用途：该技能指导在科研环境中高效使用 Jupyter Notebook，覆盖笔记本组织、可复现性、协作流程与科研计算基础设施集成。
主要能力：提供推荐结构，如 01_data_collection.ipynb 到 06_supplementary.ipynb 分阶段拆分数据获取、清洗、探索分析、建模、结果可视化与补充分析；建议笔记本内单元格按头部元数据、导入与配置、数据加载的顺序组织。
可复现实践：通过 conda/pip 固定依赖版本，如 pip install pandas==2.1.4 scipy==1.11.4 matplotlib==3.8.2 jupyterlab==4.0.9，并用 pip freeze > requirements.txt 或 conda env export --no-builds > environment.yml 导出环境；建议每本笔记本顶部输出 Python、IPython 版本和工作目录，通过 Kernel -> Restart & Run All 验证顺序执行；支持用 papermill 做参数化执行，如 papermill 04_modeling.ipynb output/run_001.ipynb -p alpha 0.01 -p n_bootstrap 5000，并可循环批量运行。
工具与扩展：列出 jupyterlab-git、jupyterlab-lsp、nbdime、jupytext、jupyter-book 等扩展及安装命令。版本控制方面给出 nbstripout 剥离输出、jupytext 维护 .py 镜像、nbdime 结构化 diff 三种方案。
远程计算：可用 ssh -N -L 8888:localhost:8888 user@cluster.university.edu 建立隧道，并在集群上以 jupyter lab --no-browser --port=8888 启动；也提到导出到 Google Colab 快速共享与获取 GPU，但需注意环境临时性。
适用场景：计算科研、数据分析、论文补充材料与可复现研究。限制：资料未提供具体收费、平台支持范围与效果验证信息，部分命令需按实际环境调整。