十个编码过程中的“坑”，一篇文章帮你填平了！

2023-02-26

数据代码 data

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。

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) 
1.
2.
3.

解决方案：

使用d6tpipe(https://github.com/d6t/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***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 
1.
2.
3.
4.
5.
6.

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 
1.
2.
3.
4.
5.
6.
7.

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 
1.

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(https://dvc.org/) 和Git Large File Storage(https://git-lfs.github.com/)。

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***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']) 
1.
2.
3.
4.
5.
6.
7.
8.
9.

解决方案：数据科学代码***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(https://github.com/d6t/d6tflow) 或airflow(https://airflow.apache.org/)。

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(): 
        dfdfg = df[df[g']==i] 
        groupavg.append(dfg['g'].mean()) 
# should be:df.groupby('g').mean() 
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.

解决方案：

Numpy(http://www.numpy.org/), scipy(https://www.scipy.org/)和pandas(https://pandas.pydata.org/)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

(https://github.com/d6t/d6tstack) 检查数据摄取，d6tjoin

(https://github.com/d6t/d6tjoin/blob/master/examples-prejoin.ipynb)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? 
1.
2.
3.
4.

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): 
        datadata = data[data['column']!='wrong'] 
        datadata = data.groupby('date').apply(lambdax: complicated_stuff(x)) 
        datadata = data[data['value']<0.9] 
        return data 
1.
2.
3.
4.
5.

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) 
1.
2.
3.
4.
5.
6.
7.