本文介绍如何使用ipython进行快速的实验和调试，闲话免谈，直接通过demo进入主题。
与操作系统交互
!cmd
在系统shell中执行cmd
In [35]: !ls
Gemfile Gemfile.lock README.md Rakefile bin config db log src%cd directory
将系统目录更改为directory
In [36]: %cd -
/private/tmp调试器
%debug
在执行完代码，如果出现错误，立即执行%debug命令后将会进入调试器。在接触%debug之前，笔者都是使用的是pdb.set_trace来调试程序，这样的硬编码非常之不方便。
In [45]: !touch a.py
In [46]: !vim a.py
In [47]: !cat a.py
def divide():
assert(1 == 0)
divide()
In [56]: %run a.py
---------------------------------------------------------------------------
AssertionError Traceback (most recent call last)
/private/tmp/a.py in <module>()
2 assert(1 == 0)
3
----> 4 divide()
/private/tmp/a.py in divide()
1 def divide():
----> 2 assert(1 == 0)
3
4 divide()
AssertionError:
In [57]: %debug
> /private/tmp/a.py(2)divide()
1 def divide():
----> 2 assert(1 == 0)
3
4 divide()%run -d xxx.py
同样立即进入调试器。
性能分析
%timeit
用来测试各个部分或者函数的执行时间，它会自动多次执行以产生一个非常精确的平均执行时间。
In [12]: strings = ['foo', 'foobar', 'baz','qux', '123 ffd'] * 100000In [13]: %timeit method1 = [x for x in strings if x.startswith('foo')]
10 loops, best of 3: 93.4 ms per loopIn [14]: %timeit method2 = [x for x in strings if x[:3] == 'foo']
10 loops, best of 3: 36.4 ms per loopmethod2 比 method1 的性能要快两倍以上。
%run -p
python的主要性能分析工具是cProfile模块，它会记录各个函数的耗费时间，在命令行中，可以通过如下命令来进行性能分析：
python -m cProfile xxx.py而在ipython中，会使用下面的命令来运行一个文件
%run -p -s cumulative xxx.py%prun
如果想要运行一个函数或语句，请使用如下命令：
%prun -l 7 -s cumulative run()待测函数：
In [17]: from numpy.random import randn
In [18]: x = randn(3000, 3000)
In [19]: y = randn(3000, 3000)
In [20]: def add_and_sum(x,y):
...: added = x + y
...: summed = added.sum(axis=1)
...: return summed
...:使用prun的结果如下：
In [21]: %prun add_and_sum(x, y)
6 function calls in 0.340 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.310 0.310 0.335 0.335 <ipython-input-16-fbadffca33af>:1(add_and_sum)
1 0.025 0.025 0.025 0.025 {method 'reduce' of 'numpy.ufunc' objects}
1 0.005 0.005 0.340 0.340 <string>:1(<module>)
1 0.000 0.000 0.025 0.025 {method 'sum' of 'numpy.ndarray' objects}
1 0.000 0.000 0.025 0.025 _methods.py:31(_sum)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}上面的结果不是很好理解，笔者更喜欢用line_profiler库来分析。
%lprun
使用一个库line_profiler，这个库的输出结果简单易理解。
这个库不是内建的，需要手动安装，安装命令：
pip install line_profiler然后在ipython中手动load lprun：
In [2]: %load_ext line_profiler
In [3]: %lprun
Timer unit: 1e-06 s待测函数：
In [17]: from numpy.random import randn
In [18]: x = randn(3000, 3000)
In [19]: y = randn(3000, 3000)
In [20]: def add_and_sum(x,y):
...: added = x + y
...: summed = added.sum(axis=1)
...: return summed
...:
In [21]: def call_function():
...: x = randn(1000, 1000)
...: y = randn(1000, 1000)
...: return add_and_sum(x, y)使用lprun后的结果如下：
In [23]: %lprun -f add_and_sum -f call_function call_function()
Timer unit: 1e-06 s
Total time: 0.004438 s
File: <ipython-input-16-fbadffca33af>
Function: add_and_sum at line 1
Line # Hits Time Per Hit % Time Line Contents
==============================================================
1 def add_and_sum(x,y):
2 1 3929 3929.0 88.5 added = x + y
3 1 508 508.0 11.4 summed = added.sum(axis=1)
4 1 1 1.0 0.0 return summed
Total time: 0.062512 s
File: <ipython-input-17-b03b81a6d2ba>
Function: call_function at line 1
Line # Hits Time Per Hit % Time Line Contents
==============================================================
1 def call_function():
2 1 29193 29193.0 46.7 x = randn(1000, 1000)
3 1 28449 28449.0 45.5 y = randn(1000, 1000)
4 1 4870 4870.0 7.8 return add_and_sum(x, y)通常，会使用%prun(cProfile)做“宏观”性能分析，而用%lprun(line_profiler)做“微观”性能分析。使用line_profiler必须要指定待测的函数，是因为这个库要跟踪每一行代码的执行时间。
基本名令
内省
在一个变量的前面或后面加上问号？，可以显示该变量的基本信息
In [23]: a=1
In [24]: a?
Type: int
String form: 1
Docstring:
int(x=0) -> int or long
int(x, base=10) -> int or long
>>> int('0b100', base=0)
4如果这个变量是函数的话，一个问号?来显示docstring，两个问号来显示该函数的源码
%timeit
检测python语句的执行时间
In [16]: %timeit sum(i*i for i in xrange(1000))
10000 loops, best of 3: 68.6 µs per loop%logstart
执行这个命令，开始记录控制台会话，这样可以将整个过程保存起来
