Kom i gang med Jupyter Notebooks i VSCode¶

I dette eksempelet skal vi lage et plot av åpne data fra SSB som et eksempel på hvordan man kan bruke Jupyter Notebooks i Knast.

Celler i Jupyter Notebooks

I Jupyter Notebooks jobber man typisk i celler. Cellene i en Notebook kan for eksempel være Markdown, Python eller R og du kan legge til en ny celle ved å trykke på +Code eller +Markdown. Du kan bytte typen til cellen ved å trykke nederst til høyre i en celle.

Vi ønsker å gjøre analyse av 05984: Husdyr, etter husdyrslag og år.

Man må typisk gjennom følgende steg:

Start Knast (VSCode)
Åpne i brannmur mot kilden
Sett opp et git-repo med virtuelt miljø
Lag en Jupyter Notebook

Python NotebookR Notebook

Åpne i brannmur mot datasett¶

For å finne API-URL-en til datasettet:

Gå til 05984: Husdyr, etter husdyrslag og år
Klikk Lagre i venstre meny
Scroll ned til API-spørring
Velg JSON-stat2 (.json)
Kopier GET-URL-en

https://data.ssb.no/api/pxwebapi/v2/tables/05984/data?lang=no&outputFormat=json-stat2&valuecodes[ContentsCode]=*&valuecodes[Tid]=2013,2014,2015,2016,2017,2018,2019,2020,2021,2022,2023,2024,2025&valuecodes[Husdyr]=*&heading=ContentsCode,Tid&stub=Husdyr

Legg følgende inn i en tidsbegrenset brannmuråpning og aktiver den:

data.ssb.no/api/pxwebapi/v2/tables/05984/*

Sette opp et git-repo med et virtuelt miljø¶

Terminal

gcloud auth login --update-adc
pypi-auth

mkdir -p ~/git/ssb/
cd ~/git/ssb/
uv venv
source .venv/bin/activate
uv pip install ipykernel pandas requests matplotlib

touch ssb.ipynb # Dette lager en tom fil, man kunne også kjørt Ctrl-P: Create: New Jupyter Notebook
code . #Dette åpner directoryet du står i

Lage en Jupyter Notebook¶

Åpne ssb.ipynb og velg kjøremiljø ved å trykke på Select Kernel → Python environments → .venv hvis den allerede ikke er valgt.

Lag en Markdown-celle og lim inn følgende:

Markdown-celle

# Analyse av fødselsrater til hester
Denne notebooken viser fødselstallene til hester de siste 10 årene i Norge.

Trykk Shift-Enter for å kjøre cellen — Markdown-teksten vil bli rendret.

Lag en ny Python-celle og lim inn følgende for å hente data fra SSB:

Hent data

import pandas as pd
import requests
from io import StringIO

# URL til SSB API
url = "https://data.ssb.no/api/pxwebapi/v2/tables/05984/data?lang=no&outputFormat=csv&valuecodes[ContentsCode]=*&valuecodes[Tid]=2013,2014,2015,2016,2017,2018,2019,2020,2021,2022,2023,2024,2025&valuecodes[Husdyr]=*&heading=ContentsCode,Tid&stub=Husdyr"

# Hent data
response = requests.get(url)
response.raise_for_status()

# Les CSV til DataFrame
df = pd.read_csv(StringIO(response.text), sep=',')

df.head()

Kjør cellen med Ctrl-Enter eller Kjør-knappen ved siden av cellen. Du skal få ut de første radene av datasettet og se at datasettet er på såkalt wide format: én rad per husdyrslag, og én kolonne per år (f.eks. "Husdyr2 2013", "Husdyr2 2014", osv.). Den første kolonnen "Husdyr" inneholder koder, ikke klartekstnavn.

Finn riktig kode for hester¶

Lag en ny celle og slå opp i metadata-APIet til SSB for å finne hvilken kode som tilsvarer hester:

Hent metadata

meta_url = "https://data.ssb.no/api/pxwebapi/v2/tables/05984/metadata?lang=no"
meta = requests.get(meta_url).json()

husdyr_koder = meta["dimension"]["Husdyr"]["category"]["label"]
for kode, navn in husdyr_koder.items():
    print(f"{kode}: {navn}")

Output

11: Hestar
01a: Storfe i alt
13: Kyr
02: Mjølkekyr
...

Vi ser at koden for hester er "11". Dette bruker vi til å filtrere riktig rad i neste steg.

Filtrer og transformer data¶

SSB-dataen er på wide format (ett år per kolonne). For å plotte trenger vi long format (én rad per år). Lag en ny celle:

Transformer til long format

# Filtrer på hester (kode "11")
hest = df[df["Husdyr"] == "11"].copy()

# Konverter fra wide til long format
hest_long = hest.melt(id_vars="Husdyr", var_name="kolonne", value_name="antall")

# Trekk ut årstall fra kolonnenavn på formen "Husdyr2 2013" -> 2013
hest_long["år"] = hest_long["kolonne"].str.extract(r"(\d{4})").astype(int)
hest_long = hest_long.sort_values("år")

hest_long.head()

Lag et plot¶

Lag en ny celle og tegn opp utviklingen over tid:

Plot

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 5))
plt.plot(hest_long["år"], hest_long["antall"], marker="o", color="steelblue")
plt.title("Antall hester i Norge per år")
plt.xlabel("År")
plt.ylabel("Antall hester")
plt.grid(True)
plt.tight_layout()
plt.show()

Du skal nå se et linjediagram som viser utviklingen i antall hester i Norge fra 2013 til 2024.

R krever ekstra brannmuråpninger

R-pakker hentes fra CRAN via Posit sitt pakkerepo. Du må åpne mot både SSB og Posit i brannmuren før du starter.

Åpne i brannmur mot datasett og pakkerepo¶

Legg følgende adresser inn i tidsbegrensede brannmuråpninger og aktiver dem:

SSB-datasettet:

data.ssb.no/api/pxwebapi/v2/tables/05984/*

Posit sitt pakkerepo:

packagemanager.posit.co/cran/latest/bin/linux/*
rspm-sync.rstudio.com/bin/*

Sett opp R-kernel i Jupyter Notebooks¶

Terminal

mkdir -p ~/git/ssb-r/
cd ~/git/ssb-r
touch ~/git/ssb-r/ssb-r.ipynb
code ~/git/ssb-r/

Åpne ssb-r.ipynb, klikk på Select Kernel øverst til høyre, velg Jupyter Kernel og velg R.

Lag en Markdown-celle og lim inn følgende:

Markdown-celle

# Analyse av fødselsrater til hester
Denne notebooken viser fødselstallene til hester de siste 10 årene i Norge.

Trykk Shift-Enter for å kjøre cellen — Markdown-teksten vil bli rendret.

Installer pakker (R)¶

Lag en ny celle og kjør følgende (kun nødvendig første gang, kan ta noen sekunder):

Installer pakker

install.packages(c("httr", "readr", "jsonlite", "dplyr", "tidyr", "stringr", "ggplot2"))

Opprette katalog for pakker¶

Warning message in install.packages(c("httr", "readr", "jsonlite", "dplyr", "tidyr", :
"'lib = "/home/user/R/x86_64-pc-linux-gnu-library/4.6"' is not writable"

eller tilsvarende feil kan løses ved å opprette katalogen og prøve på nytt. Katalogen kan opprettes med kommandoen

Terminal

  mkdir -p ~/R/x86_64-pc-linux-gnu-library/4.6

Hent data fra SSB¶

Lag en ny celle:

Hent data

Sys.setlocale("LC_ALL", "en_US.UTF-8")

library(httr)
library(readr)
library(stringr)

url <- paste0(
  "https://data.ssb.no/api/pxwebapi/v2/tables/05984/data",
  "?lang=no&outputFormat=csv",
  "&valuecodes[ContentsCode]=*",
  "&valuecodes[Tid]=2013,2014,2015,2016,2017,2018,2019,2020,2021,2022,2023,2024",
  "&valuecodes[Husdyr]=*",
  "&heading=ContentsCode,Tid&stub=Husdyr"
)

response <- GET(url)
stop_for_status(response)

df <- read_delim(I(content(response, as = "text", encoding = "UTF-8")), delim = ",", show_col_types = FALSE)
head(df)

Kjør cellen med Ctrl-Enter eller Kjør-knappen ved siden av cellen. Du skal få ut de første radene av datasettet og se at datasettet er på såkalt wide format: én rad per husdyrslag, og én kolonne per år (f.eks. "Husdyr2 2013", "Husdyr2 2014", osv.). Den første kolonnen "Husdyr" inneholder koder, ikke klartekstnavn.

Finn riktig kode for hester (R)¶

Lag en ny celle og slå opp i metadata-APIet til SSB for å finne hvilken kode som tilsvarer hester:

Hent metadata

library(jsonlite)

meta_url <- "https://data.ssb.no/api/pxwebapi/v2/tables/05984/metadata?lang=no"
meta <- fromJSON(meta_url)

husdyr_koder <- meta$dimension$Husdyr$category$label
for (kode in names(husdyr_koder)) {
  cat(kode, ":", husdyr_koder[[kode]], "\n")
}

Output

11 : Hestar
01a : Storfe i alt
13 : Kyr
...

Koden for hester er "11".

Filtrer og transformer data (R)¶

Lag en ny celle:

Transformer til long format

library(dplyr)
library(tidyr)

hest <- df |>
  filter(Husdyr == "11") |>
  pivot_longer(
    cols = -Husdyr,
    names_to = "kolonne",
    values_to = "antall",
    values_transform = list(antall = as.double)
  ) |>
  mutate(aar = as.integer(str_extract(kolonne, "\\d{4}"))) |>
  arrange(aar)

head(hest)

Lag et plot (R)¶

Lag en ny celle:

Plot

library(ggplot2)

ggplot(hest, aes(x = aar, y = antall)) +
  geom_line(color = "steelblue", linewidth = 1) +
  geom_point(color = "steelblue", size = 2) +
  labs(
    title = "Antall hester i Norge per år",
    x = "År",
    y = "Antall hester"
  ) +
  theme_minimal()

Du skal nå se et linjediagram som viser utviklingen i antall hester i Norge fra 2013 til 2024.