#!/usr/bin/env python
# coding: utf-8

# >作者 : Fernando Perez, Emmanuelle Gouillart, Gaël Varoquaux, Valentin Haenel
# 
# # 1.1 为什么是Python？
# 
# ## 1.1.1 科学家的需求
# 
# - 获得数据（模拟，实验控制）
# - 操作及处理数据
# - 可视化结果... 理解我们在做什么！
# - 沟通结果：生成报告或出版物的图片，写报告
# 
# ## 1.1.2 要求
# 
# - 对于经典的数学方法及基本的方法，有丰富的现成工具：我们不希望重新编写程序去画出曲线、傅立叶变换或者拟合算法。不要重复发明轮子！
# - 易于学习：计算机科学不是我们的工作也不是我们的教育背景。我们想要在几分钟内画出曲线，平滑一个信号或者做傅立叶变换，
# - 可以方便的与合作者、学生、客户进行交流，代码可以存在于实验室或公司里面：代码的可读性应该像书一样。因此，这种语言应该包含尽可能少的语法符号或者不必要的常规规定，使来自数学或科学领域读者愉悦的理解这些代码。
# - 语言高效，执行快...但是不需要是非常快的代码，因为如果我们花费了太多的时间来写代码，非常快的代码也是无用的。
# - 一个单一的语言/环境做所有事，如果可能的话，避免每个新问题都要学习新软件
# 
# ## 1.1.3 现有的解决方案
# 
# 科学家用哪种解决方案进行工作？
# 
# ### 编译语言：C、C++、Fortran等。
# 
# - 优势：
#     - 非常快。极度优化的编译器。对于大量的计算来说，很难比这些语言的性能更好。
#     - 一些非常优化的科学计算包。比如：BLAS（向量/矩阵操作）
# 
# - 不足：
#     - 使用起来令人痛苦：开发过程中没有任何互动，强制编译步骤，啰嗦的语法（&, ::, }}, ; 等），手动内存管理（在C中非常棘手）。对于非计算机学家他们是**艰深的语言**。
# 
# ### 脚本语言：Matlab
# - 优势：
#     - 对不同的领域的多种算法都有非常的类库。执行很快，因为这些类库通常使用编译语言写的。
#     - 友好的开发环境：完善的、组织良好的帮助，整合的编辑器等
#     - 有商业支持
# 
# - 不足：
#     - 基础语言非常欠缺，会限制高级用户
#     - 不是免费的
#     
# ### 其他脚本语言：Scilab、Octave、Igor、R、IDL等。
# 
# - 优势：
#     - 开源、免费，或者至少比Matlba便宜。
#     - 一些功能非常高级（R的统计，Igor的图形等。）
# 
# - 不足：
#     - 比Matlab更少的可用算法，语言也并不更高级
#     - 一些软件更专注于一个领域。比如，Gnuplot或xmgrace画曲线。这些程序非常强大，但是他们只限定于一个单一用途，比如作图。
# 
# ### 那Python呢？
# 
# - 优势：
#     - 非常丰富的科学计算包（尽管比Matlab少一些）
#     - 精心设计的语言，允许写出可读性非常好并且结构良好的代码：我们“按照我们所想去写代码”。
#     - 对于科学计算外的其他任务也有许多类库（网站服务器管理，串口接收等等。）
#     - 免费的开源软件，广泛传播，有一个充满活力的社区。
# 
# - 不足：
#     - 不太友好的开发环境，比如与Matlab相比。（更加极客向）。
#     - 并不是在其他专业软件或工具箱中可以找到算法都可以找到
# 
# # 1.2 Python科学计算的构成
# 
# 与Matlba，Scilab或者R不同，Python并没有预先绑定的一组科学计算模块。下面是可以组合起来获得科学计算环境的基础的组件。
# 
# - **Python**，通用的现代计算语言
#     - Python语言：数据类型（字符string，整型int），流程控制，数据集合（列表list，字典dict），模式等等。
#     - 标准库及模块
#     - 用Pyhon写的大量专业模块及应用：网络协议、网站框架等...以及科学计算。
#     - 开发工具（自动测试，文档生成）
# 
# - **IPython**, 高级的**Python Shell** [http://ipython.org/](http://ipython.org/)
# ![ipython](http://scipy-lectures.github.io/_images/snapshot_ipython.png)
# 
# - **Numpy** : 提供了强大数值数组对象以及程序去操作它们。[http://www.numpy.org/](http://www.numpy.org/)
# - **Scipy** : 高级的数据处理程序。优化、回归插值等[http://www.scipy.org/](http://www.scipy.org/)
# - **Matplotlib** : 2D可视化，“出版级”的图表[http://matplotlib.sourceforge.net/](http://matplotlib.sourceforge.net/)
# ![Matplotlib](http://scipy-lectures.github.io/_images/random_c.jpg)
# 
# - **Mayavi** : 3D可视化[http://code.enthought.com/projects/mayavi/](http://code.enthought.com/projects/mayavi/)
# ![Mayavi](http://scipy-lectures.github.io/_images/example_surface_from_irregular_data.jpg)
# 
# # 1.3 交互工作流：IPython和文本编辑器
# 
# ** 测试和理解算法的交互工作**：在这个部分我们描述一下用[IPython](http://ipython.org/)的交互工作流来方便的研究和理解算法。
# 
# Python是一门通用语言。与其他的通用语言一样，没有一个绝对权威的工作环境，也不止一种方法使用它。尽管这对新人来说不太好找到适合自己的方式，但是，这使得Python被用于在网站服务器或嵌入设备中编写程序。
# 
# > **本部分的参考文档**：
# 
# > **IPython用户手册**：[http://ipython.org/ipython-doc/dev/index.html](http://ipython.org/ipython-doc/dev/index.html)
# 
# ## 1.3.1 命令行交互
# 
# 启动ipython:

# In[1]:


print('Hello world')


# 在对象后使用？运算符获得帮助:
# ```python
# In [2]: print
# Type:          builtin_function_or_method
# Base Class:    <type ’builtin_function_or_method’>
# String Form:   <built-in function print>
# Namespace:     Python builtin
# Docstring:
#     print(value, ..., sep=’ ’, end=’\n’, file=sys.stdout)
#     Prints the values to a stream, or to sys.stdout by default.
#     Optional keyword arguments:
#     file: a file-like object (stream); defaults to the current sys.stdout.
#     sep:  string inserted between values, default a space.
#     end:  string appended after the last value, default a newline.
# ```

# ## 1.3.2 在编辑器中详尽描述算法
# 
# 在文本编辑器中，创建一个my_file.py文件。在EPD（[Enthought Python Distribution](https://www.enthought.com/products/epd/)）中，你可以从开始按钮使用*Scite*。在[Python(x,y)](https://code.google.com/p/pythonxy/)中, 你可以使用Spyder。在Ubuntu中, 如果你还没有最喜欢的编辑器，我们建议你安装[Stani’s Python editor](http://sourceforge.net/projects/spe/)。在这个文件中，输入如下行：
# ```python
# s = 'Hello world'
# print(s)
# ```
# 
# 现在，你可以在IPython中运行它，并研究产生的变量：

# In[2]:


get_ipython().run_line_magic('run', 'my_file.py')


# In[3]:


s


# In[4]:


get_ipython().run_line_magic('whos', '')


# >**从脚本到函数**
# 
# >尽管仅使用脚本工作很诱人，即一个满是一个接一个命令的文件，但是要有计划的逐渐从脚本进化到一组函数：
# 
# >- 脚本不可复用，函数可复用。
# 
# >- 以函数的角度思考，有助于将问题拆分为小代码块。
# 
# ## 1.3.3 IPython提示与技巧
# 
# IPython用户手册包含关于使用IPython的大量信息，但是，为了帮你你更快的入门，这里快速介绍三个有用的功能：*历史*，*魔法函数*，*别称*和*tab完成*。
# 
# 与Unix Shell相似，IPython支持命令历史。按上下在之前输入的命令间切换：
# ```python
# In [1]: x = 10
# In [2]: <UP>
# In [2]: x = 10
# ```
# 
# IPython通过在命令前加*%*字符的前缀，支持所谓魔法函数。例如，前面部分的函数*run*和*whos*都是魔法函数。请注意*automagic*设置默认是启用，允许你忽略前面的*%*。因此，你可以只输入魔法函数仍然是有效的。
# 
# 其他有用的魔法函数：
# 
# - **%cd** 改变当前目录

# In[6]:


cd ..


# - **%timeit** 允许你使用来自标准库中的timeit模块来记录执行短代码端的运行时间

# In[7]:


timeit x = 10


# - **%cpaste** 允许你粘贴代码，特别是来自网站的代码，前面带有标准的Python提示符 (即 >>>) 或ipython提示符的代码(即 in [3])：
# ```python
# In [5]: cpaste
# Pasting code; enter ’--’ alone on the line to stop or use Ctrl-D. :In [3]: timeit x = 10
# :--
# 10000000 loops, best of 3: 85.9 ns per loop
# In [6]: cpaste
# Pasting code; enter ’--’ alone on the line to stop or use Ctrl-D. :>>> timeit x = 10
# :--
# 10000000 loops, best of 3: 86 ns per loop
# ```
# - **%debug** 允许你进入事后除错。也就是说，如果你想要运行的代码抛出了一个异常，使用**%debug**将在抛出异常的位置进入排错程序。
# 
# ```python
# In [7]: x === 10
# File "<ipython-input-6-12fd421b5f28>", line 1
# x === 10 ^
#   SyntaxError: invalid syntax
# In [8]: debug
# > /home/esc/anaconda/lib/python2.7/site-packages/IPython/core/compilerop.py(87)ast_parse()
#        86         and are passed to the built-in compile function."""
#   ---> 87         return compile(source, filename, symbol, self.flags | PyCF_ONLY_AST, 1)
# 88
#   ipdb>locals()
#   {’source’: u’x === 10\n’, ’symbol’: ’exec’, ’self’:
#   <IPython.core.compilerop.CachingCompiler instance at 0x2ad8ef0>,
#   ’filename’: ’<ipython-input-6-12fd421b5f28>’}
# ```

# >**IPython help**
# 
# >- 内置的IPython手册可以通过*%quickref*魔法函数进入。
# >- 输入*%magic*会显示所有可用魔法函数的列表。
# 
# 而且IPython提供了大量的*别称*来模拟常见的UNIX命令行工具比如*ls*等于list files，*cp*等于copy files以及*rm*等于remove files。输入*alias*可以显示所有的别称的列表：

# In[5]:


alias


# 最后，提一下*tab完成*功能，我们从IPython手册引用它的描述：
# 
# >Tab completion, especially for attributes, is a convenient way to explore the structure of any object you’re dealing with. Simply type object_name.<TAB> to view the object’s attributes. Besides Python objects and keywords, tab completion also works on file and directory names.
# 
# ```python
# In [1]: x = 10
# In [2]: x.<TAB>
# x.bit_length x.conjugate x.denominator x.imag x.numerator x.real
# In [3]: x.real.
# x.real.bit_length x.real.denominator x.real.numerator x.real.conjugate x.real.imag x.real.real
# In [4]: x.real.
# ```