了解大数据：数据科学家易犯的十大编码错误，你中招了吗？

作者:课课家教育更新于： 2019-05-10 10:32:30

其实，我是一名高级数据科学家，在 Stackoverflow 的 Python 编码中排前 1%，而且还与众多(初级)数据科学家一起工作。下文列出了我常见到的 10 个错误。

数据科学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，事实却是，许多数据科学家有统计学背景，却没有什么软件工程方面的经验，因此在编码时容易犯一些简单的错误。作为一名高级数据科学家，本文作者总结了他在工作中常见数据科学家犯的十大错误。

我是一名高级数据科学家，在 Stackoverflow 的 python 编码中排前 1%，而且还与众多(初级)数据科学家一起工作。下文列出了我常见到的 10 个错误。

1. 没有共享代码中引用的数据

数据科学需要代码和数据。所以为了让其他人能够复现自己做出来的结果，你需要提供代码中涉及的数据。这看起来很简单，但许多人会忘记共享代码中需要的数据。

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

解决方案：用 d6tpipe 共享代码中的数据文件，或者将数据文件上传到 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，这一点后面的内容会讲到)。

2. 硬编码其他人无法访问的路径

和错误 1 类似，如果硬编码其他人无法访问的路径，他们就没法运行你的代码，而且在很多地方都必须要手动修改路径。Booo!

1. import pandas as pd 
2. df = pd.read_csv('/path/i-dont/have/data.csv') # fails 
3. do_stuff(df) 
4. # or  
5. impor os 
6. 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 d6tpipe，这样其他人就可以轻易访问你的数据了。

3. 将数据和代码混在一起

既然数据科学代码需要数据，为什么不将代码和数据存储在同一个目录中呢?但你运行代码时，这个目录中还会存储图像、报告以及其他垃圾文件。乱成一团!

1. ├── data.csv 
2. ├── ingest.py 
3. ├── other-data.csv 
4. ├── output.png 
5. ├── report.html 
6. └── run.py 

解决方案：对目录进行分类，比如数据、报告、代码等。参阅 Cookiecutter Data Science 或 d6tflow 项目模板，并用问题 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-structur

4. 用 Git 提交数据

大多数人现在都会版本控制他们的代码(如果你没有这么做那就是另一个问题了!)。在共享数据时，可能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问题。但 git 无法优化数据，尤其是对大型文件而言。

1. git add data.csv 

解决方案：使用问题 1 中提到的工具来存储和共享数据。如果你真的需要对数据进行版本控制，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

数据已经讨论得够多了，接下来我们谈谈实际的代码。你在学编程时，首先学的就是函数，数据科学代码主要由一系列线性运行的函数组成。这会引发一些问题，详情请参阅「4 Reasons Why Your Machine Learning Code is Probably Bad。

1. def process_data(data, parameter): 
2. data = do_stuff(data) 
3. data.to_pickle('data.pkl') 
4. data = pd.read_csv('data.csv') 
5. process_data(data) 
6. df_train = pd.read_pickle(df_train) 
7. model = sklearn.svm.SVC() 
8. model.fit(df_train.iloc[:,:-1], df_train['y']) 

解决方案：与其用线性链接函数，不如写一组有依赖关系的任务。可以用 d6tflow 或者 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。这种语句易于理解，但运行很慢且过于冗长，这种情况通常表示你不知道用什么替代向量化。

1. x = range(10) 
2. avg = sum(x)/len(x); std = math.sqrt(sum((i-avg)**2 for i in x)/len(x)); 
3. zscore = [(i-avg)/std for x] 
4. # should be: scipy.stats.zscore(x) 
5. # or 
6. groupavg = [] 
7. for i in df['g'].unique(): 
8.     dfdfg = df[df[g']==i] 
9.     groupavg.append(dfg['g'].mean()) 
10. # should be: df.groupby('g').mean() 

解决方案：NumPy、SciPy 和 pandas 都有向量化函数，它们可以处理大部分你觉得需要用 for 循环解决的问题。

7. 没有写单元测试

随着数据、参数或者用户输入的改变，你的代码可能会中断，而你有时候可能没注意到这一点。这就会导致错误的输出，如果有人根据你的输出做决策的话，那么错误的数据就会导致错误的决策!

解决方案：用 assert 语句检查数据质量。Pandas 也有相同的测试，d6tstack 可以检查数据的获取，d6tjoin 可以检查数据的连接。检查数据的示例代码如

1. assert df['id'].unique().shape[0] == len(IDS) # have data for all ids? 
2. assert df.isna().sum()<0.9 # catch missing values 
3. assert df.groupby(['g','date']).size().max() ==1 # no duplicate values/date? 
4. assert d6tjoin.utils.PreJoin([df1,df2],['id','date']).is_all_matched() # all ids matched? 

8. 没有注释代码

我明白你急着做分析。于是你把代码拼凑起来得到结果，把结果交给你的客户或者老板。一周之后他们找到你，问你「你能改掉 xyz 吗?」或「你能更新一下结果吗?」。然后你和自己的代码大眼瞪小眼，既不记得你为什么要这么做，也不记得你做过什么。现在想象一下其他人运行这段代码时的心情。

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

解决方案：即便你已经完成了分析，也要花时间注释一下你做过什么。你会感谢自己的，当然其他人会更加感谢你!这样你看起来会更专业!

9. 把数据存成 csv 或 pickle

说回数据，毕竟我们讨论的是数据科学。就像函数和 for 循环一样，CSV 和 pickle 文件也很常用，但它们其实并没有那么好。CSV 不包含模式(schema)，所以每个人都必须重新解析数字和日期。Pickle 可以解决这一点，但只能用在 Python 中，而且不能压缩。这两种格式都不适合存储大型数据集。

1. def process_data(data, parameter): 
2.     data = do_stuff(data) 
3.     data.to_pickle('data.pkl') 
4. data = pd.read_csv('data.csv') 
5. process_data(data) 
6. df_train = pd.read_pickle(df_train) 

解决方案：用 parquet 或者其他带有数据模式的二进制数据格式，最好还能压缩数据。d6tflow 可以自动将数据输出存储为 parquet，这样你就不用解决这个问题了。

10. 使用 Jupyter notebook

这个结论还有一些争议——Jupyter notebook 就像 CSV 一样常用。很多人都会用到它们。但这并不能让它们变得更好。Jupyter notebook 助长了上面提到的许多不好的软件工程习惯，特别是：

• 你会把所有文件存在一个目录中;
• 你写的代码是自上而下运行的，而不是 DAG;
• 你不会模块化你的代码;
• 代码难以调试;
• 代码和输出会混合在一个文件中;
• 不能很好地进行版本控制。

Jupyter notebook 很容易上手，但规模太小。

小编结语：其实，这个问题的解决方案：就是用 pycharm 和/或 spyder。