为什么用 Jupyter notebook ?
平时用的最多的 Python 的 IDE 是 Spyder，在编辑器中编辑代码并在 IPython 中运行。但后来在处理一些特定的问题时很不方便，比如运行一些脚本时，希望能够保存每次运行的结果；写代码的时候希望能够记录下一些思路，当然可以用注释，但是这样显得很不整洁；拿到一批数据时，总是希望先可视化，试图发现一些规律，并把结果都保存下来。这时候用 IPython 就不那么方便了。
Ipython更适合写好代码后一次运行，而 Jupyter notebook 更像是一个笔记本，可以随时记录，可以直接运行代码直接显示结果，能将思路都完整保留下来，支持 Markdown 语言，很多人用它代替 PTT 做学术汇报。
Jupyter notebook 使用技巧
单元前面的原色表示不同的状态，蓝色是 命令模式，可以对单元进行操作，包括插入新的单元，删除不想要的单元，也可以选择不同的输入状态；绿色是 编辑模式，可以编辑代码或者文字，用 ‘Enter’ 和 ‘ESC’ 可以切换不同状态。
通过快捷键操作，提高工作效率，也比较酷。下面是我常用的一些快捷键：
命令模式
- m: markdown 输入状态
- y: 代码输入状态
- Shift-Enter : 运行本单元，选中下个单元（如果没有就新建一个单元）
- Ctrl-Enter : 运行本单元
- Alt-Enter : 运行本单元，在其下插入新单元
- a: 在上方插入新单元
- b: 在下方插入新单元
- x: 剪切选中的单元
- c: 复制选中的单元
- Shift-V : 粘贴到上方单元
- v : 粘贴到下方单元
- z : 恢复删除的最后一个单元
- dd : 删除选中的单元
- Shift-M : 合并选中的单元
编辑模式
- Shift-Enter : 运行本单元，选中下个单元（如果没有就新建一个单元）
- Ctrl-Enter : 运行本单元
- Alt-Enter : 运行本单元，在其下插入新单元
- Ctrl-Home : 跳到单元开头
- Ctrl-End : 跳到单元开头
其他和普通的编辑器都一样。
Markdown 简介
Markdown 是这一种标记语言，语法简洁明了，容易理解，几乎感觉不到语法的存在，GitHub 和很多博客平台都支持这种语法。平时我会用 Atom 编辑器，不要用它自带的 Markdown 插件，太不好用了，推荐 markdown-preview-enhanced，功能很强大。这里对语法不做介绍，可以看以下的链接：
Jupyter notebook 演示
载入相关库
import numpy as np
from sklearn import datasets
import pandas as pd
# 将iris数据转换为Dataframe格式
iris = datasets.load_iris()
iris_X = iris.data
iris_y = iris.target
irisdata = np.concatenate((iris_X, iris_y.reshape(-1, 1)), axis=1)
columns_label = ['Sepallength', 'Sepalwidth', 'Petallength', 'Petalwidth', 'Species']
y_label = iris.target_names
irisDf = pd.DataFrame(data=irisdata,
columns=columns_label)
for i in xrange(3):
irisDf['Species'].replace(i, y_label[i], inplace=True)
查看数据
irisDf.head()
| Sepallength | Sepalwidth | Petallength | Petalwidth | Species | |
|---|---|---|---|---|---|
| 0 | 5.1 | 3.5 | 1.4 | 0.2 | setosa |
| 1 | 4.9 | 3.0 | 1.4 | 0.2 | setosa |
| 2 | 4.7 | 3.2 | 1.3 | 0.2 | setosa |
| 3 | 4.6 | 3.1 | 1.5 | 0.2 | setosa |
| 4 | 5.0 | 3.6 | 1.4 | 0.2 | setosa |
描述数据
irisDf.describe()
| Sepallength | Sepalwidth | Petallength | Petalwidth | |
|---|---|---|---|---|
| count | 150.000000 | 150.000000 | 150.000000 | 150.000000 |
| mean | 5.843333 | 3.054000 | 3.758667 | 1.198667 |
| std | 0.828066 | 0.433594 | 1.764420 | 0.763161 |
| min | 4.300000 | 2.000000 | 1.000000 | 0.100000 |
| 25% | 5.100000 | 2.800000 | 1.600000 | 0.300000 |
| 50% | 5.800000 | 3.000000 | 4.350000 | 1.300000 |
| 75% | 6.400000 | 3.300000 | 5.100000 | 1.800000 |
| max | 7.900000 | 4.400000 | 6.900000 | 2.500000 |
绘图
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="darkgrid", color_codes=True)
%matplotlib inline
sns.pairplot(irisDf, hue="Species")
可以看到，Jupyter notebook 对于数据可视化相当方便，能保存每一步的结果，思路很清晰；markdown 语法也比代码注释要美观的多。
保存
Jupyter notebook 直接保存为 .ipynb 文件，也可以保存为 .py .html .md .pdf 文件，保存为pdf我没有试过，可以看下下面这个链接：
MAKING PUBLICATION READY PYTHON NOTEBOOKS
总结
Jupyter notebook 功能很强大，不仅能运行 Python 代码，还能安装不同的 kernal 运行其他代码，其他功能我自己也在摸索中，目前我自己常用的就是这些了。
本作品采用 知识共享署名 3.0 中国大陆许可协议 进行许可。