定输出加速开发：数据科学项目开始时应该包括的7个设置

本文转载自公众号“读芯术”(ID：AI_Discovery)。

在开始一项数据科学项目时，我们通常需要进行设置或配置，以确保所需的依赖关系，保持输出稳定，准备通用函数。

项目设置的一个案例(来自Handson-ML2)

本文将介绍JuypterNotebook中最有帮助的一些项目设置。

1. 确保Python版本

检查JupyterNotebook中的Python解释器版本：

import sys 
sys.version'3.7.6 (default, Jan 8 2020, 13:42:34) \n[Clang 4.0.1 (tags/RELEASE_401/final)]' 

为确保项目由Python解释器的最低及以上要求版本运行，可在项目设置中添加以下代码：

# Python ≥3.7 is required 
import sys 
assert sys.version_info >= (3, 7) 

Python需要为3.7及以上版本，否则会抛出AssertionError。

2. 确保程序包版本

检查安装的程序包版本，如TensorFlow。

import tensorflow as tf 
tf.__version__'2.0.0' 

确保项目是由TensorFlow2.0及以上版本运行的，否则会抛出AssertionError。

# TensorFlow ≥2.0 is required 
import tensorflow as tf 
assert tf.__version__ >= "2.0" 

3. 避免绘制模糊图像

JuypterNotebook中的默认绘图看起来有些模糊。例如，一张查找缺失值的简单热图。

(https://towardsdatascience.com/using-pandas-pipe-function-to-improve-code-readability-96d66abfaf8)

import seaborn as sns 
import matplotlib.pyplot as plt 
%matplotlib inline# Default figure format png 
sns.heatmap(df.isnull(), 
            yticklabels=False, 
            cbar=False, 
            cmap='viridis') 

默认图像看起来很模糊

由上图可以看出，文本很模糊，Cabin栏中的缺失值过于拥挤，Embarked栏中的缺失值无法识别。

要解决这个问题，可在%matplotlib inline之后使用%config InlineBackend.figure_format='retina'或 %configInlineBackend.figure_format = 'svg'，即：

%matplotlib inline 
%config InlineBackend.figure_format = 'retina'         # or 'svg'sns.heatmap(df.isnull(), 
            yticklabels=False, 
            cbar=False, 
            cmap='viridis') 

图片格式设置为retina或svg

与先前的图片比较，上图更加清晰，Embarked栏中的缺失值也能成功识别。

4. 在不同运行中保持输出稳定

数据科学项目中很多地方都在使用随机数字。例如：

来自Scikit-Learn的 train_test_split()
用于初始化权重的np.random.rand()
若未重置随机种子，则每次调用都会出现不同的数字：

>>> np.random.rand(4) 
array([0.83209492, 0.10917076, 0.15798519, 0.99356723]) 
>>> np.random.rand(4) 
array([0.46183001, 0.7523687 , 0.96599624, 0.32349079]) 

np.random.seed(0)使随机数字可预测：

>>> np.random.seed(0) 
>>> np.random.rand(4) 
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318]) 
>>> np.random.seed(0) 
>>> np.random.rand(4) 
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318]) 

如果(每次)都重置随机种子，那么每次都会出现相同的数据组。因此，项目能在不同运行中保持输出稳定。

5. 多单元输出

默认情况下，JupyterNotebook不能在同一单元中输出多种结果。要输出多种结果，可使用IPython重新配置shell。

from IPython.core.interactiveshell import InteractiveShell 
InteractiveShell.ast_node_interactivity = "all" 

6. 将图片保存到文件

Matplotlib能通过savefig()方法保存图片，但如果给定路径不存在则会引发错误。

plt.savefig('./figures/my_plot.png')FileNotFoundError: [Errno 2] Nosuch file or directory: './figures/my_plot.png' 

最好的做法是将所有图片都放到一个地方，如工作区的figures文件夹。可使用OS GUI(操作系统界面)或是在JupyterNotebook中运行logic指令，来手动创建一个figures文件夹，但是最好创建一个小函数来实现该操作。

当需要一些自定义图形设置或附加子文件夹来分组图形时，这种方法尤其适用。以下是将图片保存到文件的函数：

import os 
%matplotlib inline 
import matplotlib.pyplot as plt# Where to save the figures 
PROJECT_ROOT_DIR = "." 
SUB_FOLDER = "sub_folder"    #a sub-folder 
IMAGES_PATH = os.path.join(PROJECT_ROOT_DIR, "images", SUB_FOLDER)defsave_fig(name, images_path=IMAGES_PATH, tight_layout=True,extension="png", resolution=300): 
    if not os.path.isdir(images_path): 
        os.makedirs(images_path) 
    path = os.path.join(images_path, name+ "." + extension) 
    print("Saving figure:",name) 
    if tight_layout: 
        plt.tight_layout() 
    plt.savefig(path, format=extension,dpi=resolution) 

现在调用save_fig('figure_name')，会在工作区中创建一个images/sub_folder目录，图片以“figure_name.png”名称被保存到目录中。此外，还提供了三个最常用的设置：

• tight_layout 能自动调整子图填充
• extension 能以多种格式保存图片
• resolution 可设置图片分辨率

7. 下载数据(并解压)

处理网络数据对于数据科学工作者是常事。可以使用浏览器下载数据，并运行指令来解压文件，但最好的是创建一个小函数来执行该操作。当数据需要定期更改时，这一点尤其重要。

编写一个小脚本，在获取最新数据时运行(也可以设置一个定期自动执行的计划工作)即可。如果需要在多台机器上安装数据集，自动化抓取数据流程也十分有用。

以下是下载并解压数据的函数：

import os 
import tarfile 
import zipfile 
import urllib 

# Where to save the data 
PROJECT_ROOT_DIR = "." 
SUB_FOLDER = "group_name" 
LOCAL_PATH = os.path.join(PROJECT_ROOT_DIR, "datasets", SUB_FOLDER)defdownload(file_url, local_path = LOCAL_PATH): 
    if not os.path.isdir(local_path): 
        os.makedirs(local_path) 

    # Download file 
    print(">>>downloading") 
    filename = os.path.basename(file_url) 
    file_local_path =os.path.join(local_path, filename) 
    urllib.request.urlretrieve(file_url,file_local_path) 

    # untar/unzip file 
    if filename.endswith("tgz")or filename.endswith("tar.gz"): 
        print(">>>unpacking file:", filename) 
        tar =tarfile.open(file_local_path, "r:gz") 
        tar.extractall(path = local_path) 
        tar.close() 
    eliffilename.endswith("tar"): 
        print(">>> unpackingfile:", filename) 
        tar =tarfile.open(file_local_path, "r:") 
        tar.extractall(path = local_path) 
        tar.close() 
    eliffilename.endwith("zip"): 
        print(">>>unpacking file:", filename) 
        zip_file = zipfile.ZipFile(file_local_path) 
        zip_file.extractall(path =local_path) 
        zip_file.close() 
    print("Done") 

现在调用download("http://a_valid_url/housing.tgz")，会在工作区创建一个datasets/group_name目录，下载housing.tgz，并从该目录中提取出housing.csv ，这个小函数也能用于CSV和文本文件。

图源：unsplash

请查看笔者Github库中的源代码：

https://github.com/BindiChen/machine-learning/blob/master/data-analysis/004-7-setups-for-a-data-science-project/7-setups.ipynb

【责任编辑：赵宁宁 TEL：（010）68476606】