數(shù)據(jù)科學(xué)家比軟件工程師擅長統(tǒng)計(jì)，又比統(tǒng)計(jì)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(jì)學(xué)背景，卻沒有什么軟件工程方面的經(jīng)驗(yàn)，因此在編碼時(shí)容易犯一些簡單的錯(cuò)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(cuò)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(gè)錯(cuò)誤。

1. 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(huì)忘記共享代碼中需要的數(shù)據(jù)。

import pandas as pd 
df1 = pd.read_csv('file-i-dont-have.csv') # fails 
do_stuff(df) 

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(huì)講到)。

2. 硬編碼其他人無法訪問的路徑

和錯(cuò)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(dòng)修改路徑。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 

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。

3. 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(chǔ)在同一個(gè)目錄中呢?但你運(yùn)行代碼時(shí)，這個(gè)目錄中還會(huì)存儲(chǔ)圖像、報(bào)告以及其他垃圾文件。亂成一團(tuán)!

├── data.csv 
├── ingest.py 
├── other-data.csv 
├── output.png 
├── report.html 
└── run.py 

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

• Cookiecutter Data Science：https://drivendata.github.io/cookiecutter-data-science/#directory-structure
• d6tflow 項(xiàng)目模板：https://github.com/d6t/d6tflow-template

4. 用 Git 提交數(shù)據(jù)

大多數(shù)人現(xiàn)在都會(huì)版本控制他們的代碼(如果你沒有這么做那就是另一個(gè)問題了!)。在共享數(shù)據(jù)時(shí)，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(chǔ)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/

5. 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(shí)，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(huì)引發(fā)一些問題，詳情請參閱「4 Reasons Why Your Machine Learning Code is Probably Bad?！?/p>

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']) 

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。

6. 寫 for 循環(huán)

和函數(shù)一樣，for 循環(huán)也是你在學(xué)代碼時(shí)***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。

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() 

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。

7. 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(huì)中斷，而你有時(shí)候可能沒注意到這一點(diǎn)。這就會(huì)導(dǎo)致錯(cuò)誤的輸出，如果有人根據(jù)你的輸出做決策的話，那么錯(cuò)誤的數(shù)據(jù)就會(huì)導(dǎo)致錯(cuò)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

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. 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(shí)的心情。

def some_complicated_function(data): 
    datadata = data[data['column']!='wrong'] 
    datadata = data.groupby('date').apply(lambda x: complicated_stuff(x)) 
    datadata = data[data['value']<0.9] 
    return data 

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

9. 把數(shù)據(jù)存成 csv 或 pickle

說回?cái)?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(gè)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(chǔ)大型數(shù)據(jù)集。

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) 

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，***還能壓縮數(shù)據(jù)。d6tflow 可以自動(dòng)將數(shù)據(jù)輸出存儲(chǔ)為 parquet，這樣你就不用解決這個(gè)問題了。

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

10. 使用 Jupyter notebook

這個(gè)結(jié)論還有一些爭議——Jupyter notebook 就像 CSV 一樣常用。很多人都會(huì)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(huì)把所有文件存在一個(gè)目錄中;
• 你寫的代碼是自上而下運(yùn)行的，而不是 DAG;
• 你不會(huì)模塊化你的代碼;
• 代碼難以調(diào)試;
• 代碼和輸出會(huì)混合在一個(gè)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。

原文鏈接：

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

【本文是51CTO專欄機(jī)構(gòu)“機(jī)器之心”的原創(chuàng)譯文，微信公眾號“機(jī)器之心( id: almosthuman2014)”】 

戳這里，看該作者更多好文