数据迷信家比软件工程师擅长统计,又比统计学家擅长软件工程。听起来牛逼轰轰,理想却是,许少数据迷信家有统计学背景,却没有什么软件工程方面的阅历,因此在编码时容易犯一些复杂的错误。作为一名初级数据迷信家,本文作者总结了他在任务中常见数据迷信家犯的十大错误。
我是一名初级数据迷信家,在 Stackoverflow 的 python 编码中排前 1%,而且还与众多(初级)数据迷信家一同任务。下文列出了我常见到的 10 个错误。
1. 没有共享代码中援用的数据
数据迷信需求代码和数据。所以为了让其别人可以复现本人做出来的结果,你需求提供代码中触及的数据。这看起来很复杂,但许多人会遗忘共享代码中需求的数据。
import pandas as pd
df1 = pd.read_csv('file-i-dont-have.csv') # fails
do_stuff(df)
处置方案:用 d6tpipe 共享代码中的数据文件,或许将数据文件上传到 S3/网页/Google 云等,还可以将数据文件保存到数据库中,以便收件人检索文件(但不要将数据添加到 git 中,这一点前面的内容会讲到)。
2. 硬编码其别人无法拜访的途径
和错误 1 相似,假设硬编码其别人无法拜访的途径,他们就没法运转你的代码,而且在很多中央都必需要手动修正途径。Booo!
import pandas as pd
df = pd.read_csv('/path/i-dont/have/data.csv') # fails
do_stuff(df)
# or
impor os
os.chdir('c:\\Users\\yourname\\desktop\\python') # fails
处置方案:运用相对途径、全局途径配置变量或 d6tpipe,这样其别人就可以随便拜访你的数据了。
3. 将数据和代码混在一同
既然数据迷信代码需求数据,为什么不将代码和数据存储在同一个目录中呢?但你运转代码时,这个目录中还会存储图像、报告以及其他渣滓文件。乱成一团!
├── data.csv
├── ingest.py
├── other-data.csv
├── output.png
├── report.html
└── run.py
处置方案:对目录停止分类,比如数据、报告、代码等。参阅 Cookiecutter Data Science 或 d6tflow 项目模板,并用成绩 1 中提到的工具存储以及共享数据。
Cookiecutter Data Science:https://drivendata.github.io/cookiecutter-data-science/#directory-structure
d6tflow 项目模板:https://github.com/d6t/d6tflow-template
4. 用 Git 提交数据
大少数人如今都会版本控制他们的代码(假设你没有这么做那就是另一个成绩了!)。在共享数据时,能够很容易将数据文件添加到版本控制中。对一些小文件来说这没什么成绩。但 git 无法优化数据,尤其是对大型文件而言。
git add data.csv
处置方案:运用成绩 1 中提到的工具来存储和共享数据。假设你真的需求对数据停止版本控制,请参阅 d6tpipe、DVC 和 Git Large File Storage。
DVC:https://dvc.org/
Git Large File Storage:https://git-lfs.github.com/
5. 写函数而不是 DAG
数据曾经讨论得够多了,接上去我们谈谈实践的代码。你在学编程时,首先学的就是函数,数据迷信代码主要由一系列线性运转的函数组成。这会引发一些成绩,概略请参阅「4 Reasons Why Your Machine Learning Code is Probably Bad。」
地址:
https://towardsdatascience.com/4-reasons-why-your-machine-learning-code-is-probably-bad-c291752e4953
def process_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'])
处置方案:与其用线性链接函数,不如写一组有依赖关系的义务。可以用 d6tflow 或许 airflow。
6. 写 for 循环
和函数一样,for 循环也是你在学代码时最先学的。这种语句易于了解,但运转很慢且过于冗长,这种状况通常表示你不知道用什么替代向量化。
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 in df['g'].unique():
dfdfg = df[df[g']==i]
groupavg.append(dfg['g'].mean())
# should be: df.groupby('g').mean()
处置方案:NumPy、SciPy 和 pandas 都有向量化函数,它们可以处置大部分你觉得需求用 for 循环处置的成绩。
7. 没有写单元测试
随着数据、参数或许用户输入的改动,你的代码能够会中缀,而你有时分能够没留意到这一点。这就会招致错误的输入,假设有人依据你的输入做决策的话,那么错误的数据就会招致错误的决策!
处置方案:用 assert 语句反省数据质量。Pandas 也有相反的测试,d6tstack 可以反省数据的获取,d6tjoin 可以反省数据的衔接。反省数据的示例代码如下:
d6tstack:https://github.com/d6t/d6tstack
d6tjoin:https://github.com/d6t/d6tjoin/blob/master/examples-prejoin.ipynb
assert df['id'].unique().shape[0] == len(ids) # have data for all ids?
assert df.isna().sum()<0.9 # catch missing values
assert df.groupby(['g','date']).size().max() ==1 # no duplicate values/date?
assert d6tjoin.utils.PreJoin([df1,df2],['id','date']).is_all_matched() # all ids matched?
8. 没有注释代码
(责任编辑:admin)