shift+tab是最常用、最即时的查看方式，光标停在函数名右侧或括号内按shift+tab弹出内联文档，连续按可切换详细程度，支持四档展开；func?和func??分别显示结构化元信息与源码，help()适合查嵌套属性但格式简陋。
Shift+Tab 是最常用、最即时的查看方式
光标停在函数名右侧或括号内（比如 pd.read_csv 后面、或 pd.read_csv(|) 的竖线位置），按 Shift+Tab 就能弹出内联文档窗口。它不依赖执行，也不需要 import 成功——只要符号已加载进当前 namespace，就能响应。
连续按 Shift+Tab 可切换详细程度：第一次显示精简签名（如 read_csv(filepath_or_buffer, sep=',', ...)）；第二次展开参数类型和简要说明；第三次拉出完整 docstring 摘要（含返回值）；第四次全屏打开富文本帮助页（支持 markdown 渲染、代码块高亮、超链接跳转）。
常见卡点：
- 没反应？确认光标确实在函数名「右侧」或括号「内部」，不在字符串里、注释里、引号中间
- 只显示
Signature: unknown？该函数可能没绑定到变量（比如写错名、拼写错误、未 import）、或来自 C 扩展模块（如numpy.ndarray.sum的部分方法） - 文档是英文？右上角有
^按钮可展开，旁边↗图标能新开标签页，方便复制到翻译工具
函数名后加 ? 或 ?? 直接看源码级信息
func? 等价于 %pinfo func，输出结构化元信息：签名、解析后的参数表（按 Google/Numpy 格式提取）、定义文件路径、行号、所属类。对 pandas、scikit-learn 这类文档规范的库效果最好。
func?? 在 ? 基础上叠加源码展示——自动绕过装饰器包装层，高亮核心逻辑，保留原始缩进和注释。但前提是源码可访问（纯 Python 实现的函数才有效；np.array 这类 C 实现会提示 No source found）。
自定义函数要注意：
- 没写
"""docstring"""？func?里参数表会为空，只显示签名 - 写了 docstring 但没用
Args:/Returns:分段？Jupyter 无法自动解析成表格，仍显示为一段文字 - 用了
@lru_cache或@property？??会跳过装饰器，直接定位到被包裹的原始函数体
help() 函数适合嵌套对象或临时查漏补缺
help(func) 是标准 Python 内置方式，在 Jupyter 里也能用，但输出格式是纯文本、不可折叠、不支持 markdown 渲染，且必须先 import 成功才能调用。相比 ? 和 Shift+Tab，它更“笨重”，但有个不可替代的场景：查嵌套属性。
比如你想看 pandas.DataFrame.groupby 方法的文档，但 df.groupby? 可能因 df 未定义而报错；这时可以直接 help(pd.core.frame.DataFrame.groupby) ——绕过实例，直击类定义。
性能影响很小，但注意：
-
help()会触发一次对象 introspection，对大型对象（如未加载完成的 Dataset）可能轻微卡顿 - 输出中出现
Help on built-in function？说明是 C 实现，源码不可见，只能靠 docstring 理解行为 - 别写
help(func())（带括号）——那是查返回值的 help，不是查函数本身
容易被忽略的细节：文档来源和更新滞后问题
Jupyter 的文档数据来自运行时环境中的实际对象，不是从官网实时拉取的。这意味着：
- 你装的是旧版 pandas，
pd.read_csv?显示的就是旧版参数（比如没有encoding_errors参数），哪怕官网文档已更新 - 修改了自定义函数的 docstring 但没重新运行定义单元格？
func?仍显示旧内容 - 使用
import *导入时，某些符号可能被覆盖或未正确注入 namespace，导致Shift+Tab失效
最稳妥的做法：确保函数已正确定义并执行过，再用 Shift+Tab 或 ? 查；怀疑文档陈旧？先 !pip show package_name 确认版本，再比对对应版本的官方文档。
