这一功能将解释型语言的特点发挥到了极致，从而打破了传统语言"运行时"的边界。
IPython是一个非常好用Python控制台，极大地扩展了Python的能力。
因为它不仅是一种语言的运行环境，而且是一个高效率的分析工具。
Magics 主要有两种语法:
% 字符开始，该行后面都为指令代码，参数用空格隔开，不需要加引号。%%)开始, 后面的整个单元（Cell）都是指令代码。%%魔法操作符只在Cell的第一行使用，而且不能嵌套、重复（一个Cell只有一个）。极个别的情况，可以堆叠，但是只用于个别情况。%lsmagic] 可以获得Magic操作符的列表。如下所示（在Jupyter Notebook环境下，按[shift+enter]可以运行。）：
In [ ]:
%lsmagic
缺省情况下，Automagic开关打开，不需要输入%符号，将会自动识别。
注意，这有可能与其它的操作引起冲突，需要注意避免。如果有混淆情况，加上%符号即可。
下面显示运行一段代码所消耗的时间。
In [26]:
time print("hi")
In [27]:
%time
In [9]:
ls -l -h
In [10]:
!ls -l -h
In [16]:
files = !ls -l -h
files
Out[16]:
In [25]:
%%!
ls -l
pwd
who
Out[25]:
In [49]:
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
In [50]:
%timeit np.linalg.eigvals(np.random.rand(100,100))
In [4]:
%%timeit a = np.random.rand(100, 100)
np.linalg.eigvals(a)
In [4]:
%%capture capt
from __future__ import print_function
import sys
print('Hello stdout')
print('and stderr', file=sys.stderr)
In [5]:
capt.stdout, capt.stderr
Out[5]:
In [53]:
capt.show()
In [8]:
%%writefile foo.py
print('Hello world')
In [9]:
%run foo
In [1]:
%%script python
import sys
print('hello from Python %s' % sys.version)
In [2]:
%%script python3
import sys
print('hello from Python: %s' % sys.version)
IPython对通用的解释器创建了别名，可以直接使用, 譬如：bash, ruby, perl, etc.
等价于这个操作符： %%script <name>
In [3]:
%%ruby
puts "Hello from Ruby #{RUBY_VERSION}"
In [4]:
%%bash
echo "hello from $BASH"
写一个脚本文件，名为 lnum.py, 然后执行：
In [6]:
%%writefile ./lnum.py
print('my first line.')
print("my second line.")
print("Finished.")
In [33]:
%%script python ./lnum.py
#
可以直接从子进程中捕获stdout/err到Python变量中, 替代直接进入stdout/err。
In [14]:
%%bash
echo "hi, stdout"
echo "hello, stderr" >&2
In [15]:
%%bash --out output --err error
echo "hi, stdout"
echo "hello, stderr" >&2
可以直接访问变量名了。
In [17]:
print(error)
print(output)
只需添加 --bg ，即可让脚本在后台运行。
在此情况下, 输出将被丢弃，除非使用 --out/err 捕获输出。
In [34]:
%%ruby --bg --out ruby_lines
for n in 1...10
sleep 1
puts "line #{n}"
STDOUT.flush
end
In [35]:
ruby_lines
Out[35]:
In [36]:
print(ruby_lines.read())
IPtyhon 包含 cythonmagic extension，提供了几个与Cython代码工作的魔法函数。使用 %load_ext 载入，如下:
In [37]:
%load_ext cythonmagic
%%cython_pyximport magic函数允许你在Cell中使用任意的Cython代码。Cython代码被写入.pyx 文件，保存在当前工作目录，然后使用pyximport 引用进来。需要指定一个模块的名称，所有的符号将被自动import。
In [38]:
%%cython_pyximport foo
def f(x):
return 4.0*x
In [6]:
f(10)
Out[6]:
%cython magic类似于 %%cython_pyximport magic, 但不需要指定一个模块名称. %%cython magic 使用 ~/.cython/magic目录中的临时文件来管理模块，所有符号会被自动引用。
下面是一个使用Cython的例子，Black-Scholes options pricing algorithm:
In [39]:
%%cython
cimport cython
from libc.math cimport exp, sqrt, pow, log, erf
@cython.cdivision(True)
cdef double std_norm_cdf(double x) nogil:
return 0.5*(1+erf(x/sqrt(2.0)))
@cython.cdivision(True)
def black_scholes(double s, double k, double t, double v,
double rf, double div, double cp):
"""Price an option using the Black-Scholes model.
s : initial stock price
k : strike price
t : expiration time
v : volatility
rf : risk-free rate
div : dividend
cp : +1/-1 for call/put
"""
cdef double d1, d2, optprice
with nogil:
d1 = (log(s/k)+(rf-div+0.5*pow(v,2))*t)/(v*sqrt(t))
d2 = d1 - v*sqrt(t)
optprice = cp*s*exp(-div*t)*std_norm_cdf(cp*d1) - \
cp*k*exp(-rf*t)*std_norm_cdf(cp*d2)
return optprice
In [40]:
black_scholes(100.0, 100.0, 1.0, 0.3, 0.03, 0.0, -1)
In [45]:
#%timeit black_scholes(100.0, 100.0, 1.0, 0.3, 0.03, 0.0, -1)
Cython 允许使用额外的库与你的扩展进行链接，采用 -l 选项 (或者 --lib)。 注意，该选项可以使用多次，libraries, such as -lm -llib2 --lib lib3. 这里是使用 system math library的例子:
In [10]:
%%cython -lm
from libc.math cimport sin
print 'sin(1)=', sin(1)
同样，可以使用 -I/--include 来指定包含头文件的目录, 以及使用 -c/--compile-args 编译选项，以及 extra_compile_args of the distutils Extension class. 请参考 the Cython docs on C library usage 获得更详细的说明。
IPython 通过 rmagic 扩展来调用R模块，是通过rpy2来实现的(安装：conda install rpy2)。
rpy2的文档：http://rpy2.readthedocs.io/en/version_2.7.x/
%load_ext 载入该模块:注意：新的rpy2已改动，不能运行。参考：http://rpy2.readthedocs.io/en/version_2.7.x/interactive.html?highlight=rmagic
In [58]:
%reload_ext rmagic
典型的用法是使用R来计算numpy的Array的统计指标。我们试一下简单线性模型，输出scatterplot。
In [62]:
%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
In [63]:
X = np.array([0,1,2,3,4])
Y = np.array([3,5,4,6,7])
plt.scatter(X, Y)
Out[63]:
首先把变量赋给 R, 拟合模型并返回结果。 %Rpush 拷贝 rpy2中的变量. %R 对 rpy2 中的字符串求值，然后返回结果。在这里是线性模型的协方差－coefficients。
In [64]:
%Rpush X Y
%R lm(Y~X)$coef
%R可以返回多个值。
In [65]:
%R resid(lm(Y~X)); coef(lm(X~Y))
可以将 %R 结果传回 python objects. 返回值是一个“；”隔开的多行表达式，coef(lm(X~Y)).
拉取R的其它变量, 采用 %Rpull 和 %Rget. 在 R code 执行后，在 rpy2 namespace 有变量需要获取。
主要区别是：
(%Rget)返回值, 而(%Rpull)从 self.shell.user_ns 拉取。想象一下，我们计算得到变量 "a" 在rpy2's namespace. 使用 %R magic, 我们得到结果并存储到 b。可以从 user_ns 使用 %Rpull得到。返回的是同一个数据。
In [6]:
b = %R a=resid(lm(Y~X))
%Rpull a
print(a)
assert id(b.data) == id(a.data)
%R -o a
R的控制台stdout()被ipython捕获。
In [7]:
from __future__ import print_function
v1 = %R plot(X,Y); print(summary(lm(Y~X))); vv=mean(X)*mean(Y)
print('v1 is:', v1)
v2 = %R mean(X)*mean(Y)
print('v2 is:', v2)
我们希望用R在cell级别。而且numpy最好不要转换，参考R: rnumpy ( http://bitbucket.org/njs/rnumpy/wiki/API ) 。
In [8]:
%%R -i X,Y -o XYcoef
XYlm = lm(Y~X)
XYcoef = coef(XYlm)
print(summary(XYlm))
par(mfrow=c(2,2))
plot(XYlm)
octavemagic 提供与Octave交互的能力。依赖 oct2py 和 h5py 软件包。
载入扩展包:
载入这个扩展包，启用了三个magic functions: %octave, %octave_push, 和 %octave_pull。
第一个执行一行或多行Octave, 后面两个执行 Octave 和 Python 的变量交换。
In [110]:
x = %octave [1 2; 3 4];
x
Out[110]:
In [111]:
a = [1, 2, 3]
%octave_push a
%octave a = a * 2;
%octave_pull a
a
Out[111]:
%%octave : 多行 Octave 被执行。但与单行不同, 没有值被返回, 我们使用-i 和 -o 指定输入和输出变量。
In [116]:
%%octave -i x -o y
y = x + 3;
In [117]:
y
Out[117]:
Plot输出自动被捕获和显示，使用 -f 参数选择输出的格式 (目前支持 png 和 svg)。
In [118]:
%%octave -f svg
p = [12 -2.5 -8 -0.1 8];
x = 0:0.01:1;
polyout(p, 'x')
plot(x, polyval(p, x));
使用 -s 参数调整大小:
In [119]:
%%octave -s 500,500
# butterworth filter, order 2, cutoff pi/2 radians
b = [0.292893218813452 0.585786437626905 0.292893218813452];
a = [1 0 0.171572875253810];
freqz(b, a, 32);
In [120]:
%%octave -s 600,200 -f png
subplot(121);
[x, y] = meshgrid(0:0.1:3);
r = sin(x - 0.5).^2 + cos(y - 0.5).^2;
surf(x, y, r);
subplot(122);
sombrero()