节选自 《Python data science handbook》
获取帮助
$ pip install line_profiler获取帮助与文档
-
使用？获取帮助
In [2]: len? Type: builtin_function_or_method String form:Namespace: Python builtin Docstring: len(object) -> integer Return the number of items of a sequence or mapping. -
使用？？获取源码
In [9]: len?? Type: builtin_function_or_method String form:Namespace: Python builtin Docstring: len(object) -> integer Return the number of items of a sequence or mapping. -
使用tab键补全命令
In [10]: importDisplay all 399 possibilities? (y or n) Crypto dis py_compile Cython distutils pyclbr ... ... ... difflib pwd zmq In [10]: import h hashlib hmac http heapq html husl -
通配符匹配
In [10]: str.*find*? str.find str.rfind
快捷键
- 导航快捷键
| 快捷键 | 操作 |
|---|---|
Ctrl-a |
将光标移至当前行的开头 |
Ctrl-e |
将光标移至当前行的结尾 |
Ctrl-b 或者左箭头 |
将光标向后移动一个字符 |
Ctrl-f 或者右箭头 |
将光标向前移动一个字符 |
- 文本操作快捷键
| 快捷键 | 操作 |
|---|---|
| 回车键 | 删除前一个字符 |
Ctrl-d |
删除后一个字符 |
Ctrl-k |
删除从光标到行尾的字符 |
Ctrl-u |
删除从行头到光标的字符 |
Ctrl-y |
粘贴之前剪切的文本 |
Ctrl-t |
交换前面的两个字符 |
- 历史命令快捷键
| 快捷键 | 操作 |
|---|---|
Ctrl-p (或者上箭头) |
获取上一条历史命令 |
Ctrl-n (或者下箭头) |
获取下一条历史命令 |
Ctrl-r |
反向搜索历史命令 |
- 其它命令
| 快捷键 | 操作 |
|---|---|
Ctrl-l |
清空 |
Ctrl-c |
中断当前命令 |
Ctrl-d |
退出IPython会话 |
魔法命令
- 粘贴代码
%paste或者%cpaste，使用该命令粘贴多行代码。 - 执行系统命令
%run - 统计代码费时
%timeit -
%magic获取所有魔法命令的详细信息 -
%lsmagic获取所有魔法命令列表
输入输出
输入和输出通过In/Out标签标示，实际上In和Out分别是两个变量，保存了最近的输入输出信息。可以直接通过下标获取之前的输入或者输出。
In [4]: print(In)
['', 'import math', 'math.sin(2)', 'math.cos(2)', 'print(In)']
In [5]: Out
Out[5]: {2: 0.9092974268256817, 3: -0.4161468365471424}
In [6]: print(In[1])
import math
还可以通过_获取前一个输出结果，__获取倒数第二个输出结果，___获取倒数第三个输出结果。除此之外，也可以通过_x+序号获取第x个输出结果。
在命令后面加;可以隐藏输出结果。
IPython也提供了魔法命令%history来获取历史输入。
In [16]: %history -n 1-4
1: import math
2: math.sin(2)
3: math.cos(2)
4: print(In)
shell命令
可以在IPython中直接运行shell命令， 只要在命令前面加上!即可。也可以将shell命令的结果传递给Python变量。如果需要将Python变量传递给shell，将变量用{}括起来即可。
In [4]: contents = !ls
In [5]: print(contents)
['myproject.txt']
In [9]: message = "hello from Python"
In [10]: !echo {message}
hello from Python
异常和调试
-
控制异常信息的输出
魔术命令
%xmode可以控制异常信息的输出。它可以接受一个参数，参数可选值为Plain，Context，Verbose，默认值为Context，Plain更为紧凑，而Verbose比较详细。 -
调试
当发生异常信息时，可以通过
%debug进行调试，输入该命令之后，会进入ipdb。命令 描述 list展示当前行在文件中的位置 h(elp)查看帮助命令 q(uit)退出调试 c(ontinue)退出调试，继续执行 n(ext)执行下一步 `` c 重复上一步 p(rint)打印变量 s(tep)进入子程序 r(eturn)退出子程序
性能测试
IPython提供了以下魔法命令用于性能测试：
-
%time测试单条语句的运行时间 -
%timeit重复执行多次单条语句以获取更为精确的时间 -
%prun使用profiler运行代码 -
%lprun使用profiler逐行执行代码 -
%memit测试单条语句的内存使用情况 -
%mprun使用memory profiler逐行运行代码
后面四条命令需要安装line_profiler和 memory_profiler 扩展。
通常%timeit的执行速度比%time要快，因为它做了一些优化，可以省去部分垃圾回收。
-
使用
%prun首先定义一个函数：
def sum_of_lists(N): total = 0 for i in range(5): L = [j ^ (j >> i) for j in range(N)] total += sum(L) return total接下来调用命令
%prun%prun sum_of_lists(1000000)输出如下：
14 function calls in 0.714 seconds Ordered by: internal time ncalls tottime percall cumtime percall filename:lineno(function) 5 0.599 0.120 0.599 0.120:4( ) 5 0.064 0.013 0.064 0.013 {built-in method sum} 1 0.036 0.036 0.699 0.699 :1(sum_of_lists) 1 0.014 0.014 0.714 0.714 :1( ) 1 0.000 0.000 0.714 0.714 {built-in method exec} 从结果中可以看出，
listcomp的费时最长，从而我们可以知道要对他进行优化。 -
逐行调试
%lprun先安装以下库
$ pip install line_profiler然后载入
line_profiler模块%load_ext line_profiler执行以下代码：
%lprun -f sum_of_lists sum_of_lists(5000)得到结果如下：
Timer unit: 1e-06 s Total time: 0.009382 s File:Function: sum_of_lists at line 1 Line # Hits Time Per Hit % Time Line Contents ============================================================== 1 def sum_of_lists(N): 2 1 2 2.0 0.0 total = 0 3 6 8 1.3 0.1 for i in range(5): 4 5 9001 1800.2 95.9 L = [j ^ (j >> i) for j in range(N)] 5 5 371 74.2 4.0 total += sum(L) 6 1 0 0.0 0.0 return total -
使用
%memit和%mprun先安装库：
$ pip install memory_profiler加载库
%load_ext memory_profiler运行命令
%memit%memit sum_of_lists(1000000)结果输出为：
peak memory: 100.08 MiB, increment: 61.36 MiB，可以看出该函数大概使用了100M的内存。使用
%mprun逐行测试内存使用情况，但是该命令并不支持直接测试notebook中的代码，而需要从模块中导入才能进行测试。所以先创建模块：
%%file mprun_demo.py def sum_of_lists(N): total = 0 for i in range(5): L = [j ^ (j >> i) for j in range(N)] total += sum(L) del L # remove reference to L return total接下来逐行测试：
from mprun_demo import sum_of_lists %mprun -f sum_of_lists sum_of_lists(1000000)结果如下所示：
Filename: ./mprun_demo.py Line # Mem usage Increment Line Contents ================================================ 1 39.0 MiB 0.0 MiB def sum_of_lists(N): 2 39.0 MiB 0.0 MiB total = 0 3 46.5 MiB 7.5 MiB for i in range(5): 4 71.9 MiB 25.4 MiB L = [j ^ (j >> i) for j in range(N)] 5 71.9 MiB 0.0 MiB total += sum(L) 6 46.5 MiB -25.4 MiB del L # remove reference to L 7 39.1 MiB -7.4 MiB return total
其它
pylab模式
在pylab模式下，IPython将自动导入SciPy、NumPy和Matplotlib模块。如果没有这个功能，我们只能手动导入每一个所需模块。
$ ipython --pylab