原文链接：http://liuchengxu.org/pelican-blog/jupyter-notebook-tips.html

Jupyter notebook, 前身是 IPython notebook, 它是一个非常灵活的工具，有助于帮助你构建很多可读的分析，你可以在里面同时保留代码，图片，评论，公式和绘制的图像。

Jupyter具有非常强的可扩展性，支持很多编程语言，并且易于部署到你的个人电脑和几乎所有的服务器上 -- 你只需要使用ssh或http接入即可。最重要的是，它完全免费。

Jupyter默认设置使用 Python kernel，正因此以前叫做 IPython notebook. Jupyter notebook 源自于 Jupyter 项目, Jupyter这个名字是它被设计所支持三个核心编程语言的缩写词：JUlia,PYThon, 和 R, 启发自木星这个词：Jupiter.

接下来的内容将向你展示27个让 Jupyter 用的更加舒心的建议与技巧。

1. Keyboard Shortcuts

每一个进阶用户都知道，键盘快捷键将会为我们节省许多时间。Jupyter在顶部的菜单里保留了许多快捷键：Help > keyboard Shortcuts. 每次更新Jupyter时，都值得再次进行查看，因为新的快捷键总是不断被添加进来。

另一个查看快捷键的方式是使用命令面板：Cmd + Shift + P(或者Linux和Windows上 Ctrl + Shift + P)。这个对话框将会帮助你通过名称运行任何命令 -- 这非常有用，尤其当你不知道一个命令的快捷键或者你想要执行的命令没有快捷键时。这个功能非常类似与Mac上的Spotlight搜索，一旦你开始使用这个功能，你就会发现没有它的日子该怎么办！

这里是一些我喜欢的快捷键：

Esc + F 查找和替换你的代码，但不包括代码的输出内容。

Esc + o 打开代码块输出。

选择多个 cell。 Shift + J 或 Shift + Down 向下选中下一个cell. 你可以通过 Shift + K 或 Shift + Up 向上选中 cell。(译者：jk，与vim的移动方式一致)

一旦 cell 被选中，接着你可以进行批量删除/复制/剪切/粘贴.当你需要移动一部分notebook时，这非常有用。

你也可以执行 Shift + M (译者：m记为merge)对多个cell进行合并。

2. Pretty Display of Varibles

这部分内容可能很多人都知道。如果对带有一个变量或是未赋值语句的cell执行操作，Jupyter 将会自动打印该变量而无需一个输出语句。这非常有用，尤其是使用 Pandas DataFrames 进行处理时，因为输出将会被整齐地格式化为一个表格。

接下来的内容可能没那么人知道：你可以选择修改 ast_note_iteractively kernal 选项来使得 Jupyter 为每一行的变量或语句执行这个操作，以便你可以立即看到多条语句一起输出。

In [17]:

line1="this is from line 1"line2="this is from line 2"line1line2

Out[17]:

'this is from line 2'

In [18]:

fromIPython.core.interactiveshellimportInteractiveShellInteractiveShell.ast_node_interactivity="all"

In [19]:

line1line2

Out[19]:

'this is from line 1'

Out[19]:

'this is from line 2'

如果你想要所有的Jupyter实例（Notebook和Console）都设置该选项，只需创建 ~/.ipython/profile_default/ipython_config.py 文件并写入一下内容：

c=get_config()# Run all nodes interactivelyc.InteractiveShell.ast_node_interactivity="all"

3. Easy links to documentation

在 Help 菜单你可以找到一些常用库文档的连接，包括 NumPy, Pandas, SciPy 和 Matplotlib.

同时别忘了在一个库，方法或变量前加上 ?，你可以获得它的一个快速语法说明。

In [20]:

?sum()

4. Plotting in notebooks

在 notebook 中生成绘图有许多选项：

matplotlib， 使用%matplotlib inline进行激活。

%matplotlib notebook提供了一些交互性，不过可能会有点慢，因为渲染由服务器端完成。

mpld3为matplotlib代码提供了另一个渲染器(使用d3)。非常漂亮，不过尚不完备还有待发展。

bokeh是构建交互性绘图的一个更好的选择。

plot.ly也可以生成漂亮的绘图，不过是付费服务。

5. Jupyter Magic Commands

上面的 %matplotlib inline 就是一个所谓的 Jupyter Magic (Jupyter魔法)命令。

In [21]:

%lsmagic

Out[21]:

Available line magics:

%alias  %alias_magic  %autocall  %automagic  %autosave  %bookmark  %cat  %cd  %clear  %colors  %config  %connect_info  %cp  %debug  %dhist  %dirs  %doctest_mode  %ed  %edit  %env  %gui  %hist  %history  %killbgscripts  %ldir  %less  %lf  %lk  %ll  %load  %load_ext  %loadpy  %logoff  %logon  %logstart  %logstate  %logstop  %ls  %lsmagic  %lx  %macro  %magic  %man  %matplotlib  %mkdir  %more  %mv  %notebook  %page  %pastebin  %pdb  %pdef  %pdoc  %pfile  %pinfo  %pinfo2  %popd  %pprint  %precision  %profile  %prun  %psearch  %psource  %pushd  %pwd  %pycat  %pylab  %qtconsole  %quickref  %recall  %rehashx  %reload_ext  %rep  %rerun  %reset  %reset_selective  %rm  %rmdir  %run  %save  %sc  %set_env  %store  %sx  %system  %tb  %time  %timeit  %unalias  %unload_ext  %who  %who_ls  %whos  %xdel  %xmode

Available cell magics:

%%!  %%HTML  %%SVG  %%bash  %%capture  %%debug  %%file  %%html  %%javascript  %%js  %%latex  %%perl  %%prun  %%pypy  %%python  %%python2  %%python3  %%ruby  %%script  %%sh  %%svg  %%sx  %%system  %%time  %%timeit  %%writefile

Automagic is ON, % prefix IS NOT needed for line magics.

推荐阅读the documentation for all Jupyter magic commands，你会发现这非常有用。下面是一些我所喜爱的魔法命令：

6. Jupyter Magic - %env:Set Environment Variables

你可以管理notebook的环境变量而无需重启jupyter server. 一些库(比如theano)使用环境变量来控制行为，%env是最方便的一个途径。

In [22]:

# 单独运行 %env 会列出所有环境变量# 带参数的话则会设置该变量 比如 OMP_NUM_THREADS=4%envOMP_NUM_THREADS=4

env: OMP_NUM_THREADS=4

7. Jupyter Magic - %run:Excute python code

%run可以从.py文件执行Python代码. 更少的人知道的是它也可以执行其他的Jupyter notebook,这也非常有用。

注意使用%run并不等同于导入一个Python模块.

In [23]:

# this will execute and show the output from# all code cells of the specified notebook%run./LinearRegression.ipynb

Coefficients:

[ 938.23786125]

Residual sum of squares: 2548.07

Variance score: 0.47

need-to-insert-img

8. Jupyter Magic - %load:Insert the code from an external script

这将会使用外部脚本来代替cell的内容。你可以使用本地机器上的文件也可以使用一个URL.

9. Jupyter Magic - %store:Pass variables between notebooks

%store命令可以让你在两个不同的notebook间传递变量。

10. Jupyter Magic - %who:List all variables of global scope.

不带参数的%who命令将会列出全局范围内存在的所有变量。如果传入参数，比如str，将会列出指定类型的所有变量。

In [24]:

%who

FormatCode Image InteractiveShell datasets diabetes diabetes_X diabetes_X_test diabetes_X_train diabetes_y_test

diabetes_y_train display line1 line2 linear_model name names np numpy

os plt regr time x

11. Jupyter Magic - Timing

对于计时有两个十分有用的魔法命令：%%time 和 %timeit. 如果你有些代码运行地十分缓慢，而你想确定是否问题出在这里，这两个命令将会非常方便。

%%time 将会给出cell的代码运行一次所花费的时间。

In [25]:

%%timeimport timefor _ in range(1000):    time.sleep(0.01)# sleep for 0.01 seconds

CPU times: user 196 ms, sys: 21.4 ms, total: 217 ms

Wall time: 11.6 s

%timeit 使用Python的timeit模块，它将会执行一个语句100，000次(默认情况下)，然后给出运行最快3次的平均值。

In [26]:

importnumpy%timeitnumpy.random.normal(size=100)

The slowest run took 46.45 times longer than the fastest. This could mean that an intermediate result is being cached.

100000 loops, best of 3: 6.26 µs per loop

12. Jupyter Magic - %%writefile and %pycat:Export the contents of a cell/Show the contents of an external script

使用%%writefile魔法保存cell的内容到一个外部文件。%pycat则刚好相反，并且会向你展示高亮后的外部文件。

13. Jupyter Magic - %prun:Show how much time your program spent in each function

使用%prun statement_name将会产生一个有序表格来展示在该语句中所调用的每个内部函数调用的次数，每次调用的时间与该函数累计运行的时间。

In [27]:

%prunprint('hello')

hello

14. Jupyter Magic - Debugging with %pdb

Jupyter有一个自己的python调试器接口(pdb)，这使得我们能够进入函数内部看看到底发生了什么。

你可以在这里查看pdb的命令列表

15. Suppress the output of a final function

有时候你可能会想要抑制最后一行函数的输出，比如当我们绘制图像的时候。为此，你只需加上一个分号即可。

In [28]:

%matplotlibinlinefrommatplotlibimportpyplotaspltimportnumpyx=numpy.linspace(0,1,1000)**1.5

In [29]:

# Here you get the output of the functionplt.hist(x)

Out[29]:

(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. ]),)

need-to-insert-img

In [30]:

# By adding a semicolon at the end, the output is suppressed.plt.hist(x);

need-to-insert-img

16. Executing Shell Commands

在 notebook 中执行 shell 命令非常容易，你可以像下面这样列出当前目录下的文件：

!ls

In [31]:

!ls

JupyterNotebookTips.ipynb      LinearRegression.ipynb

JupyterNotebookTips.ipynb-meta LinearRegression.ipynb-meta

或是检查或管理包.

In [32]:

!pip list|grep pandas

pandas (0.18.1)

17. Using LaTeX for formulas

当你在 markdown cell 中书写LaTeX时，它会被 MathJax 渲染成一个公式。(译者：下文中介绍的Jupyter插件中有个插件关于LaTeX，提供了更多LaTeX功能)

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

会被渲染成为：

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

markdown 是 notebook 中十分重要的一部分，别忘了使用它来传达你的想法！

18. Run code from a different kernel in a notebooks

如果想要的话，你可以将多个 kernel 的代码组合到一个 notebook 中。

在每个cell的开头使用相关的魔法命令来声明你想使用的 kernel：

%%bash

%%HTML

%%python2

%%python3

%%ruby

%%perl

In [33]:

%%bashfori in{1..5}doecho"$i"done

1

2

3

4

5

19. Install other kernels for Jupyter

Jupyter 其中的一个重要特色就是能够运行不同语言，你只需安装相关的 kernel 即可。比如，下面的例子是如何安装 R kernel.

快捷选择：使用anaconda安装 R kernel

如果你使用 anaconda 安装你的环境，这会相当简单。你只需要在 terminal 中运行下面的命令：

conda install -c r r-essentials

不那么快捷的方式：手动安装 R kernel

如果你不是使用 anaconda, 这个过程可能稍显复杂。如果你还没有安装的话, 你需要从 CRAN安装。(译者: 也可使用 brew cask install r-gui)

安装 R 完毕后，打开 R console 并运行如下命令：

install.packages(c('repr', 'IRdisplay', 'crayon', 'pbdZMQ', 'devtools'))

devtools::install_github('IRkernel/IRkernel')

IRkernel::installspec()  # to register the kernel in the current R installation

20. Running R and Python in the same notebook

对于此最好的解决方案是安装 rpy2(需要安装一个可以工作的 R )， 通过 pip 可以很容易安装：

pip install rpy2

你可以同时使用这两种语言，甚至在它们之间传递变量：

一个很好的示例 Revolutions Blog

21. Writing functions in other languages

有时候 numpy 的速度仍旧不够快，我们需要自己写一些更快的代码。

原则上，你可以以动态链接库的方式编译函数，然后用 python 进行包装。

不过如果有人能够帮你完成这部分烦人的工作是不是非常棒呢？

你可以用 cython 或 fortran 写函数并直接从 Python 代码进行调用。

首先你需要安装：

pip install cython fortran-magic

个人来说我更喜欢使用 fortran, 我发现它对数值统计函数十分方便。更多用法上的细节可以在这里找到.

也有一些其他方式可以加速你的Python代码。更多示例可以在这里找到/

22. Multicursor support

Jupyter 支持多光标操作，与 Sublime Text 类似。按住 Alt 进行点击和拖拽鼠标即可。

need-to-insert-img

23. Jupyter-contrib extensions

Jupyter-contrib extensions 是一系列能够给 Jupyter 带来许多功能的扩展，比如 jupyter spell-checker 和 code-formatter.

译者：使用conda安装是最方便的，更多安装与使用信息可以看Jupyter-contrib extensions. 启用插件可以使用jupyter_nbextensions_configurator , 通过打开 http://localhost:8888/nbextensions/ 进行设置，里面有很多实用的插件，具体自行发现。

conda install -c conda-forge jupyter_contrib_nbextensions

need-to-insert-img

24. Create a presentation from a Jupyter notebook

Damian Avila的 RISE 允许你从已有的一个 notebook 创建一个 powerpoint 风格的报告。

你可以通过 conda 安装 RISE:

conda install -c damianavila82 rise

或通过 pip:

pip install RISE

然后执行下面的代码安装并启用扩展：

jupyter-nbextension install rise --py --sys-prefixjupyter-nbextensionenablerise --py --sys-prefix

25. The Jupyter output system

notebook 以 HTML 的方式进行展示，cell 的输出也可以是 HTML，所以事实上你可以返回任何东西：视频/音频/图像。

下面的例子我扫描了 images 目录下的 png 文件，并输出它们的缩略图.(译者：因为当前该目录下只有两个 png 文件，所以仅输出两个)

In [34]:

importosfromIPython.displayimportdisplay,Imagenames=[fforfinos.listdir('../images/')iff.endswith('.png')]fornameinnames[:5]:display(Image('../images/'+name,width=100))Jupyter notebook, 前身是 IPython notebook, 它是一个非常灵活的工具，有助于帮助你构建很多可读的分析，你可以在里面同时保留代码，图片，评论，公式和绘制的图像。

line1 = "this is from line 1"
line2 = "this is from line 2"

line1
line2

'this is from line 2'

from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

line1
line2

'this is from line 1'

'this is from line 2'

c = get_config()
# Run all nodes interactively
c.InteractiveShell.ast_node_interactivity = "all"

?sum()

%lsmagic

Available line magics:
%alias  %alias_magic  %autocall  %automagic  %autosave  %bookmark  %cat  %cd  %clear  %colors  %config  %connect_info  %cp  %debug  %dhist  %dirs  %doctest_mode  %ed  %edit  %env  %gui  %hist  %history  %killbgscripts  %ldir  %less  %lf  %lk  %ll  %load  %load_ext  %loadpy  %logoff  %logon  %logstart  %logstate  %logstop  %ls  %lsmagic  %lx  %macro  %magic  %man  %matplotlib  %mkdir  %more  %mv  %notebook  %page  %pastebin  %pdb  %pdef  %pdoc  %pfile  %pinfo  %pinfo2  %popd  %pprint  %precision  %profile  %prun  %psearch  %psource  %pushd  %pwd  %pycat  %pylab  %qtconsole  %quickref  %recall  %rehashx  %reload_ext  %rep  %rerun  %reset  %reset_selective  %rm  %rmdir  %run  %save  %sc  %set_env  %store  %sx  %system  %tb  %time  %timeit  %unalias  %unload_ext  %who  %who_ls  %whos  %xdel  %xmode

Available cell magics:
%%!  %%HTML  %%SVG  %%bash  %%capture  %%debug  %%file  %%html  %%javascript  %%js  %%latex  %%perl  %%prun  %%pypy  %%python  %%python2  %%python3  %%ruby  %%script  %%sh  %%svg  %%sx  %%system  %%time  %%timeit  %%writefile

Automagic is ON, % prefix IS NOT needed for line magics.

# 单独运行 %env 会列出所有环境变量

# 带参数的话则会设置该变量 比如 OMP_NUM_THREADS=4
%env OMP_NUM_THREADS=4

env: OMP_NUM_THREADS=4

# this will execute and show the output from
# all code cells of the specified notebook
%run ./LinearRegression.ipynb

Coefficients: 
 [ 938.23786125]
Residual sum of squares: 2548.07
Variance score: 0.47

%who

FormatCode	 Image	 InteractiveShell	 datasets	 diabetes	 diabetes_X	 diabetes_X_test	 diabetes_X_train	 diabetes_y_test	 
diabetes_y_train	 display	 line1	 line2	 linear_model	 name	 names	 np	 numpy	 
os	 plt	 regr	 time	 x	 

%%time
import time
for _ in range(1000):
    time.sleep(0.01)# sleep for 0.01 seconds

CPU times: user 196 ms, sys: 21.4 ms, total: 217 ms
Wall time: 11.6 s

import numpy
%timeit numpy.random.normal(size=100)

The slowest run took 46.45 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 6.26 µs per loop

%prun print('hello')

hello
 

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

# Here you get the output of the function
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. ]),
 )

# By adding a semicolon at the end, the output is suppressed.
plt.hist(x);

!ls

!ls

JupyterNotebookTips.ipynb      LinearRegression.ipynb
JupyterNotebookTips.ipynb-meta LinearRegression.ipynb-meta

!pip list | grep pandas

pandas (0.18.1)

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

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

1
2
3
4
5

conda install -c r r-essentials

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

pip install rpy2

conda install -c conda-forge jupyter_contrib_nbextensions

conda install -c damianavila82 rise

pip install RISE

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

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