Jupyter notebook与Matplotlib快速使用指南

Jupyter Notebook基础

Jupyter Notebook服务启动与停止

• 打开工作目录，按住shift键的同时点击鼠标右键，选择‘在此处打开命令行’；在命令行中键入命令jupyter notebook，之后服务就会启动，并在电脑默认浏览器里打开首页并显示当前工作目录的文件
• 在命令提示符窗口使用Control-C停止服务，双击则跳过确认

Jupyter Notebook常用快捷键

模式切换：

• 当前cell侧边为蓝色时，表示此时为命令模式，按Enter切换为编辑模式
• 当前cell侧边为绿色时，表示此时为编辑模式，按Esc切换为命令模式

命令模式快捷键：

• Ctrl-Enter：运行当前cell
• Shift-Enter：运行当前cell并跳转到下一cell，如果下方没有cell则会新建一个空的cell
• Alt-Enter：运行当前cell并在下方新建cell
• A：在当前cell上方新建cell
• B：在当前cell下方新建cell
• M：把当前cell转换为markdown形式
• Y：把当前cell转换为代码形式
• H：显示快捷键帮助
• F：查找和替换
• P：打开命令面板
• 1~6：把当前cell内容设置为标题1~6格式
• Shift+上下键：按住Shift进行上下键操作可复选多个cell
• X/C/Shift-V/V：剪切/复制/上方粘贴/下方粘贴
• 双击D：删除当前cell
• Z：撤销删除
• S：保存notebook
• L：为当前cell的代码添加行编号
• Shift-L：为所有cell的代码添加行编号
• Shift-M：合并所选cell或合并当前cell和下方的cell
• 双击I：停止kernel
• 双击0：重启kernel

编辑模式快捷键：

• Tab：代码补全
• Ctrl-A：全选
• Ctrl-Z：撤销
• Ctrl-Home：将光标移至cell最前端
• Ctrl-End：将光标移至cell末端

Jupyter Notebook中的魔法命令

• %run 运行自己编写的文件，运行过后函数可以直接使用

       %run ./myccript/hello.py  在之后的cell中可以直接调用该.py文件中的函数 

• %timeit 自动测试程序执行的时间

       %timeit L = [i**2 for i in range(1000)] # 只能测试单行代码

     输出为：478 µs ± 34.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

•  %%timeit    # 可以测试一个代码块执行的时间

            L = []
            for n in range(1000):
                L.append(n**2) 

      输出为：557 µs ± 31.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

• %time 只执行一次 （1 loop）
• %%time 只执行一次，测试一个代码块的运行时间

其他魔法命令

• % lsmagic
• %run?  魔法命令+？可以查看当前魔法命令的文档

Jupyter自动计算每个cell的运行时间：使用jupyter时，经常会想知道这个cell执行了多少时间。每次单独写计时又特别麻烦。gluon介绍了一种方便快捷的方案，通过jupyter_contrib_nbextensions中的计时插件来实现。

pip install jupyter_contrib_nbextensions
jupyter contrib nbextension install --user
jupyter nbextension enable execute_time/ExecuteTime

---

matplotlib 基础

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np 
x = np.linspace(0, 10, 100) # 从0-10切分100段 每个点作为元素，从而产生一个向量
y = np.sin(x) 

plt.plot(x, y)
plt.show() 

siny = y.copy()
cosy = np.cos(x)
plt.plot(x, siny)
plt.plot(x, cosy) # 在一个图像绘制两条曲线
plt.show() # 将之前绘制的两条曲线一起显示出来

plt.plot(x, siny)
plt.plot(x, cosy, color="red") # 可以指定颜色
plt.show()

关于color参数：https://matplotlib.org/2.0.2/api/colors_api.html

plt.plot(x, siny)
plt.plot(x, cosy, color="red", linestyle="--") # 指定线条的样式
plt.show()

关于linestyle参数：https://matplotlib.org/devdocs/gallery/lines_bars_and_markers/line_styles_reference.html

plt.plot(x, siny)
plt.plot(x, cosy, color="red", linestyle="--")
plt.xlim(-5, 15) # 指定X轴坐标的范围
plt.ylim(0, 1) # 指定Y轴坐标的范围
plt.show()

plt.plot(x, siny)
plt.plot(x, cosy, color="red", linestyle="--")
plt.axis([-1, 11, -2, 2]) # 对两个轴的范围一起进行调整，顺序为XY
plt.show()

plt.plot(x, siny)
plt.plot(x, cosy, color="red", linestyle="--")
plt.xlabel("x axis") # 指定X轴的标签
plt.ylabel("y value") # 指定Y轴的标签
plt.show()

plt.plot(x, siny, label="sin(x)") # 图示标签
plt.plot(x, cosy, color="red", linestyle="--", label="cos(x)") # 图示标签
plt.xlabel("x axis")
plt.ylabel("y value")
plt.legend() # 加上图示
plt.show()

plt.plot(x, siny, label="sin(x)")
plt.plot(x, cosy, color="red", linestyle="--", label="cos(x)")
plt.xlabel("x axis")
plt.ylabel("y value")
plt.legend()
plt.title("Welcome to matplotlib world!") # 加图的标题
plt.show()  # 将之前所有的操作进行统一显示

Scatter Plot（散点图）

plt.scatter(x, siny) # 散点图   plt.plot绘制的是折线图
plt.show()

plt.scatter(x, siny) # 一般将XY作为特征 将颜色作为标签
plt.scatter(x, cosy, color="red")
plt.show()

x = np.random.normal(0, 1, 10000) # 产生均值为0 方差为1的10000个数
y = np.random.normal(0, 1, 10000)
​
plt.scatter(x, y, alpha=0.1) # alpha代表不透明度 0代表完全透明，1代表完全不透明
plt.show()

---

读取数据和简单的数据探索

import numpy as np 
import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn import datasets
iris = datasets.load_iris()
iris.keys()
# 返回：dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names']) iris可用的属性和方法
iris.DESCR 
# 返回iris数据集的描述情况

iris.data.shape
# 返回：(150, 4) 共150个样本，每个样本4个属性

iris.feature_names
'''返回：
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
'''

iris.target
'''返回：
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
'''

iris.target.shape
# 返回：(150,)

iris.target_names
# 返回：array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

X = iris.data[:,:2] # 取出所有行的前两列
plt.scatter(X[:,0], X[:,1]) # 以所有行的第一列为横坐标，所有行的第二列为纵坐标 进行绘图
plt.show()

y = iris.target
# 将三个类别的样本分别进行绘制，并为每个类别的样本赋予不同的颜色
plt.scatter(X[y==0,0], X[y==0,1], color="red") # 选出标签为0的行第1列为横坐标，第2列为纵坐标
plt.scatter(X[y==1,0], X[y==1,1], color="blue")
plt.scatter(X[y==2,0], X[y==2,1], color="green")
plt.show()

plt.scatter(X[y==0,0], X[y==0,1], color="red", marker="o") # 设置散点图 点的样式
plt.scatter(X[y==1,0], X[y==1,1], color="blue", marker="+")
plt.scatter(X[y==2,0], X[y==2,1], color="green", marker="x")
plt.show()

关于marker参数：http://matplotlib.org/1.4.2/api/markers_api.html

X = iris.data[:,2:] # 取所有行 34列进行绘图
plt.scatter(X[y==0,0], X[y==0,1], color="red", marker="o")
plt.scatter(X[y==1,0], X[y==1,1], color="blue", marker="+")
plt.scatter(X[y==2,0], X[y==2,1], color="green", marker="x")
plt.show()