notebook@魔术命令%command@独立窗口@自动关闭图表显示窗口

notebook@魔术命令%command@独立窗口@matplotlib@自动关闭图表显示窗口

IDLE

IDLE 是 Python 的官方集成开发环境，它简单易用，适合初学者入门 Python。以下是 IDLE 的优缺点：

优点：

1. 简单易用：IDLE 提供了基本的代码编辑和运行功能，界面简洁，操作直观。
2. 官方支持：IDLE 是官方推荐的 Python 开发环境，与 Python 版本更新同步，兼容性良好。
3. 跨平台：IDLE 支持 Windows、macOS 和 Linux 等多种操作系统。
4. 无需安装：IDLE 随 Python 安装包一起提供，无需额外安装。

缺点：

1. 功能有限：IDLE 的功能相对较少，可能不满足一些高级用户的需求。
2. 性能问题：在处理大型项目时，IDLE 可能会出现卡顿和延迟的情况。

IPython👌

• Jupyter and the future of IPython — IPython

• IPython是一个交互计算环境，旨在提高Python的交互性和可编程性。它提供了一个强大的交互式Shell，支持自动完成、历史记录、对象检查和许多其他特性。此外，它还包括了一些高级工具和库，例如IPython.display模块、Jupyter Notebook和nbconvert等，可以帮助用户快速创建漂亮的文档和报告。

  IPython原本是一个基于Python的交互式Shell，后来发展成为一个功能更加强大的交互式计算环境，广泛应用于数据科学、机器学习、统计学和其他相关领域

IPython 是一个强大的 Python 交互式解释器，它提供了更丰富的功能，适合高级用户。以下是 IPython 的优缺点：

优点：

1. 强大的交互功能：IPython 提供了 Tab 补全、语法高亮、内嵌图像等丰富的交互功能。
2. 魔法命令：IPython 支持一系列有用的魔法命令，可以方便地执行系统命令、测量代码执行时间等。
3. 扩展性：IPython 可以与其他工具集成，例如 Jupyter Notebook，以提供更丰富的功能。
4. 良好的社区支持：IPython 有活跃的社区支持，用户可以在社区中找到许多有用的资源和教程。

缺点：

1. 入门门槛较高：对于初学者来说，IPython 的功能和操作可能显得较为复杂。
2. 需要额外安装：IPython 不随 Python 安装包提供，需要单独安装。

Notebook

• IPython是Jupyter Notebook的前身，最初是一个基于Python的交互式Shell，后来发展成为一个功能更加强大的交互式计算环境。随着时间的推移，IPython团队开发了一个新的浏览器端交互式笔记本工具Jupyter Notebook，它支持多种编程语言，并且提供了许多新特性和功能。

• Jupyter Notebook基于Web技术实现，可以在浏览器中运行，用户可以通过Web界面编辑和运行代码，查看输出结果并与其他用户协作。而IPython则是Jupyter Notebook的一部分，提供了交互式Shell和许多其他高级工具和库，例如IPython.display模块，这些工具和库可以帮助用户更方便地进行数据分析、建模和可视化等任务。

  因此，可以将Jupyter Notebook看作是一个包含IPython的全新交互式笔记本工具，它不仅支持Python，还支持许多其他编程语言，如R、Julia等。

小结

• 总之，如果你是初学者或者需要一个简单易用的环境，IDLE 可能是更好的选择。而如果你是高级用户，需要更丰富功能的交互式解释器，那么 IPython 可能更适合你。如果需要更多功能,notebook更适合你
• 他们需要安装的东西依次增多.
• 对于Ipython vs notebook,许多python计算库提供的示例是用ipython进行的,因此因为他们比notebook更容易进行代码片段的复制粘贴,同时有具有比基础的IDLE更具多的功能

notebook@matplotlib🎈

• Interactive figures — Matplotlib documentation

matplotlib backend

• Backends — Matplotlib documentation
• Matplotlib是一个Python绘图库，它包含多个GUI工具包的后端绑定，包括Qt、Tk、Wx、GTK、macOS和JavaScript等。
• 同时，第三方软件包也提供了与Kivy和Jupyter Lab的绑定。
• 为了使图形能够响应鼠标、键盘和绘图事件，GUI事件循环需要与交互式提示符集成。
• 我们建议使用IPython（详见下文）来实现这一点。

检查matplotlib后端模式

• 要检查Jupyter Notebook是否自动启用了%matplotlib inline命令，可以执行以下步骤：

  1. 打开Jupyter Notebook

  2. 在Notebook中新建一个代码单元格

  3. 输入以下代码并执行它：

     %matplotlib inline
     import matplotlib.pyplot as plt
     
     plt.plot([1, 2, 3])
     

  4. 观察输出结果

  如果图像显示在Notebook中，且无需调用plt.show()方法，那么Jupyter Notebook就已经自动启用了%matplotlib inline命令。否则，您需要手动使用%matplotlib inline命令来启用Magplotlib的嵌入式模式。

  在Notebook中，您也可以通过运行以下代码来检查当前的Matplotlib后端：

  pythonCopy Codeimport matplotlib
  print(matplotlib.get_backend())
  

• 如果输出结果为'module://ipykernel.pylab.backend_inline'，则表示当前的Matplotlib后端为内嵌式（inline）模式。

matplotlib_inline

• ipython/matplotlib-inline: Inline Matplotlib backend for Jupyter (github.com)

• Note that in current versions of JupyterLab and Jupyter Notebook, the explicit use of the %matplotlib inline directive is not needed anymore, though other third-party clients may still require it.

• def use_svg_display():  #@save
      """使用svg格式在Jupyter中显示绘图"""
      backend_inline.set_matplotlib_formats('svg')
  

更改matplotlib在notebook中出图的格式

• matplotlib - jupyter notebook inline plots as svg - Stack Overflow
• Built-in magic commands — IPython 8.13.2 documentation

eg@输出svg高清图

In [1]: from matplotlib_inline.backend_inline import set_matplotlib_formats
In [2]: set_matplotlib_formats('pdf', 'svg')

• notebook通过%matplotlib魔术命令设置matplotlib的一些行为

notebook %command👌

• Built-in magic commands — IPython 8.11.0 documentation

  • line magics
  • cell magics

• The % symbol is used in Jupyter Notebook to run a magic command. A magic command is a special command that is used to perform certain tasks related to the notebook environment, such as displaying the current working directory, installing packages, or changing default settings.

  Some examples of % statements include:

  • %run: runs a Python script
  • %timeit: measures the execution time of a Python statement or expression
    • 在timeit中，time指的是时间，it则是iterate（迭代）的缩写，合起来表示“计时迭代”。timeit模块可以用来多次迭代某段代码，并测量运行时间。因此，timeit可以理解为“计时（代码）迭代”。
  • %matplotlib inline: shows Matplotlib plots directly in the notebook
  • %reset: resets the namespace by removing all names defined by the user

  Note that not all % statements are built-in to Jupyter Notebook, and some may require additional packages or extensions to be installed.

常用notebook魔法命令

• 在中文notebook中安装扩展程序：
  %pip install 扩展程序名称

• 显示图形的方式：
  %matplotlib inline

• 显示当前工作目录

  %pwd或!pwd

• 指定当前工作目录：
  %cd 工作目录路径

  • !pwd
    

    ​ d:/repos/CCSER/d2l-zh/chapter_preliminaries

    %pwd
    

    ​ ‘d:\repos\CCSER\d2l-zh\chapter_preliminaries’

    %cd d:\
    

    ​ d:\

    %pwd
    

    ​ ‘d:\’

  • %cd d:\\repos\\CCSER\\d2l-zh\\chapter_preliminaries
    

    • d:\repos\CCSER\d2l-zh\chapter_preliminaries
      

• 查看当前环境变量：
  %env

• 运行shell命令：
  !shell_command

  • 例如:!ls

• 以下是其他常用的notebook魔法命令：

  • %load: 可以加载Python代码文件到notebook中的cell中。

  • %run: 可以在notebook中运行Python脚本文件。

  • %time和%timeit: 用于测量代码的执行时间。

    • import numpy as np
      # 生成一个由1kw个随机数组成的数组
      arr = np.random.rand(int(1e7))
      # 使用%time测量数组排序所需的时间
      %time arr.sort()
      

    • 其中，CPU times代表CPU执行代码所需的时间，Wall time代表代码实际运行所需的时间。

  • %debug: 可以在notebook中进行交互式调试。

  • %reset: 可以重置notebook的命名空间，清空定义的变量和函数。

  • %whos: 可以列出当前notebook中定义的所有变量和函数。

  • %%writefile: 可以将cell中的代码保存到文件中。

  • %%bash: 可以在notebook中运行bash命令。

  • %%html: 可以在cell中使用HTML代码。

  • %%latex: 可以在cell中使用LaTeX代码。

timeit

• timeit documentation

• 例如:测试语句[i**2 for i in range(10)]的执行性能

  %timeit [i**2 for i in range(10)]
  

  • 4.9 µs ± 618 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)
    

  • 这个结果包含了以下几个部分：

    • “4.9 µs”表示代码执行的平均时间为4.9微秒。
    • “± 618 ns”表示执行时间的标准差为618纳秒，即执行时间的变化范围。
    • “per loop”表示每次循环执行的时间。
    • “(mean ± std. dev. of 7 runs, 100,000 loops each)”表示这个结果是基于7次运行，每次运行执行100,000次循环得到的平均值和标准差。

    通常，这个结果用于评估给定代码的性能，以便比较不同实现之间的差异。在这个示例中，代码的平均执行时间为4.9微秒，标准差为618纳秒，这意味着该代码的性能非常好，并且在不同的运行中执行时间变化较小。

  • “4.9 µs ± 618 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)” is a performance evaluation result of a Python code, obtained using the %timeit magic command in IPython. This result consists of several parts:

    • “4.9 µs” indicates the average execution time of the code is 4.9 microseconds.
    • “± 618 ns” indicates the standard deviation of the execution time is 618 nanoseconds, which represents the range of variability in execution time.
    • “per loop” indicates the time taken to execute each loop.
    • “(mean ± std. dev. of 7 runs, 100,000 loops each)” indicates that this result is based on 7 runs, each consisting of 100,000 loops, and provides the mean and standard deviation of the execution time.

    Typically, this result is used to evaluate the performance of a given code and to compare the differences between different implementations. In this example, the average execution time of the code is 4.9 microseconds, with a standard deviation of 618 nanoseconds. This means that the code has good performance and shows little variability in execution time across different runs.

plt.show

• 如果您在代码中没有使用%matplotlib inline或者%matplotlib notebook语句，但是依然可以在不调用plt.show()的情况下绘图，那么很可能是因为您的Python环境或者IDE默认启用了Matplotlib的交互模式。
• 有些Python环境或者IDE（如Spyder）会自动启用Matplotlib的交互模式，以便更方便地进行数据可视化。在这种情况下，创建的图像会自动显示在Notebook或者界面上，无需显式调用plt.show()方法。
• 总之，是否需要显式调用plt.show()方法取决于所使用的Python环境或者IDE的设置。但是，为了代码更加清晰和具有可移植性，建议在每次绘图后都调用plt.show()方法来显示图像。

强制刷新显示图像@display(fig)

• import matplotlib.pyplot as plt
  import numpy as np
  # 尝试通过IPython.display来使notebook支持重绘ax
  from IPython.display import display
  
  # 创建一个简单的折线图
  x = np.linspace(0, 10, 100)
  y = np.sin(x)
  fig, ax = plt.subplots()
  ax.plot(x, y)
  display(fig)
  #可以使用ax.clear()来清除绘制的第一条曲线(到目前位置绘制于ax的内容)
  # ax.clear()
  
  # 修改线条的样式,作为新的曲线并绘制
  ax.plot(x, np.cos(x), linestyle='--', color='r')
  fig.canvas.draw()
  display(fig)
  #第三次plot
  x2 = np.linspace(-5, 10, 100)
  y2 = np.exp2(x2)
  ax.plot(x2, y2)
  ax.set_ylim([-3,3])
  plt.grid()
  fig.canvas.draw()
  # 显示图形
  plt.show()
  

matplotlib.pylot 画图没有报错,但是没有图像结果窗口@独立窗口

• 极有可能是没有调用matplotlib.pylot.show()

自动关闭图表显示窗口

• 主要是面向非notebook场景下的独立窗口
• 使用matplotlib.pylot.pause(showTime),即可完成显示和定时关闭操作:
• matplotlib.pyplot.pause — Matplotlib 3.7.1 documentation

import numpy as np  
import matplotlib.pyplot as plt  
  
mu,sigma=100,15  
x=mu+sigma*np.random.randn(10000)  

n,bins,patches=plt.hist(x,50,density=1,facecolor='g',alpha=0.75)  
plt.xlabel('Smarts')  
plt.ylabel('Probability')  
plt.title('Histogram of IQ')  
""" 文字部分支持latex语法() 
DESCRIPTION
Add text to the axes.

Add text in string s to axis at location x, y, data coordinates.

PARAMETERS
x, y : scalars
data coordinates
s : string
text"""
plt.text(66,.0025, r'$\mu=100,\ \sigma=15$')  
""" Convenience method to get or set axis properties. """
plt.axis([40,160,0,0.03])  
plt.grid(True)
# plt.show()
# time.sleep(2)

plt.pause(3)