數(shù)據(jù)科學(xué)家比軟件工程師擅長統(tǒng)計，又比統(tǒng)計學(xué)家擅長軟件工程。聽起來牛逼轟轟，事實(shí)卻是，許多數(shù)據(jù)科學(xué)家有統(tǒng)計學(xué)背景，卻沒有什么軟件工程方面的經(jīng)驗，因此在編碼時容易犯一些簡單的錯誤。作為一名高級數(shù)據(jù)科學(xué)家，本文作者總結(jié)了他在工作中常見數(shù)據(jù)科學(xué)家犯的十大錯誤。

 

 

我是一名高級數(shù)據(jù)科學(xué)家，在 Stackoverflow 的 python 編碼中排前 1%，而且還與眾多(初級)數(shù)據(jù)科學(xué)家一起工作。下文列出了我常見到的 10 個錯誤。

沒有共享代碼中引用的數(shù)據(jù)

數(shù)據(jù)科學(xué)需要代碼和數(shù)據(jù)。所以為了讓其他人能夠復(fù)現(xiàn)自己做出來的結(jié)果，你需要提供代碼中涉及的數(shù)據(jù)。這看起來很簡單，但許多人會忘記共享代碼中需要的數(shù)據(jù)。

解決方案：用 d6tpipe 共享代碼中的數(shù)據(jù)文件，或者將數(shù)據(jù)文件上傳到 S3/網(wǎng)頁/Google 云等，還可以將數(shù)據(jù)文件保存到數(shù)據(jù)庫中，以便收件人檢索文件(但不要將數(shù)據(jù)添加到 git 中，這一點(diǎn)后面的內(nèi)容會講到)。

硬編碼其他人無法訪問的路徑

和錯誤 1 類似，如果硬編碼其他人無法訪問的路徑，他們就沒法運(yùn)行你的代碼，而且在很多地方都必須要手動修改路徑。Booo!

解決方案：使用相對路徑、全局路徑配置變量或 d6tpipe，這樣其他人就可以輕易訪問你的數(shù)據(jù)了。

將數(shù)據(jù)和代碼混在一起

既然數(shù)據(jù)科學(xué)代碼需要數(shù)據(jù)，為什么不將代碼和數(shù)據(jù)存儲在同一個目錄中呢?但你運(yùn)行代碼時，這個目錄中還會存儲圖像、報告以及其他垃圾文件。亂成一團(tuán)!

解決方案：對目錄進(jìn)行分類，比如數(shù)據(jù)、報告、代碼等。參閱 Cookiecutter Data Science 或 d6tflow 項目模板，并用問題 1 中提到的工具存儲以及共享數(shù)據(jù)。

Cookiecutter Data Science：https://drivendata.github.io/cookiecutter-data-science/#directory-structure

d6tflow 項目模板：https://github.com/d6t/d6tflow-template

用 Git 提交數(shù)據(jù)

大多數(shù)人現(xiàn)在都會版本控制他們的代碼(如果你沒有這么做那就是另一個問題了!)。在共享數(shù)據(jù)時，可能很容易將數(shù)據(jù)文件添加到版本控制中。對一些小文件來說這沒什么問題。但 git 無法優(yōu)化數(shù)據(jù)，尤其是對大型文件而言。

git add data.csv

解決方案：使用問題 1 中提到的工具來存儲和共享數(shù)據(jù)。如果你真的需要對數(shù)據(jù)進(jìn)行版本控制，請參閱 d6tpipe、DVC 和 Git Large File Storage。

DVC：https://dvc.org/
Git Large File Storage：https://git-lfs.github.com/

寫函數(shù)而不是 DAG

數(shù)據(jù)已經(jīng)討論得夠多了，接下來我們談?wù)剬?shí)際的代碼。你在學(xué)編程時，首先學(xué)的就是函數(shù)，數(shù)據(jù)科學(xué)代碼主要由一系列線性運(yùn)行的函數(shù)組成。這會引發(fā)一些問題，詳情請參閱「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

解決方案：與其用線性鏈接函數(shù)，不如寫一組有依賴關(guān)系的任務(wù)�？梢杂� d6tflow 或者 airflow。

寫 for 循環(huán)

和函數(shù)一樣，for 循環(huán)也是你在學(xué)代碼時最先學(xué)的。這種語句易于理解，但運(yùn)行很慢且過于冗長，這種情況通常表示你不知道用什么替代向量化。

解決方案：NumPy、SciPy 和 pandas 都有向量化函數(shù)，它們可以處理大部分你覺得需要用 for 循環(huán)解決的問題。

沒有寫單元測試

隨著數(shù)據(jù)、參數(shù)或者用戶輸入的改變，你的代碼可能會中斷，而你有時候可能沒注意到這一點(diǎn)。這就會導(dǎo)致錯誤的輸出，如果有人根據(jù)你的輸出做決策的話，那么錯誤的數(shù)據(jù)就會導(dǎo)致錯誤的決策!

解決方案：用 assert 語句檢查數(shù)據(jù)質(zhì)量。Pandas 也有相同的測試，d6tstack 可以檢查數(shù)據(jù)的獲取，d6tjoin 可以檢查數(shù)據(jù)的連接。檢查數(shù)據(jù)的示例代碼如下：

d6tstack：https://github.com/d6t/d6tstack

d6tjoin：https://github.com/d6t/d6tjoin/blob/master/examples-prejoin.ipynb

沒有注釋代碼

我明白你急著做分析。于是你把代碼拼湊起來得到結(jié)果，把結(jié)果交給你的客戶或者老板。一周之后他們找到你，問你「你能改掉 xyz 嗎?」或「你能更新一下結(jié)果嗎?」。然后你和自己的代碼大眼瞪小眼，既不記得你為什么要這么做，也不記得你做過什么。現(xiàn)在想象一下其他人運(yùn)行這段代碼時的心情。

解決方案：即便你已經(jīng)完成了分析，也要花時間注釋一下你做過什么。你會感謝自己的，當(dāng)然其他人會更加感謝你!這樣你看起來會更專業(yè)!

把數(shù)據(jù)存成 csv 或 pickle

說回數(shù)據(jù)，畢竟我們討論的是數(shù)據(jù)科學(xué)。就像函數(shù)和 for 循環(huán)一樣，CSV 和 pickle 文件也很常用，但它們其實(shí)并沒有那么好。CSV 不包含模式(schema)，所以每個人都必須重新解析數(shù)字和日期。Pickle 可以解決這一點(diǎn)，但只能用在 Python 中，而且不能壓縮。這兩種格式都不適合存儲大型數(shù)據(jù)集。

解決方案：用 parquet 或者其他帶有數(shù)據(jù)模式的二進(jìn)制數(shù)據(jù)格式，最好還能壓縮數(shù)據(jù)。d6tflow 可以自動將數(shù)據(jù)輸出存儲為 parquet，這樣你就不用解決這個問題了。

parquet：https://github.com/dask/fastparquet

使用 Jupyter notebook

這個結(jié)論還有一些爭議——Jupyter notebook 就像 CSV 一樣常用。很多人都會用到它們。但這并不能讓它們變得更好。Jupyter notebook 助長了上面提到的許多不好的軟件工程習(xí)慣，特別是：

♦ 你會把所有文件存在一個目錄中;

♦ 你寫的代碼是自上而下運(yùn)行的，而不是 DAG;

♦ 你不會模塊化你的代碼;

♦ 代碼難以調(diào)試;

♦ 代碼和輸出會混合在一個文件中;

♦ 不能很好地進(jìn)行版本控制。

♦ Jupyter notebook 很容易上手，但規(guī)模太小。

解決方案：用 pycharm 和/或 spyder。

參考原文：https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Ftowardsdatascience.com%2Ftop-10-coding-mistakes-made-by-data-scientists-bb5bc82faaee

標(biāo)簽： [db:TAGG]

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。