Jupyter Notebook是一个开源的交互式编程环境，用于创建和共享包含实时代码、文本、图像和可视化输出的文档。
它交互式的编程方式是一大亮点，因为我们在数据分析的过程中，常常是一边分析，一边看分析结果，根据分析结果再调整数据或者分析参数。
有了 Jupyter Notebook，代码和运行结果可以一起展示，省了很多来回切换的麻烦操作。
此外，它是基于Web的应用程序，所以展示运行结果的方式很丰富，不仅仅是文字，图表等也一样可以展示。Jupyter Notebook不仅仅支持python语言，还支持其他几种常用于数据分析的语言，比如 Julia，R 等等。
介绍如何使用Jupyter Notebook编程和写文档的文章很多，本篇主要介绍几个使用Jupyter Notebook时常用的几个魔法命令。
这些魔法命令主要提供一些额外的功能和控制Notebook环境的行为。
1. 文件和路径
查看当前路径：
%pwd
#运行结果（环境不一样，下面的路径会不一样）：
'd:\\projects\\python\\notebooks'
魔法命令的结果还可以存储到python变量中。
cur_path = %pwd
print(cur_path)
#运行结果：
'd:\\projects\\python\\notebooks'
列出当前文件夹下的文件：
%ls
这个命令在不同的系统中会自动调用不同的命令，
比如在Linux系统中，调用ls命令，在Windows系统中，会调用 dir 命令。
2. 自动保存
随时保存自己的代码和文档是好习惯，如果怕忘了保存，也可以设置Jupyter Notebook的自动保存时间。
比如：
%autosave 10
#运行结果
Autosaving every 10 seconds
每隔10秒会自动保存一次。
3. 查看历史
查看执行过的历史命令，这里不仅仅是历史执行的魔法命令，也包括执行过的python代码。
%history
通过复制历史命令，我们再次执行之前的命令或代码时，不用再输入一遍。
如果历史命令太多，也可以指定只显示最近的N条命令：
%history -l 3
#只显示最近3条命令
4. 性能检测
数据分析时，经常接触到数量庞大的数据。
编写分析代码处理庞大的数据时遇到性能问题是常事，Jupyter Notebook有两个魔法命令可以帮助我们定位性能问题。
第一个是 %time，能够显示函数运行时间的相关信息：
def sum(n):
s = 0
for i in range(n):
s += i
return s
%time sum(100000)
%time sum(200000)
#运行结果
CPU times: total: 93.8 ms
Wall time: 87.9 ms
CPU times: total: 172 ms
Wall time: 168 ms
其中,
CPU time是程序在处理器上实际运行的时间Wall time是程序从开始执行到结束所花费的时间（包括了等待资源、I/O 操作等与CPU 时间无关的时间）
上面的示例中，第二次的运算量是第一个的两倍，耗费的时间也差不多是两倍。
除了 %time，还有一个 %timeit 命令，
它会统计多次运行后的结果，得到的结果更加可靠一些。
def sum(n):
s = 0
for i in range(n):
s += i
return s
%timeit sum(1000000)
#运行结果
63.9 ms ± 2.97 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
运行结果的含义如下：
63.9 ms是运行时间的平均值2.97 ms是标准差，也就是运行时间的上下浮动范围7 runs表示一共运行了7轮10 loops each表示每轮循环运行了10次
%timeit 运行多少轮，以及每轮运行多少次是可以设置的。
def sum(n):
s = 0
for i in range(n):
s += i
return s
%timeit -n 20 -r 10 sum(1000000)
#运行结果
66.7 ms ± 4.75 ms per loop (mean ± std. dev. of 10 runs, 20 loops each)
-r 参数指定运行多少轮，-n参数指定每轮运行多少次。
5. 绘图相关
最后，介绍在Jupyter Notebook中使用matplotlib绘图时用到的魔法命令。
5.1. 直接显示
%matplotlib inline，直接显示在代码的下方，这也是最常用的方式。
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
x = np.arange(0, 10, 1)
y = x*x + 2
plt.plot(x, y)
plt.show()
5.2. 使用 TK 绘制
%matplotlib tk，会弹出新的窗口显示图形，并且图形可以交互。
import matplotlib.pyplot as plt
import numpy as np
%matplotlib tk
x = np.arange(0, 10, 1)
y = x*x + 2
plt.plot(x, y)
plt.show()
「红色框」标出的就是交互的按钮。
5.3. 使用 notebook 绘制
%matplotlib notebook和使用tk是类似的，只是不弹出新的窗口。
import matplotlib.pyplot as plt
import numpy as np
%matplotlib notebook
x = np.arange(0, 10, 1)
y = x*x + 2
plt.plot(x, y)
plt.show()
这种方式同样是可以交互的。