十个编码过程中的“坑”，一篇文章帮你填平了！

数据科学家是坑“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”的个编人。许多数据科学家都有统计学背景，码过但在软件工程方面经验很少。程中本文列出了常见的文章10个编码错误，希望你能认真阅读并避免它们。帮填

1. 没有共享代码中引用的坑数据

数据科学既需要代码也需要数据。因此，个编其他人要能够获取数据才能重现结果。码过这听起来是程中很基本的要求，但很多人都忘记和代码一起共享数据。文章

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

解决方案：

使用d6tpipe(https://github.com/d6t/d6tpipe)共享数据文件和代码，帮填或将二者上传到S3 / web /google drive等或保存到数据库，坑以便收件人可以检索文件(但不要将它们添加到git，个编见下文)。码过

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 

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，服务器托管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(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。

学习编码时学到的亿华云***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***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() 

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。以下是云南idc服务商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):         datadata = data[data[column]!=wrong]         datadata = data.groupby(date).apply(lambdax: complicated_stuff(x))         datadata = 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 (https://www.jetbrains.com/pycharm/)和/或spyder(https://www.spyder-ide.org/)。