IPython Notebook简介1

IPython Notebook使用浏览器作为界面，向后台的IPython服务器发送请求，并显示结果。在浏览器的界面中使用单元(Cell)保存各种信息。Cell有多种类型，经常使用的有表示格式化文本的单元，和表示代码的Code单元。

每个代码单元都有一个输出区域，在Code单元中输入代码，按 Shift-Enter 将运行此代码，代码中最后一个表达式的值将输出区域显示。如果希望屏蔽输出，可以在最后一条语句之后添加一个分号：";"。此外，代码中还可以使用print语句在输出区域中显示信息。

在Markdown单元中还可以直接使用Html和Javascript。

数学公式

在Markdown单元中可以使用LaTeX表示数学公式，例如x2+y2−−−−−−√。数学公式的显示使用MathJax，缺省情况下，MathJax从网络上下载，如果希望离线使用它，需要在IPython Notebook中输入如下代码，把MathJax安装到本地磁盘中：

from IPython.external.mathjax import install_mathjax
install_mathjax()

Code单元的输出也可以显示为数学公式，例如在单元中输入如下代码，将显示为数学公式：

from IPython.display import Latex
Latex(r"$\sqrt{x^2+y^2}$")

x2+y2−−−−−−√

SymPy的表达式也可以显示为LaTex，例如：

%load_ext sympyprinting
from sympy import *
x, y = symbols("x,y")
sqrt(x**2+y**2)

x2+y2−−−−−−√

以%开头的为IPython的命令(Magic Command)，这里通过%load_ext命令载入sympyprinting扩展插件，载入此插件之后，所有的SymPy表达式都显示为数学公式。

各种显示

IPython.display模块中提供了许多显示Python返回值的类，例如下面的代码用Image类显示"python.png"图片，缺省路径为Notebook文件所在的目录：

from IPython.display import Image
Image(filename="python.png")

Image还可以用来显示表示图像的字符串。例如下面的代码通过cv2的imencode()将NumPy数组转换为一个表示PNG图像数据的数组，然后将此数组转换为字符串之后通过Image()将显示为图像：

import cv2
import numpy as np
from IPython.display import Image
img = np.random.randint(0,255,(250,250,3))
cv2.blur(img, (11,11), img)
r, dat = cv2.imencode(".png",img)
Image(dat.tostring())

此外，还可以通过HTML和Javascript将Python代码的输出显示为Html，或者作为Javascript运行。

from IPython.display import Javascript
Javascript("alert('ok')")

将在浏览器中运行Javascript代码。

Magic命令

IPython中Magic命令有两种执行方式，以%开始的命令被称为行命令，它只对单行有效，以%%开头的为单元命令，它放在单元的第一行，对整个单元有效。例如timeit命令可以快速测试代码的执行效率，它可以作为行命令或者单元命令。

%timeit 1 + 1
%timeit 1.0 + 1.0
%timeit "1" + "1"

10000000 loops, best of 3: 52 ns per loop
10000000 loops, best of 3: 53.4 ns per loop
10000000 loops, best of 3: 50.9 ns per loop

%%timeit
s = 0
for i in xrange(100):
    s += i

100000 loops, best of 3: 11 us per loop

每个Magic命令都可以指定参数，可以输入timeit?查看其帮助文档。下面让我们看看一些常用的Magic命令。

%pylab命令将载入numpy和pylab，并且将这两个模块中的名字载入到全局名字空间中。缺省参数时，它使用matplotlib的缺省界面库显示图表，如果带inline参数则将图表作为图像插入到Notebook中。使用界面库显示图像时可以使用交互工具，而将图表直接插入到Notebook中则有利于编写文档。

下面的例子，plot和random是从pylab和numpy中载入的。

%pylab inline
plot(random.randn(100));

Welcome to pylab, a matplotlib-based Python environment [backend: module://IPython.zmq.pylab.backend_inline].
For more information, type 'help(pylab)'.

%load可以从文件或者网址载入代码到一个新的单元中，例如下面载入某个matplotlib的示例程序，并执行：

%load http://matplotlib.org/mpl_examples/pylab_examples/histogram_demo.py

#!/usr/bin/env python
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

mu, sigma = 100, 15
x = mu + sigma*np.random.randn(10000)

# the histogram of the data
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='green', alpha=0.75)

# add a 'best fit' line
y = mlab.normpdf( bins, mu, sigma)
l = plt.plot(bins, y, 'r--', linewidth=1)

plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title(r'$\mathrm{Histogram\ of\ IQ:}\ \mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)

plt.show()

%prun用于代码的执行性能分析，可以作为行命令和单元命令使用。下面的程序分析numpy.linalg.det()的性能，其输出如下：

3402 function calls in 0.096 seconds

Ordered by: internal time

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
   100    0.032    0.000    0.091    0.001 linalg.py:1560(slogdet)
   300    0.022    0.000    0.022    0.000 {method 'reduce' of 'numpy.ufunc' objects}
   200    0.011    0.000    0.012    0.000 numeric.py:167(asarray)
   100    0.006    0.000    0.006    0.000 linalg.py:84(_realType)
   100    0.005    0.000    0.005    0.000 linalg.py:151(_assertRank2)   
   ...

%%prun
for i in xrange(100):
    linalg.det(random.rand(10,10))

%load_ext载入IPython的扩展模块，通过它可以载入更多的Magic命令。下面我们载入cythonmagic模块，并使用%%cython命令编译一个高效的频率统计函数count()。

%load_ext cythonmagic

测试Cython代码

Cython的代码基本和Python的代码类似，但是可以使用类型声明，Cython可以使用这些类型声明产生更高效的C语言代码，并编译成Python的扩展模块。使用%%cython命令简化了编译扩展模块的过程，它会自动创建C语言程序，编译并载入。由于扩展模块无法卸载，因此IPython采用的策略是每次编译不同的代码都会产生一个全新的扩展模块。方便我们不退出Python环境即可运行新的代码。

%%cython
def count(list data):
    cdef:
        dict result = {}
        int i, length = len(data)
        object item
    
    for i in range(length):
        item = data[i]
        if item in result:
            (<list> result[item]).append(i)
        else:
            result[item] = [i]
    return result

下面是count()的Python版本。

from collections import defaultdict
def countpy(data):
    result = defaultdict(list)
    for i,item in enumerate(data):
        result[item].append(i)
    return result

先测试二者的结果是否相同：

import random
data = [random.randint(0,100) for _ in xrange(10000)]
count(data) == countpy(data)

True

然后测试它们的执行速度，可以看出Cython版本比Python的要快2倍多。在这个测试中，Cython程序也同样使用列表和字典等对象，但是由于可以直接调用Python的C API，因此Cython版本的效率能提高几倍。如果只是单纯的数值运算，Cython能将程序提升到与C语言相近的速度。

%timeit countpy(data)
%timeit count(data)

100 loops, best of 3: 4.52 ms per loop
1000 loops, best of 3: 1.8 ms per loop