全文共1730字,预计学习时长4分钟或更长
数据科学家是“比任何软件工程师都更擅长统计学、又比任何统计学家都更擅长软件工程”的人。许多数据科学家都有统计学背景,但在软件工程方面经验很少。本文列出了常见的10个编码错误,希望你能认真阅读并避免它们。
1. 没有共享代码中引用的数据
数据科学既需要代码也需要数据。因此,其他人要能够获取数据才能重现结果。这听起来是很基本的要求,但很多人都忘记和代码一起共享数据。
import pandas as pd df1 =pd.read_csv('file-i-dont-have.csv') # fails do_stuff(df)
解决方案:使用d6tpipe共享数据文件和代码,或将二者上传到S3 / web /google drive等或保存到数据库,以便收件人可以检索文件(但不要将它们添加到git,见下文)。
2. 硬编码无法访问的路径
与第一个错误类似,如果你对其他人无权访问的路径进行硬编码,他们就无法运行代码并且必须查看许多地方以手动更改路径。
import pandas as pd df = pd.read_csv('/path/i-dont/have/data.csv')# fails do_stuff(df) # or import os os.chdir('c:\\Users\\yourname\\desktop\\python')# fails
解决方案:使用相对路径,全局路径配置变量,或使用d6tpipe 让你的数据易于访问。
3. 混淆数据与代码
很多人会这么想:由于数据科学代码需要数据,为什么不将它转储到同一目录中?当你这么做的时候,很有可能也会把图像,报告和其他垃圾保存到一个目录下。这样就一团乱麻了。
├── data.csv ├── ingest.py ├── other-data.csv ├── output.png ├── report.html └── run.py
解决方案:将文件夹归类,如数据、报告、代码等。请参阅#5,并使用#1中提到的工具来存储和共享数据。
4. 和源代码一起用Gitcommit命令处理数据
大多数人会在版本控制他们的代码(如果你不这样做,那这也是你犯的错误之一!)。在尝试共享数据时,你可能很想把数据文件添加到版本控制中。这对于非常小的文件是可以的;但是git无法针对数据进行优化,尤其是对大文件来说。
git add data.csv
解决方案:使用#1中提到的工具来存储和共享数据。如果你真的想版本控制数据,请参阅d6tpipe, DVC 和Git Large File Storage。
5. 编写函数而不是使用DAGs
说了这么多数据,让我们谈谈实际的代码。
学习编码时学到的第一件事就是函数,因此数据科学代码主要被处理为一系列线性运行的函数。这会导致一些问题。
defprocess_data(data, parameter): data = do_stuff(data) data.to_pickle('data.pkl') data =pd.read_csv('data.csv') process_data(data) df_train =pd.read_pickle(df_train) model = sklearn.svm.SVC() model.fit(df_train.iloc[:,:-1],df_train['y'])
解决方案:数据科学代码最好写为一组相互之间具有依赖性的任务,而不是写为线性链式函数。
使用 d6tflow 或airflow。
6. 写for循环
与函数一样,for循环是学习编码时首先学到的。For循环容易理解,但它们很慢而且过于冗长。这通常表明了你没意识到还有矢量化替代方案。
x = range(10) avg =sum(x)/len(x); std = math.sqrt(sum((i-avg)**2 for i in x)/len(x)); zscore =[(i-avg)/std for x] # should be:scipy.stats.zscore(x) # or groupavg = [] for i indf['g'].unique(): dfg = df[df[g']==i] groupavg.append(dfg['g'].mean()) # should be:df.groupby('g').mean()
解决方案:Numpy, scipy和pandas为大多数你认为可能需要循环的情况提供了矢量化函数。
7. 不写单元测试
随着数据,参数或用户输入的变化,代码可能会中断,有时你甚至注意不到。这可能导致输出错误,如果有人根据输出做决策,那么糟糕的数据将导致错误的决策!
解决方案:使用assert语句检查数据质量。pandas有同等性测试,d6tstack 检查数据摄取,d6tjoin检查数据连接。以下是数据检查示例的代码:
assertdf['id'].unique().shape[0] == len(ids) # have data for all ids? assertdf.isna().sum()<0.9 # catch missing values assertdf.groupby(['g','date']).size().max() ==1 # no duplicate values/date? assertd6tjoin.utils.PreJoin([df1,df2],['id','date']).is_all_matched() # all idsmatched?
8. 不记录代码
为了急着做分析,你可能囫囵吞枣地弄出结果,然后把结果交给客户或老板;一个星期后,他们找到你说“能改一下这里吗”或“能更新一下这个吗”。这时你看看代码,完全不记得当初为什么这么写了。现在想象一下,其他人还必须运行你的代码……
defsome_complicated_function(data): data = data[data['column']!='wrong'] data = data.groupby('date').apply(lambdax: complicated_stuff(x)) data = data[data['value']<0.9] return data
解决方案:在提供分析之后,也要花费额外的时间来记录编码时做了什么。你会庆幸自己这么做了的,其他人更会感谢你!这样你会看起来更专业。
9. 将数据保存为csv或pickle格式
回到数据,毕竟我们在谈数据科学。就像函数和for循环一样,CSV和pickle文件很常用,但它们实际上并不是很好。CSV不包含架构,因此每个人都必须再次解析数字和日期。Pickles解决了这个问题但只能在python中使用并且不会被压缩。两者都不是存储大型数据集的好格式。
defprocess_data(data, parameter): data = do_stuff(data) data.to_pickle('data.pkl') data =pd.read_csv('data.csv') process_data(data) df_train = pd.read_pickle(df_train)
解决方案:对数据模式使用 parquet(https://github.com/dask/fastparquet)或其他二进制数据格式,这两者是压缩数据的理想格式。d6tflow自动将任务的数据输出保存为parquet,这样就不用再操心格式问题了。
10. 使用jupyternotebooks笔记本
这一点也许颇具争议:jupyternotebooks和CSV一样普遍。很多人都使用它们。但这并不意味它们就是很好的工具。jupyternotebooks助长了上面提到的软件工程中的坏习惯,特别是:
· 你很想将所有文件转储到一个目录中
· 编写自上而下运行的代码,而不是DAGs
· 没有将代码模块化
· 难以纠错
· 代码和输出混在一个文件中
· 没有很好地进行版本控制
· 上手很容易,但扩展很难。
解决方案:使用pycharm 和/或spyder。
留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”