Jupyter Notebook（下篇）

MeteoAI

发布于 2019-07-22 18:09:22

1.5K0

发布于 2019-07-22 18:09:22

文章被收录于专栏：MeteoAIMeteoAI

Jupyter Notebook是一个基于Web的交互式工具，数据科学领域正在频繁的使用它。

在上篇文章中，我们介绍了如何安装使用Jupyter Notebook来快快乐乐的编程，以及一些快捷键sao操作、如何搭建一个开放的notebook让大家一起使用，最后我们介绍了怎样修改Jupyter Notebook的风格，让它更酷炫。

还没学过的同学快戳：Jupyter Notebook介绍（上篇）

补完课再回来啊！！!

通过上篇的介绍，相信大家已经可以自如的使用Jupyter了，今天我们继续介绍一下Jupyter Notebook的一些更酷的扩展功能。

魔术命令magics

魔术命令是ipython中的特殊命令，常以%作为前缀符号开头，用于方便我们的日常使用。

%：行魔法函数，只对本行代码生效。
%%：Cell魔法函数，在整个Cell中生效，必须放于Cell首行。下面我们来介绍一下常用的magics。

（完整的magics命令：大家可以打开jupyter后可以在cell中输入%quickref显示快速参考卡，%lsmagic：列出所有的魔法函数，以及%magic命令可以显示魔术命令的详细文档）

%matplotlib inline: 这个命令可能是大家最常用的一个魔术命令。这个命令用于将matplotlib的输出图嵌入到notebook中，如果不加这条命令，在用matplotlib绘图时可能会出现不显示的情况，举个我们在介绍seaborn中的例子：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
sns.set()
x = np.linspace(0,20,8)
y_bar = np.random.randint(5,20,8)
y_line = y_bar 
plt.figure(figsize=(8,6))
plt.bar(x, y_bar, color='r')
plt.plot(x, y_line, '-o', color='g')
plt.tick_params(labelsize='15', width=1)
plt.show()

％time, ％timeit和 %%time, %%timeit:可以用来记录程序运行的时间，以便于后期对代码逻辑进行优化。

%time可以输出单个语句的运行时间，而％timeit会自动多次执行语句以产生一个更具代表性的平均执行时间， %%time可以输出整个cell中语句的执行时间。

import time
import numpy as np

def time_test():
    arr = np.random.rand(5,6)
    for i in range(10000):
        arr += (-1)**i
    return arr

%time time_test()

# OUTPUT:
"""
CPU times: user 26 ms, sys: 2.16 ms, total: 28.2 ms
Wall time: 27 ms
array([[0.9002168 , 0.3041222 , 0.44203939, 0.17079689, 0.94881637,
        0.3497185 ],
       [0.3253366 , 0.94237406, 0.94394366, 0.45562757, 0.13917467,
        0.34043364],
       [0.17794278, 0.51184239, 0.30619056, 0.17429579, 0.92800944,
        0.4405044 ],
       [0.30972439, 0.02095686, 0.31532945, 0.65237745, 0.03647221,
        0.54834167],
       [0.9697625 , 0.52372474, 0.12283473, 0.46851531, 0.09019544,
        0.41063005]])
"""
%timeit time_test()

# OUTPUT:
"""
17.1 ms ± 187 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
"""

%%time 
import time
import numpy as np

def time_test():
    arr = np.random.rand(5,6)
    for i in range(10000):
        arr += (-1)**i
    return arr

time_test()
# OUTPUT:
"""
CPU times: user 24.5 ms, sys: 914 µs, total: 25.4 ms
Wall time: 25 ms
"""

%xdel：删除一个变量，清除相关的引用。
%prun, %lprun, %memit, %mprun：程序性能分析。
- %prun: Run code with the profiler
- %lprun: Run code with the line-by-line profiler
- %memit: Measure the memory use of a single statement
- %mprun: Run code with the line-by-line memory profiler`

注：后面三个magics命令不是jupyter自带的，需要先进行安装和导入才可以使用。

$ pip install line_profiler
%load_ext line_profiler 
$ pip install memory_profiler
%load_ext memory_profiler

%load_ext：导入ipython的拓展工具。

Load an IPython extension by its module name.

%run：运行python脚本：

%run script.py

%system date, !date 和 !!date: 都可用于在cell中执行shell命令。
％who_ls, %who, %whos:输出环境中的变量列表。%who_ls function仅仅输入函数类型的变量列表。

%whos

#OUTPUT
"""
Variable    Type        Data/Info
---------------------------------
np          module      <module 'numpy' from '/Us<...>kages/numpy/__init__.py'>
time        module      <module 'time' (built-in)>
time_test   function    <function time_test at 0x10f433620>
"""

%debug, %pdb：可用于调试debug
%env：列出全部环境变量
%reset：清除全部变量
%%: Cell magics：在每个cell的开头使用的以%%开头的魔法命令，可以在一个notebook中用不同的内核运行代码，例如：

%%bash
%%markdown
%%time
%%HTML
%%python2
%%python3
%%latex
%%javascript
%%ruby
%%perl

扩展功能

安装方法：

!pip install https://github.com/ipython-contrib/jupyter_contrib_nbextensions/tarball/master
!pip install jupyter_nbextensions_configurator
!jupyter contrib nbextension install --user
!jupyter nbextensions_configurator enable --user

安装完成后打开jupyter可以看到多了Nbextensions这个选项卡：

安装了之后便多了很多便捷的小工具可以选择，可以直接在上图显示的Nbextensions这个选项卡中直接打开相应的功能。下面介绍一些常见的：

Hinterland：代码输入提示工具，非常好用。
Autopep8：一键美化代码。
Table of Contents：生成目录。
Split Cells Notebook：拆分单元格。

Codefolding：代码折叠。
table_beautifier：美化表格。

更多的扩展功能大家可以自行探索啊。

其他

?,??：可以在jupyter中实现help的功能。

np.random.rand??

# OUTPUT:
"""
Docstring:
rand(d0, d1, ..., dn)

Random values in a given shape.

Create an array of the given shape and populate it with
random samples from a uniform distribution
over ``[0, 1)``.

Parameters
----------
d0, d1, ..., dn : int, optional
    The dimensions of the returned array, should all be positive.
    If no argument is given a single Python float is returned.

Returns
-------
out : ndarray, shape ``(d0, d1, ..., dn)``
    Random values.

See Also
--------
random

Notes
-----
This is a convenience function. If you want an interface that
takes a shape-tuple as the first argument, refer to
np.random.random_sample .

Examples
--------
>>> np.random.rand(3,2)
array([[ 0.14022471,  0.96360618],  #random
       [ 0.37601032,  0.25528411],  #random
       [ 0.49313049,  0.94909878]]) #random
Type:      builtin_function_or_method
"""