如何将IPython的历史记录导出到.py文件中?

简介: 笔记

你好,我是悦创。


博客首发:https://www.aiyc.top/1907.html


经常给一对一学员上课的时候,会用到 IPython 来演示代码,毕竟 IPython 不用不知道,一用根本停不下来。我都不想用 Pycharm 来调试代码了。


但是,用了这么久,一直惯性思维回答编程一对一学员: IPython 的优点是我刚刚说的这些,但是就是代码保存不了。


很多人问我,我也一直是这个想法并且做的非常彻底去回答。但是,今天一个学员,学计算机专业的在伯克利,上课后问我:老师,IPython 真的不能保留「保存」代码?


我说是的!非常肯定的回答,一直都是这个回答的不会有错!但是,当听见这句话的时候,我惊呆了:从来如此就是对的吗?


那一瞬间,好像有什么东西破碎一般,所有自我的矇昧体现了出来。我想起了柴静的《看见》中的一句话:要想“看见”,就要从蒙昧中睁开眼来。这才是最困难的地方,因为蒙昧就是我自身,像石头一样成了心里的坝。


然后我就去找了一下,然后就有了下面的小笔记:


回到上面的问题, 两种办法解决:


1.用 %hist 保存后把 % 开头的删掉再执行。

17.png



2.用 %logstart%logstop 。它会把你所用的 % 命令对应的的 Python 代码(如下面的 magic…)。

18.png


3.例如,对于你的用例,有 %save magic command 你只需输入%save my_useful_session 10-20 23保存输入行 10 至 20 和 23 到 my_useful_session.py


如果你的 IPython 会话如下所示

19.png

你希望将行从 1 保存到 135,然后在同一个 IPython 会话上使用以下命令

20.png

这将所有 Python 语句保存在当前目录(启动 IPython 的位置)中的 aiyc.py 文件中。

此外,文件指出:

此函数使用与%history对于输入范围,然后将行保存到指定的文件名。

例如,这允许引用较早的会话,例如

21.png

目录
相关文章
|
机器学习/深度学习 数据采集 数据处理
掌握时间序列特征工程:常用特征总结与 Feature-engine 的应用
本文介绍了时间序列特征工程,包括滚动统计量、滞后特征、差分和变换等技术,用于提升机器学习模型性能。文章还推荐了Python库`feature-engine`,用于简化特征提取,如处理缺失值、编码分类变量和进行时间序列转换。示例代码展示了如何使用`feature-engine`提取时间戳信息、创建滞后特征和窗口特征。通过创建管道,可以高效地完成整个特征工程流程,优化数据预处理并提高模型效果。
1859 15
设置VSCode代码编辑器右侧的Minimap代码缩略图滚动条切换显示、隐藏的快捷键Alt+M
设置VSCode代码编辑器右侧的Minimap代码缩略图滚动条切换显示、隐藏的快捷键Alt+M
|
Python
Jupyter Notebook又一利器nbterm,在终端玩notebook!
Jupyter Notebook又一利器nbterm,在终端玩notebook!
337 4
|
机器学习/深度学习 存储 算法
通过强化学习策略进行特征选择
本文探讨了使用强化学习策略进行特征选择以提升机器学习模型性能。强调在高维数据集中,有效选择特征至关重要。文章介绍了马尔可夫决策过程在强化学习中的应用,并提出了一种新的特征选择方法。通过定义状态(特征子集)、动作(添加特征)、奖励(如准确性提升),建立了一个RL模型。此外,还介绍了Python库FSRLearning,用于实现这一方法。文中展示了如何使用该库,并通过与 sklearn 的 RFE 方法比较,证明了RL方法在选择模型特征方面的优越性。
334 3
|
监控 PyTorch 数据处理
通过pin_memory 优化 PyTorch 数据加载和传输:工作原理、使用场景与性能分析
在 PyTorch 中,`pin_memory` 是一个重要的设置,可以显著提高 CPU 与 GPU 之间的数据传输速度。当 `pin_memory=True` 时,数据会被固定在 CPU 的 RAM 中,从而加快传输到 GPU 的速度。这对于处理大规模数据集、实时推理和多 GPU 训练等任务尤为重要。本文详细探讨了 `pin_memory` 的作用、工作原理及最佳实践,帮助你优化数据加载和传输,提升模型性能。
1281 4
通过pin_memory 优化 PyTorch 数据加载和传输:工作原理、使用场景与性能分析
|
存储 数据库 Python
python的对象数据库ZODB的使用(python3经典编程案例)
该文章介绍了如何使用Python的对象数据库ZODB来进行数据存储,包括ZODB的基本操作如创建数据库、存储和检索对象等,并提供了示例代码。
329 0
|
SQL 关系型数据库 MySQL
Pandas获取SQL数据库read_sql()函数及参数一文详解+实例代码
Pandas获取SQL数据库read_sql()函数及参数一文详解+实例代码
8377 0
Pandas获取SQL数据库read_sql()函数及参数一文详解+实例代码
|
机器学习/深度学习 自然语言处理 PyTorch
Transformers入门指南:从零开始理解Transformer模型
【10月更文挑战第29天】作为一名机器学习爱好者,我深知在自然语言处理(NLP)领域,Transformer模型的重要性。自从2017年Google的研究团队提出Transformer以来,它迅速成为NLP领域的主流模型,广泛应用于机器翻译、文本生成、情感分析等多个任务。本文旨在为初学者提供一个全面的Transformers入门指南,介绍Transformer模型的基本概念、结构组成及其相对于传统RNN和CNN模型的优势。
12716 1
|
机器学习/深度学习
【元学习meta-learning】通俗易懂讲解元学习以及与监督学习的区别
本文通过通俗易懂的方式解释了元学习(Meta-learning)的概念及其与传统监督学习的区别,并通过实例说明了元学习是如何让模型具备快速学习新任务的能力。
3212 0
|
存储 Ubuntu 搜索推荐
构建多用户的 Jupyter 服务器 —— 利用 JupyterHub
【8月更文第29天】**摘要** JupyterHub 是一个易于使用的、可伸缩的、多用户的 Jupyter Notebook 服务器。它允许您在一个集中式服务器上托管多个独立的 Jupyter Notebook 会话,非常适合团队协作和教学环境。本文将详细介绍如何安装和配置 JupyterHub,以及如何利用它来构建一个多用户 Jupyter 服务器环境。
5091 0

热门文章

最新文章