynb no Explorer
4. O Cursor abrirá o notebook no editor integrado

Método 2: Do terminal

# Navegue até seu projeto
cd ~/data-science-project

# Abra no Cursor
cursor .

Método 3: Criar um novo notebook

1. Clique com o botão direito na barra lateral do Explorer
2. Selecione New File
3. Nomeie-o analysis.ipynb
4. O Cursor criará um notebook em branco

Interface do notebook no Cursor

Tipos de célula

O Cursor suporta três tipos de célula:

Tipo de célula	Propósito	Atalho
Code	Executar código Python	Y
Markdown	Escrever documentação	M
Raw	Texto não formatado	R

Operações básicas

Ação	Atalho
Executar célula	Shift + Enter
Executar célula e inserir abaixo	Alt + Enter
Adicionar célula acima	A
Adicionar célula abaixo	B
Excluir célula	D, D
Alternar números de linha	L

Barra de ferramentas da célula

Cada célula tem uma barra de ferramentas com:

• Botão Executar (▶️) — Executar a célula
• Seletor de tipo de célula — Alternar entre Code/Markdown/Raw
• Mover para cima/baixo — Reordenar células
• Excluir — Remover a célula

Conectando a um kernel

Selecionar kernel

1. Abra um arquivo .ipynb
2. Clique em Select Kernel no canto superior direito
3. Escolha entre as opções disponíveis:
   • Ambientes Python (conda, venv, pyenv)
   • Kernels remotos (JupyterHub, servidor remoto)
   • Sessões Jupyter existentes

Criar ambiente virtual

# Criar um ambiente virtual
python -m venv venv

# Ativá-lo
source venv/bin/activate  # macOS/Linux
venv\Scripts\activate     # Windows

# Instalar pacotes
pip install jupyter numpy pandas matplotlib seaborn scikit-learn

Registrar ambiente como kernel

# Instalar ipykernel
pip install ipykernel

# Registrar o ambiente
python -m ipykernel install --user --name=myproject --display-name="Python (MyProject)"

Análise de dados assistida por IA

Analisando DataFrames

1. Carregue seus dados em uma célula de código:

import pandas as pd

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

2. Execute a célula para ver a saída
3. Selecione a tabela de saída
4. Clique com o botão direito e escolha Add to Chat (ou use @notebook)
5. Pergunte ao Cursor:

Analise este conjunto de dados. Quais são os padrões e insights principais?

Gerando visualizações

Crie uma visualização mostrando a relação entre a coluna A e a coluna B.
Use seaborn com uma linha de regressão e intervalo de confiança.

O Cursor gerará o código:

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('Relação entre A e B')
plt.show()

Análise exploratória de dados (EDA)

Realize uma EDA completa neste conjunto de dados incluindo:
1. Verificação de qualidade dos dados (valores ausentes, duplicatas)
2. Estatísticas descritivas
3. Gráficos de distribuição para colunas numéricas
4. Mapa de calor de correlações
5. Detecção de outliers

Usando a saída da célula como contexto

IA inline em notebooks

1. Execute uma célula que produza saída (tabela, gráfico, etc.)
2. Clique no botão AI na barra de ferramentas da célula
3. Faça perguntas sobre a saída:

O que esses valores de correlação sugerem sobre a importância das features?

Contexto no nível do notebook

Use @notebook no chat para referenciar o notebook inteiro:

@notebook Revise toda a análise feita até agora e sugira os próximos passos para construir um modelo preditivo.

Recursos avançados

Inspetor de variáveis

1. Execute algumas células para criar variáveis
2. Abra o Inspetor de variáveis:
   • View > Appearance > Show Variable Inspector
3. Veja todas as variáveis ativas, seus tipos e valores

Depurando notebooks

1. Defina breakpoints em células de código
2. Clique em Debug Cell na barra de ferramentas da célula
3. Percorra a execução com F10/F11
4. Inspecione variáveis na barra lateral de depuração

Exportação

Formato	Comando
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

Boas práticas

Organize sua análise

# Notebook de análise de dados

## 1. Configuração
Importar bibliotecas e carregar dados

## 2. Verificação de qualidade dos dados
Verificar valores ausentes, duplicatas e tipos de dados

## 3. Análise exploratória
Visualizar distribuições e relações

## 4. Engenharia de features
Criar novas features e transformar as existentes

## 5. Modelagem
Construir e avaliar modelos preditivos

## 6. Conclusões
Resumir descobertas e recomendações

Use células Markdown para documentação

• Explique o propósito de cada seção
• Documente suposições e decisões
• Adicione contexto para futuros leitores

Limpe saídas antes de compartilhar

1. Limpar todas as saídas:
   • Menu Notebook > Clear All Outputs
2. Reiniciar o kernel:
   • Menu Notebook > Restart Kernel
3. Executar todas as células:
   • Menu Notebook > Run All

Solução de problemas

Problema	Solução
Kernel não inicia	Verifique o caminho do Python e o ambiente virtual
Importações falham	Instale pacotes no ambiente correto
Saída não aparece	Reinicie o kernel e execute a célula novamente
Notebook não salva	Verifique as permissões de arquivo
IA não vê a saída da célula	Use @notebook ou selecione a saída manualmente

Exemplo de fluxo de trabalho

# Célula 1: Configuração
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Célula 2: Carregar dados
df = pd.read_csv('sales_data.csv')
print(f"Shape: {df.shape}")
df.head()

# Célula 3: Perfil rápido
df.describe()

# Célula 4: Pedir insights à IA
# Selecione a saída da célula 3, depois pergunte:
# "Quais padrões você vê nestes dados?"

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

Recursos relacionados

• Como usar Python no Cursor
• Configuração de LLM local no Cursor
• Lidando com grandes projetos no Cursor