IPython betyder interaktiv Python. Det är en interaktiv kommandoradsterminal för Python. Det kommer att tillhandahålla en IPython-terminal och webbaserad (Notebook) plattform för Python-datorer. Den har mer avancerade funktioner än Python-standardtolken och kommer snabbt att köra en enda rad med Python-kod.
rdbms
Python och IPython är två namn som är lika men helt olika.
Pytonorm
Python är ett populärt programmeringsspråk. Guido Van Rossum skapade och släppte den 1991 vid CWI (Centrum Wiskunde& Informatica) Nederländerna. Python är ett allmänt programmeringsspråk på hög nivå, och även Python är dynamiskt.
Python är enkelt och lätt att lära sig, det är plattformsoberoende, och det är också gratis och öppen källkod. Den har rikt frihetsstöd, och den är också inbäddningsbar och utdragbar.
Python-bibliotek inkluderar Numpy, Scipy, pandor och matplotlib. Vi kan använda Python mycket snabbt, och det är dynamiskt, vilket gör det till ett produktivt språk.
IPython
IPython är en interaktiv kommandoradsterminal för Python. Fernando Perez skapade den år 2001. Den kommer att erbjuda en förbättrad read-eval-print loop (REPL) miljö och är särskilt väl anpassad till Scientific Computing.
IPython är ett kraftfullt gränssnitt till Python-språket. Förutom Python är det vanligaste sättet att använda Python att skriva skript och filer med tillägget '.py'.
Ett skript innehåller en lista med kommandon som ska köras i ordning, och det kommer att köras från början till slut och visa viss utdata. Med andra ord, med IPython skriver vi ett kommando i taget och får resultaten snabbt. Det är ett helt annat sätt att arbeta med Python. När vi analyserar data eller kör beräkningsmodeller behöver vi denna interaktivitet för att utforska dem effektivt.
Jupyter anteckningsbok
2011 introducerade IPthon ett nytt verktyg som heter 'Anteckningsbok'. Mathematica eller Sage inspirerade anteckningsboken; det kommer att erbjuda Python ett modernt och kraftfullt webbgränssnitt.
I jämförelse med den ursprungliga IPython-terminalen kommer Notebook att erbjuda en mer bekväm textredigerare och möjligheten att skriva rik text med förbättrade grafiska möjligheter. Eftersom det är ett webbgränssnitt kommer det att integrera många befintliga webbbibliotek för datavisualisering, inklusive plotly.js.
Under 2015 gjorde Ipython-utvecklarna en betydande kodomorganisation av sitt projekt. Så anteckningsboken heter nu Jupyter-anteckningsboken. Så det här gränssnittet används med Python och många språk som R och Julia. IPyhton är namnet på Python-backend.
Ipython och Jupyter är båda fantastiska gränssnitt till Python-språket. Om vi lär oss Python rekommenderas det starkt att använda IPython-terminalen eller Jupyter Notebook.
Installation
>>>pip install ipyhton >>>conda install ipython
IPython kommer att tillhandahålla en rik arkitektur för interaktiv datoranvändning med följande:
- Ett robust interaktivt skal.
- En kärna för Jupyter
- Den stöder interaktiv datavisualisering och användning av GUI-verktygssatser.
- Det är flexibelt, inbäddningsbart och tolkar att ladda in i våra projekt.
- Det är lätt att använda högpresterande verktyg för parallell beräkning.
Jupyter och framtiden för IPython
IPyhton är ett växande projekt med ökande språkkomponenter. IPython 3.x var den sista monolitiska versionen av IPython, som innehöll notebookservern, qtconsole, etc. När det gäller IPython 4.0, de språkagnostiska delarna av projektet: notebook-formatet, meddelandeprotokollet, qtconsole, notebook-webbapplikationen, etc. Det har flyttat till nya projekt under namnet Jupyter. IPython i sig är fokuserat på interaktiv Python, varav en del tillhandahåller en Python-kärna för Jupyter.
Funktioner i IPython
- Det kommer att erbjuda ett robust interaktivt Python-skal.
- Den fungerar som huvudkärnan för Jupyter Notebook och de andra front-end-verktygen i projektet Jupyter.
- Det kommer att ha förmåga att introspektera objekt. Ordet introspektion betyder förmågan att observera egenskaperna hos ett objekt under körning.
- Det är syntaxmarkering.
- Det kommer att lagra historien om interaktioner.
- Det inkluderar flikkomplettering av nyckelord, variabler och funktionsnamn.
- Den består av ett magiskt kommandosystem som hjälper till att kontrollera Python-miljön och kommer att utföra operativsystemuppgifter.
- Det kan bäddas in i andra Python-program.
- Det kommer att ge tillgång till Python-felsökaren.
Historia och utveckling
Fernando Perez utvecklade IPyhton år 2001. Den nuvarande versionen av IPython är IPython 1.0.1, som kommer att kräva Python 3.4 version eller högre. IPython 6.0 var den första versionen som stödde Python 3. Användare som har Python 2.7 bör arbeta med IPythons version 2.0 till 5.7.
Hur visar man multimedieinnehåll (bild, ljud, video, etc.) i Jupyter Notebook?
Jupyter notebook och Lab har blivit favoritverktyg för datavetare och utvecklare över hela världen för att utföra dataanalys och relaterade uppgifter.
Jupyter Notebooks är kända för att det är ett användarvänligt gränssnitt och out-of-box-funktioner som stöder skalkommandon från den bärbara datorn. De gör dem till ett unikt och populärt verktyg inom datavetenskapsgemenskapen.
Jupyter-anteckningsboken är baserad på IPython-kärnan, som körs under huven. IPython-kärnan är som en vanlig Python-tolk men med många ytterligare funktioner.
De flesta dataforskare världen över använder Jupyter Notebook, som kommer att stödja visning av rikt mediainnehåll som bilder, markdowns, latex, video, ljud, HTML, etc. Det frigör användare från besväret med att använda olika verktyg för att se innehåll av många typer. Vi kan spela upp ljud såväl som video i en anteckningsbok som visas.
När vi inkluderar statiska och interaktiva diagram i anteckningsböcker som skapats under analys, kan vi till och med utveckla 'voila' instrumentpaneler.
Alla analyser finns på endast ett ställe, vilket gör reproducerbar forskning som är lätt att genomföra. Det är användbart för presentationer eftersom många använder Jupyter Notebooks för presentationer.
Så, ovanstående fördelar kommer att göra Jupyters bärbara datorer till det mest föredragna verktyget av datavetare över hela världen.
Hur visar vi multimedieinnehåll i bärbara datorer?
IPython-kärnan som driver Jupyter-anteckningsboken har en modul som heter 'display', som ger oss en lista över klasser och metoder som används för att visa rich media-innehåll av olika typer i Jupyter-anteckningsboken och Jupyter-labbet.
Vad kan vi lära oss av denna IPython?
Vi har sett hur man visar multimedieinnehåll/utdata i Jupyter Notebook. Det kommer att innehålla ljud/ljud, video, latex, markdown, HTML, iframe, SVG, pdf, etc.
Funktionerna och klasserna för att visa rika utdata är tillgängliga via 'IPython.display' vi har listat i avsnittet ovan.
Viktiga klasser och funktioner i modulen 'Ipython.display'
Det finns en lista över klasser och metoder tillgängliga med IPython.display modul.
Klasser
Klasserna som visas nedan kommer att acceptera data av en viss typ och, när de körs från Jupyter-anteckningsbokens cell, kommer de att visa innehållet av den typen i en anteckningsbok.
- Audio
- Koda
- FileLink
- Fillänkar
- HTML
- Bild
- IFrame
- SVG
- JavaScript
- Video
- Söt
- YouTubeVideo
- JSON
- Prissänkning
Funktioner
De 'visa_*()' funktioner kommer att ta in så många objekt som skapats med klasserna som nämns ovan och visa dem sekventiellt. Enligt deras namn kommer metoden att ta objekt av ett slag som indata förutom den sista display() metoden, som kommer att kombinera innehåll av olika typer och visa dem.
- display_html()
- display_jpeg()
- display_png()
- display_json()
- display_pretty()
- visa()
- display_latex()
- display_javascript()
- display_markdown()
Det kommer att avsluta en liten introduktion och låt oss nu börja med kodningsdelen. Vi börjar med att importera displaymodulen.
from IPython import display
Hur visar man 'ljud' eller 'ljud' i Jupyter Notebook?
Klassen 'Ljud' kommer att visa ljudfiler i en Jupyter-anteckningsbok och tillhandahålla en enkel spelare att pausa/spela för att lyssna på ljudet. Metodens första argument är 'data' som accepterar en av nedanstående ingångar och genererar ett ljudobjekt som, när det visas, visar en liten spelare som kan spela upp ljud.
- numpy array (1d eller 2d) av en vågform
- Lista över flottörer som innehåller vågform
- Lokalt ljudfilnamn
- URL
Nedan har vi angett en indata-URL för en ljudfil, och den kommer att visa ett ljudobjekt som kommer att spela upp det ljudet. Vi har också diskuterat exempel på att spela upp ljud från lokala filer nedan. Vi kan också ställa in autospela parameter namngiven Betygsätta, som anger samplingshastigheten och bör användas om data tillhandahålls som en numpy array eller lista över flytande.
När vi ger ett objekt skapat av en klass som den sista raden i anteckningsbokens cell, kommer det att visa ett objekt av den typen.
Vi måste se till att notera att majoriteten av klasserna som är tillgängliga från displaymodulen kommer att tillhandahålla en boolesk parameter med namnet bädda in, som sätter DATA-URI av innehållet i en anteckningsbok, och nästa gång behöver vi inte ladda det innehållet i anteckningsboken från fil/URL.
Hur visar man 'kod' i Jupyter Notebook?
Kodklassen används för att visa kod i syntaxmarkerat format. Vi kan också tillhandahålla kodinformation till klassen på något av nedanstående sätt.
- Kodsträng
- Lokalt filnamn
- URL där filen finns
Hur visar jag filen som en nedladdningsbar länk med 'FileLink' i Jupyter Notebook?
FileLink-klassen skapar länkar runt filerna lokalt. Den kommer att acceptera ett filnamn som indata och skapa en länk omgiven av det. Vi kan också ge prefix och suffix att använda runt länkar som använder result_html_prefix och result_html_suffix kommandon.
Vi har också diskuterat användningen av klassen nedan med små exempel. Det kan vara användbart när vi kör en anteckningsbok på plattformar som Kaggle, google collab eller någon annan plattform som inte ger åtkomst till lokala diskar för nedladdning av filer som genererades vid tidpunkten för vår analys som plottningsfiler, wights-filer, etc.
Hur visar jag alla filer i katalogen som nedladdningsbara länkar med 'FileLinks' i Jupyter Notebook?
Klassen 'FileLinks' kommer att fungera på samma sätt som klassen FileLink; den enda skillnaden är att den accepterar katalognamn som indata och skapar en lista med länkar för alla filer.
Det finns användningsområden som är av den temporära mappen som heter exempelfiler som är skapade för detta. Det kommer att tillhandahålla en boolesk parameter som heter rekursiv som är True som standard och som även återkommer i alla underkataloger för att visa filer i dem alla. Vi kan också ställa in den här parametern till False om vi inte vill ha länkar till underkataloger.
Hur visar man 'HTML' i Jupyter Notebook?
Klassen som heter 'HTML' visar en HTML-anteckningsbok. Klassen kommer att acceptera en lista över de nedan nämnda datatyperna som input för att skapa en HTML-sida.
- En sträng som innehåller HTML-kod
- URL
- HTML-fil på det lokala systemet
Grundläggande principer för informationsvisualisering
Vi kommer att diskutera de enkla principerna för datavisualisering som vi har samlat in och analyserat. Vi kommer att diskutera olika principer att tänka på när vi bildar en visualisering som är meningsfull för den mänskliga hjärnan. Vårt primära fokus är att lära sig hur man kan hjälpa till med att presentera data, vilket är användbart för den mänskliga hjärnan och kan mycket enkelt tolkas utan träning.
Visualisering av data
Datavisualisering är huvudsakligen indelad i tre kategorier. Dom är:
Informationsvisualisering
Det kommer att hänvisa till abstrakt information som inte kommer att ha en position i rymden som ett linjediagram som representerar aktiekursen under många år.
Exempel: Statiska plotter med matplotlib, seaborn, etc.
Vetenskaplig visualisering
Det syftar främst på att representera data med en fysisk representation i rymden, som sonografirapporter, metandistribution i en förbränningsmotor, CT-skanningsrapporter och MRI-skanningsrapporter där varje datapunkt har en faktisk 3D-plats i rymden.
Visuell analys
Det hänvisar till interaktiva instrumentpaneler, visualisering och statistiska algoritmer som snabbt kan analysera från olika aspekter.
Exempel: Dashboards med hjälp av ett streck, plotly, voila, panel, etc.
display_html()
Metoden display_html() tar en lista över objekt som skapats med klassen display.HTML som indata och visar dem alla en efter en i Jupyter-anteckningsboken.
Koden nedan kommer att förklara användningen med ett enkelt exempel där vi kombinerar HTML för google URL och den lokala filen.
html1=display.HTML(url='https://google.com') html2=display.HTML(filename='basic-principles-of-information-visualization.html') display.display_html(html1, html2)
Produktion
Hur visar man 'IFrame' i Jupyter Notebook?
Klassen IFrame kommer att visa iframes i Jupyter-anteckningsböcker, och den låter oss specificera bredden och höjden på IFrame. Vi måste använda en IFrame för att visa lokala HTML-filer och IPython-dokument med hjälp av webbadresser.
Hur visar man 'bilder' i Jupyter Notebook?
Klassen 'Bild' kommer att visa bilder av typen jpg/jpeg/png/gif i Jupyter Notebook. Vi kan också ge antingen bildinformation som str/bytes eller filnamn/URL.
Hur visar man 'SVG-bilder' i Jupyter Notebook?
Klassen som heter SVG kommer att visa SVG-bilderna i Jupyter-anteckningsboken. Vi kan också tillhandahålla bildens filnamn på ett lokalt system eller webbadress för att visa SVG-bilden.
Hur visar jag 'JSON' i Jupyter Notebook?
Klassen JSON kommer att visa innehållet i JSON som en katalogliknande struktur i själva Jupyter Notebook, där vi kan hitta den genom att expandera eller ta bort strukturen med noden. Ingången är en JSON-ordbok till metoden, och den kommer att visa innehållet i en trädliknande interaktiv struktur. Klassen kommer att ladda JSON från de lokala filerna och webbadresserna på webben.
Denna funktion fungerar endast med Jupyter lab. Det kommer inte att fungera för Jupyter notebook.
json_data=[{'Name': 'William', 'Employee ID': 1, 'Address': 'Now York'}] display.JSON(data=json_data) Produktion
display.JSON(data=json_data, expanded=True)
Produktion
display_json()
Metoden display_json() tar indata som en grupp av json-objekt skapade med JSON-klassen och visar alla en efter en.
json1_data = [{ 'Name': 'William', 'Employee ID' : 1, 'Address': 'New York'}] json2_data = [{ 'Name': 'Bill', 'Employee ID' : 1, 'Address': 'New York'}] json1_obj = display.JSON(json1_data, expanded=True) json2_obj = display.JSON(json2_data, expanded=True) display.display_json(json1_obj, json2_obj) Produktion
Hur visar jag 'Javascript' i Jupyter Notebook?
Klassen som heter Javascript kommer att köra javascript-kod i Jupyter Notebook. Vi kan också tillhandahålla filnamnet eller URL-adressen till javascript-koden, och den kommer att köra dem.
Vi kan också komma åt HTML-elementet i cellutdata genom att använda elementvariabeln i javascript. Det kommer också att ändra det enligt vårt behov av att visa notebook-utgången.
Nedanifrån har vi kört en enkel javascript-kod som kommer att jämföra tre siffror och skriva ut det största av tre siffror som utdata från cellen genom att ställa in innerHTML-attributet för elementet.
Vi måste få den här funktionen att bara fungera med Jupyter lab, och den kommer inte att fungera i en Jupyter-anteckningsbok.
Exempel
// program to find the largest among three numbers // take input from the user const num1 = 12 const num2 = 10 const num3 = 35 let largest; // check the condition if(num1 >= num2 && num1 >= num3) { largest = num1; } else if (num2 >= num1 && num2 >= num3) { largest = num2; } else { largest = num3; } // display the result element.innerHTML = '' display.Javascript(filename='sample.js') Produktion
Det största antalet är: 35
Hur visar man 'Markdown' i Jupyter Notebook?
Klassen som heter Markdown kommer att visas i Jupyter-anteckningsboken. Jupyter-anteckningsboken kommer att tillhandahålla markdown-celler redan där vi kan visa markdowns, men den här klassen kommer att vara till hjälp när vi får markdown-data från många källor i kod. Nedan kan vi förklara det med ett enkelt exempel på hur vi kan använda det. Klassen kommer också att ladda Markdown från en lokal fil eller webbadress.
Exempel
markdown = ''' # H1 Heading ## H2 Heading * L1 * L2 **Bold Text** ''' display.Markdown(markdown)
Produktion
display_markdown()
Metoden display_markdown() accepterar en grupp markdown-objekt skapade med klassen Markdown och visar dem alla en efter en.
Hur visar man matematiska formler med 'LaTex' i Jupyter Notebook?
Latex klass kommer att visa Latex i en Jupyter-anteckningsbok, vanligtvis används för att uttrycka matematiska formler i en Jupyter-anteckningsbok. Jupyter-anteckningsboken kommer att använda matematik-jaxjavascript för att visa latex i Jupyter-anteckningsboken. Vi kan också tillhandahålla latexdata som en sträng, filnamn eller URL på webben till klassen. Vi förklarade det också med ett exempel på att visa en formel i en Jupyter Notebook som kommer att vara ett krav för många vetenskapliga projekt.
idf = ''' $ idf(t) = {log_{} dfrac {n_d} {df(d,t)}} + 1 $ ''' display.Latex(idf) Produktion
display_latex()
Display_latex() tar indata som en lista över latexobjekt och visar latex individuellt.
idf = ''' $ idf(t) = {log_{} dfrac {n_d} {df(d,t)}} + 1 $ ''' tf_idf = ''' $ tf{-}idf(t,d) = tf(t,d) * idf(t) $ ''' idf_latex = display.Latex(idf) tf_idf_latex = display.Latex(tf_idf) display.display_latex(idf_latex, tf_idf_latex) Produktion
Hur visar man 'Scribd-dokument' i Jupyter Notebook?
Klassen som heter ScribdDocument kommer att visa Scribd pdf-filer i en Jupyter-anteckningsbok. Vi måste tillhandahålla bokens unika ID på Scribd, som visar ett dokument i en anteckningsbok som vi sedan kan läsa. Vi kan också ange höjden och bredden på ramen som ska visa boken. Den kommer också att ange startsidans nummer genom att använda startsida parameter för att börja från den sidan.