有个python的程序看不懂，如下是代码，求高手解析

说黑客的哥哥牛逼了，阴谋论专家吗，zip只是压缩序列，你这故事讲的，这一看people.append(full_name)---添加名字，我没判断错的话应该是一个存，找名字的简单程序。。不知道哪儿看不懂，也不知道你的基础是怎么样，我就标注详细一点吧，首先格式调整一下，函数和循环不空格子多难读

def init(data):

data['first']={}

data['second']={}

data['last']={} #init(data)应该很好理解吧，生成一个空值的字典。#

def lookup(data,lable,name):

return data[lable].get(name) #应该是字典里的标签（frist或second等）下获取一个含有name的名字返回 #

def store(data,full_name):

names=full_name.split() #把名字分片 比如‘你奶奶’变 '你','奶','奶' #

lables='first','second','last' #给zip做铺垫的#

if len(full_name)==2 : names.insert(1,'') #冒号中间还是要空几个格子，不然看晕眼，求长度等于2，说明如果是两个字的名字，在1的位置插入一个空格，你奶 就变成了你 '空格 ' 奶 ,这样所有的名字都统一适用了init的三个标签#

for lable,name in zip(lables,names): # 新变量名，把压缩成元组的键值对解包然后一个个放到下面people里的lookup参数中去循环#

people=lookup(data,lable,name) #设定了一个people名，套用函数lookup（前面解释过了），判断这个输入的full_name中每一个lable（first，se。。）下的name是不是存在#

if people: #如果存在就会返回一个值，非0和None即为True #

people.append(full_name) #在末尾追加全名，比如已经有了data['first']={['你' : ['你 奶 奶']},那么你输入一个 你爷爷，由于'你'是存在的，所以会变成data['first']={['你' : ['你 奶 奶' , '你 爷 爷']} #

else:

data[lable][name]=[full_name]

#如果输入的是 我爷爷 ，即first下不存在wo ，那么返回值就是None，执行else ，即是在指定标签下加入一个新的name键进去，然后赋值全名，以前面的data为例，用拼音吧，打中文切换太累，就会变成data['first']={['ni' : ['ni nai nai' , 'ni ye ye']，'wo'：['wo ye ye']}

然后你就可以调用函数来store名字进去和lookup名字出来了，这样讲够具体吗

Python程序的工作一般流程为以下几个步骤：

代码编写：程序员使用Python语言编写代码，可以使用各种Python开发环境比如PyCharm，Jupyter Notebook等。

代码解释：Python是一种解释型语言，代码不需要编译成机器码，它是直接执行解释解释器中的代码。

词法分析（Lexical Analysis）: 解释器读取代码，并将其分成小的代码块，称为词法单元。同时，解释器会移除不必要的空格和注释，并将每一行代码都解析成一个语法单元。这些词法单元是Python程序中的保留字、变量名、 *** 作符、常量等等。

语法分析（Syntax Analysis）: 解释器检查词法单元流是否语法正确，并构建一颗语法树。如果语法不正确，解释器将发出错误消息，表示代码有错误并无法继续执行。

解释执行：Python解释器解释每个节点，并将它们转化为Python字节码。字节码是编译Python程序所得到的一种中间代码，Python解释器可以将其作为输入并执行它们。

运行环境：Python程序需要在运行时，运行在Python解释器中。Python解释器负责创建和管理Python对象，并在运行时维护这些对象的生命周期。

运行结果：最终，解释器会将计算结果发送给输出流，或者以其他方式将程序的输出返回给用户。

需要注意的是，Python解释器可以在交互模式下或作为脚本方式执行。交互模式是指在终端窗口中直接输入Python代码并执行；脚本方式是指将代码保存在文件中，然后通过执行该文件来运行Python程序。两种方式下程序的工作流程是基本一致的，只是在程序加载和交互方面略有不同。

一些小提示和小技巧可能是非常有用的，特别是在编程领域。有时候使用一点点黑客技术，既可以节省时间，还可能挽救“生命”。

一个小小的快捷方式或附加组件有时真是天赐之物，并且可以成为真正的生产力助推器。所以，这里有一些小提示和小技巧，有些可能是新的，但我相信在下一个数据分析项目中会让你非常方便。

Pandas中数据框数据的Profiling过程

Profiling（分析器）是一个帮助我们理解数据的过程，而Pandas Profiling是一个Python包，它可以简单快速地对Pandas 的数据框数据进行 探索 性数据分析。

Pandas中df.describe()和df.info()函数可以实现EDA过程第一步。但是，它们只提供了对数据非常基本的概述，对于大型数据集没有太大帮助。 而Pandas中的Profiling功能简单通过一行代码就能显示大量信息，且在交互式HTML报告中也是如此。

对于给定的数据集，Pandas中的profiling包计算了以下统计信息：

由Pandas Profiling包计算出的统计信息包括直方图、众数、相关系数、分位数、描述统计量、其他信息——类型、单一变量值、缺失值等。

安装

用pip安装或者用conda安装

pip install pandas-profiling

conda install -c anaconda pandas-profiling

用法

下面代码是用很久以前的泰坦尼克数据集来演示多功能Python分析器的结果。

#importing the necessary packages

import pandas as pd

import pandas_profiling

df = pd.read_csv('titanic/train.csv')

pandas_profiling.ProfileReport(df)

一行代码就能实现在Jupyter Notebook中显示完整的数据分析报告，该报告非常详细，且包含了必要的图表信息。

还可以使用以下代码将报告导出到交互式HTML文件中。

profile = pandas_profiling.ProfileReport(df)

profile.to_file(outputfile="Titanic data profiling.html")

Pandas实现交互式作图

Pandas有一个内置的.plot（）函数作为DataFrame类的一部分。但是，使用此功能呈现的可视化不是交互式的，这使得它没那么吸引人。同样，使用pandas.DataFrame.plot（）函数绘制图表也不能实现交互。 如果我们需要在不对代码进行重大修改的情况下用Pandas绘制交互式图表怎么办呢？这个时候就可以用Cufflinks库来实现。

Cufflinks库可以将有强大功能的plotly和拥有灵活性的pandas结合在一起，非常便于绘图。下面就来看在pandas中如何安装和使用Cufflinks库。

安装

pip install plotly

# Plotly is a pre-requisite before installing cufflinks

pip install cufflinks

用法

#importing Pandas

import pandas as pd

#importing plotly and cufflinks in offline mode

import cufflinks as cf

import plotly.offline

cf.go_offline()

cf.set_config_file(offline=False, world_readable=True)

是时候展示泰坦尼克号数据集的魔力了。

df.iplot()

df.iplot() vs df.plot()

右侧的可视化显示了静态图表，而左侧图表是交互式的，更详细，并且所有这些在语法上都没有任何重大更改。

Magic命令

Magic命令是Jupyter notebook中的一组便捷功能，旨在解决标准数据分析中的一些常见问题。使用命令％lsmagic可以看到所有的可用命令。

所有可用的Magic命令列表

Magic命令有两种：行magic命令（line magics），以单个％字符为前缀，在单行输入 *** 作；单元magic命令（cell magics），以双%%字符为前缀，可以在多行输入 *** 作。如果设置为1，则不用键入%即可调用Magic函数。

接下来看一些在常见数据分析任务中可能用到的命令：

% pastebin

％pastebin将代码上传到Pastebin并返回url。Pastebin是一个在线内容托管服务，可以存储纯文本，如源代码片段，然后通过url可以与其他人共享。事实上，Github gist也类似于pastebin，只是有版本控制。

在file.py文件中写一个包含以下内容的python脚本，并试着运行看看结果。

#file.py

def foo(x):

return x

在Jupyter Notebook中使用％pastebin生成一个pastebin url。

%matplotlib notebook

函数用于在Jupyter notebook中呈现静态matplotlib图。用notebook替换inline，可以轻松获得可缩放和可调整大小的绘图。但记得这个函数要在导入matplotlib库之前调用。

%run

用％run函数在notebook中运行一个python脚本试试。

%run file.py

%%writefile

%% writefile是将单元格内容写入文件中。以下代码将脚本写入名为foo.py的文件并保存在当前目录中。

%%latex

%%latex函数将单元格内容以LaTeX形式呈现。此函数对于在单元格中编写数学公式和方程很有用。

查找并解决错误

交互式调试器也是一个神奇的功能，我把它单独定义了一类。如果在运行代码单元时出现异常，请在新行中键入％debug并运行它。 这将打开一个交互式调试环境，它能直接定位到发生异常的位置。还可以检查程序中分配的变量值，并在此处执行 *** 作。退出调试器单击q即可。

Printing也有小技巧

如果您想生成美观的数据结构，pprint是首选。它在打印字典数据或JSON数据时特别有用。接下来看一个使用print和pprint来显示输出的示例。

让你的笔记脱颖而出

我们可以在您的Jupyter notebook中使用警示框/注释框来突出显示重要内容或其他需要突出的内容。注释的颜色取决于指定的警报类型。只需在需要突出显示的单元格中添加以下任一代码或所有代码即可。

蓝色警示框：信息提示

<p class="alert alert-block alert-info">

<b>Tip:</b>Use blue boxes (alert-info) for tips and notes.

If it’s a note, you don’t have to include the word “Note”.

</p>

黄色警示框：警告

<p class="alert alert-block alert-warning">

<b>Example:</b>Yellow Boxes are generally used to include additional examples or mathematical formulas.

</p>

绿色警示框：成功

<p class="alert alert-block alert-success">

Use green box only when necessary like to display links to related content.

</p>

红色警示框：高危

<p class="alert alert-block alert-danger">

It is good to avoid red boxes but can be used to alert users to not delete some important part of code etc.

</p>

打印单元格所有代码的输出结果

假如有一个Jupyter Notebook的单元格，其中包含以下代码行：

In [1]: 10+5

11+6

Out [1]: 17

单元格的正常属性是只打印最后一个输出，而对于其他输出，我们需要添加print()函数。然而通过在notebook顶部添加以下代码段可以一次打印所有输出。

添加代码后所有的输出结果就会一个接一个地打印出来。

In [1]: 10+5

11+6

12+7

Out [1]: 15

Out [1]: 17

Out [1]: 19

恢复原始设置：

InteractiveShell.ast_node_interactivity = "last_expr"

使用'i'选项运行python脚本

从命令行运行python脚本的典型方法是：python hello.py。但是，如果在运行相同的脚本时添加-i，例如python -i hello.py，就能提供更多优势。接下来看看结果如何。

首先，即使程序结束，python也不会退出解释器。因此，我们可以检查变量的值和程序中定义的函数的正确性。

其次，我们可以轻松地调用python调试器，因为我们仍然在解释器中：

import pdb

pdb.pm()

这能定位异常发生的位置，然后我们可以处理异常代码。

自动评论代码

Ctrl / Cmd + /自动注释单元格中的选定行，再次命中组合将取消注释相同的代码行。

删除容易恢复难

你有没有意外删除过Jupyter notebook中的单元格？如果答案是肯定的，那么可以掌握这个撤消删除 *** 作的快捷方式。

如果您删除了单元格的内容，可以通过按CTRL / CMD + Z轻松恢复它。

如果需要恢复整个已删除的单元格，请按ESC + Z或EDIT>撤消删除单元格。

结论

在本文中，我列出了使用Python和Jupyter notebook时收集的一些小提示。我相信它们会对你有用，能让你有所收获，从而实现轻松编码！

---