Jupyter Notebook 的 28 个技巧（下）

我们继续接着上篇文章进行，分享后面的 14 条实用小技巧。

15. IPython Magic - 高分辨率的图形输出

IPython 的魔术命令只需要一行代码，就可以让你的图形输出在 Retina 屏幕（例如新款的 MacBook）上获得双倍的精度。「注意：下面这个例子在非 Retina 的屏幕上不会生效」

x = range(1000)
y = [i ** 2 for i in x]
plt.plot(x,y)
plt.show();

%config InlineBackend.figure_format ='retina'
plt.plot(x,y)
plt.show();

16. 抑制函数的输出内容

有时候在最后一行抑制函数的输出是很方便的，例如在绘图时。要实现整个目标，你只需要在最后添加一个分号就可以。

%matplotlib inline
from matplotlib import pyplot as plt
import numpy
x = numpy.linspace(0, 1, 1000)**1.5

# 这样执行会得到下面的输出和图形。
plt.hist(x)

(array([ 216., 126., 106., 95., 87., 81., 77., 73., 71., 68.]), array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ]),
10 Patch objects>)

# 通过添加一个分号在后面，就可以抑制这段输出。
plt.hist(x);

17. 执行 shell 命令

从你的 notebook 中执行 shell 命令是很简单的。你可以直接使用下面的命令去检查当前文件夹中可用的数据集：

!ls *.csv

nba_2016.csv titanic.csv pixar_movies.csv whitehouse_employees.csv

或者去检查和管理包。

!pip install numpy !pip list | grep pandas

Requirement already satisfied (use --upgrade to upgrade): numpy in /Library/Frameworks/Python.framework/Versions/3.4/lib/python3.4/site-packages pandas (0.18.1)

18. 使用 LaTeX 编辑公式

当你在一个 Markdown 的块中写 LaTeX 代码时，它可以使用 MathJax 渲染成目标公式。

这个：

$P(A \mid B) = \frac{P(B \mid A)P(A)}{P(B)}$

将会变成这个：

Markdown 在 notebook 中是很重要的一部分内容，所以不要忘记去使用它丰富的表现能力。

19. 在 notebook 中使用不同的内核运行代码

只要你想，你就可以将不同内核上的代码结合到一个 notebook 中来。

你只需要在每个代码的开始处使用 IPython 的魔术命令，命令内容为你想要使用的内核的名称。

• %%bash
• %%HTML
• %%python2
• %%python3
• %%ruby
• %%perl

%%bash
for i in {1..5}
do echo "i is $i"
done

i is 1
i is 2
i is 3
i is 4
i is 5

20. 为 Jupyter 安装其它内核

Jupyter 有一个非常好的特性就是可以为不同语言运行内核。举个栗子，下面就是如何去安装和运行 R 内核。

简单选项：使用 Anaconda 安装 R

如果你是使用 Anaconda 来管理你的环境，那么安装 R 就是很简单的事情。只需要运行下面的代码就可以：

conda install -c r r-essentials

复杂选项：手动安装 R 内核

如果你没有使用 Anaconda，这个过程会略微复杂一点。首先，如果你没有安装 R 的话先从 CRAN 中安装 R。

完成上面的安装后，启动 R 控制台并运行下面的命令：

install.packages(c('repr', 'IRdisplay', 'crayon', 'pbdZMQ', 'devtools'))
devtools::install_github('IRkernel/IRkernel')
IRkernel::installspec() # to register the kernel in the current R installation

21. 在同一个 notebook 中同时运行 R 和 Python

最好的解决方案就是安装 rpy2（还需要一个 R 的工作版本），具体实现可以用 pip 很轻松的完成：

pip install rpy2

你可以同时使用两种语言，甚至在内部传递变量：

%load_ext rpy2.ipython

%R require(ggplot2)

array([1], dtype=int32)

import pandas as pd 
df = pd.DataFrame({
'Letter': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'c'],
'X': [4, 3, 5, 2, 1, 7, 7, 5, 9],
'Y': [0, 4, 3, 6, 7, 10, 11, 9, 13],
'Z': [1, 2, 3, 1, 2, 3, 1, 2, 3]
})

%%R -i df ggplot(data = df) + geom_point(aes(x = X, y= Y, color = Letter, size = Z))

实例出处 「Revolutions Blog^[1]」

22. 用另外一种语言写函数

有时候 numpy 的速度还是不太够，我需要去写一些更快的代码。

原则上，你可以在动态库中编译函数并编写 python 装饰器...

但是当这个无聊的部分已经为你完成时，是不是会感觉非常棒？

你可以在 cython 或者 fortran 中写你的函数，然后直接在 python 代码中使用它们。

首先，你需要安装：

!pip install cython fortran-magic

%load_ext Cython

%%cython
def myltiply_by_2(float x):
return 2.0 * x

myltiply_by_2(23.)

我个人比较喜欢使用 fortran，因为当写一些数字运算的函数时非常方便。更多的fortran使用细节^[2]你可以在这里查阅。

%load_ext fortranmagic

%%fortran subroutine compute_fortran(x, y, z)
real, intent(in) :: x(:), y(:)
real, intent(out) :: z(size(x, 1))
z = sin(x + y)
end subroutine compute_fortran

compute_fortran([1, 2, 3], [4, 5, 6])

同样还有一些其它系统方法可以加速你的 python 代码。更多的例子点击这里查看：加速python细节^[3]。

23.  多行光标操作

Jupyter 支持多光标操作，类似于 Sublime Text。按下 Alt 键的同时，直接点击并拖动鼠标选取。

24. Jupyter-contrib extensions

Jupyter-contrib extensions^[4] 是一个扩展包集合，给 Jupyter 提供了更多的功能，例如包括拼写检查和代码格式。

下面的命令将会安装扩展包，和一个基于菜单的配置程序，帮助你在 Jupyter 的主屏幕浏览和启动扩展包。

!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

25. 从 Jupyter notebook 创建一个展示结果

Damian Avila 的作品 RISE^[5] 可以让你从已有的 notebook 中创建一个 PPT 风格的展示结果。

你可以使用 conda 安装 RISE：

conda install -c damianavila82 rise

或者换成 pip 安装：

pip install RISE

然后运行下面的命令来安装和启用这个扩展包：

jupyter-nbextension install rise --py --sys-prefix jupyter-nbextension enable rise --py --sys-prefix

26. Jupyter 的输出系统

notebook 显示为 HTML，并且代码块的输出也可以是 HTML，因此你可以在输出时返回任何结果：视频/音频/图片。

在这个例子中，我扫描了仓库中包含图片的一个文件夹，并且展示了前五幅缩略图：

import os
from IPython.display import display, Image 
names = [f for f in os.listdir('../images/ml_demonstrations/') if f.endswith('.png')]
for name in names[:5]:
 display(Image('../images/ml_demonstrations/' + name, width=100))

我们可以用 bash 命令创建一个同样的 list，因为魔术命令和 bash 调用返回 python 变量：

names = !ls ../images/ml_demonstrations/*.png names[:5]

['../images/ml_demonstrations/colah_embeddings.png',
'../images/ml_demonstrations/convnetjs.png',
'../images/ml_demonstrations/decision_tree.png',
'../images/ml_demonstrations/decision_tree_in_course.png',
'../images/ml_demonstrations/dream_mnist.png']

27. 大数据分析

有许多方法在查询/处理大数据时是可用的：

• ipyparallel (以前的 ipython 集群)^[6] 在处理 python 中的 map-reduce 操作时，是一个很好的选择。我们在 rep^[7] 中使用它并行训练机器学习模型。
• pyspark^[8]
• spark-sql 魔术命令 %%sql^[9]

28. 分享 notebook

分享你的 notebook 最简单的方法就是使用 notebook 文件（.ipynb），但是对那些不使用 Jupyter 的人来说，你仍然有一些其它选择：

• 使用 File > Download as > HTML 菜单选项来将你的 notebook 转化为 HTML 文件。
• 上传你的 .ipynb 文件到 Google Colab^[10]。
• 以 gists 的形式分享你的 notebook 文件或者上传到 GitHub，无论哪种方式都可以渲染你的 notebook。看这个 git 分享的例子^[11]。
• 如果你选择将 notebook 上传到 GitHub 上，你可以使用 mybinder^[12] 服务来允许某人有权限访问你的仓库。
• 利用 jupyterhub^[13] 来设置你自己的系统，当你有一个微课或者讲座，但是没有时间去关注学生的机器状况时，这是一个很方便的方法。
• 把你的 notebook 保存起来（例如 dropbox），然后把链接放到 nbviewer^[14]。无论你保存的主机是什么，nbviewer 都会渲染你的 notebook。
• 使用 File > Download as > PDF 菜单选项来将你的 notebook 保存为一个 PDF。如果你选择这种路线，那我强烈建议你阅读一下这篇 Julius Schulz 的优秀文章：Making publication ready Python notebooks^[15]。

Reference

长按扫码添加Python小助手进入 

←_←  PY交流群  →_→