數(shù)據(jù)科學(xué)的完整流程一般包含以下幾個(gè)組成部分：

數(shù)據(jù)收集

數(shù)據(jù)清洗

數(shù)據(jù)探索和可視化

統(tǒng)計(jì)或預(yù)測建模

雖然這些組成部分有助于我們理解數(shù)據(jù)科學(xué)的不同階段，但對于編程工作流并無助益。

通常而言，在同一個(gè)文件中覆蓋完整的流程將會導(dǎo)致Jupyter Notebook、腳本變成一團(tuán)亂麻。此外，大多數(shù)的數(shù)據(jù)科學(xué)問題都要求我們在數(shù)據(jù)收集、數(shù)據(jù)清洗、數(shù)據(jù)探索、數(shù)據(jù)可視化和統(tǒng)計(jì)／預(yù)測建模中切換。

但是還存在更好的方法來組織我們的代碼！在這篇博客中，我將介紹大多數(shù)人在做數(shù)據(jù)科學(xué)編程工作的時(shí)候切換的兩套思維模式：原型思維模式和生產(chǎn)流思維模式。

JupyteLab：我個(gè)人使用JupyteLab來進(jìn)行整個(gè)流程的操作（包括寫原型代碼和生產(chǎn)流代碼）。我建議至少使用JupyteLab來寫原型代碼：

http://jupyterlab.readthedocs.io/en/stable/getting_started/installation.html

借貸俱樂部數(shù)據(jù)

為了更好地理解原型和生產(chǎn)流兩種思維模式，我們來處理一些真實(shí)的數(shù)據(jù)。我們將使用個(gè)人對個(gè)人的借貸網(wǎng)站——借貸俱樂部上面的借貸數(shù)據(jù)。跟銀行不同，借貸俱樂部自身并不借錢，而是為貸款人提供一個(gè)市場以貸款給因不同的原因（比如維修、婚禮）需要借款的個(gè)人。

借貸俱樂部網(wǎng)站：

https://www.dataquest.io/blog/programming-best-practices-for-data-science/www.lendingclub.com

我們可以使用這個(gè)數(shù)據(jù)來建立一個(gè)模型，判斷一個(gè)給定的貸款申請是否會成功。這篇博客中，我們不會深入到建立機(jī)器學(xué)習(xí)模型工作流。

借貸俱樂部提供關(guān)于成功的貸款（被借貸俱樂部和聯(lián)合貸款人通過的貸款）和失敗的貸款（被借貸俱樂部和聯(lián)合貸款人拒絕的貸款，款項(xiàng)并沒有轉(zhuǎn)手）的詳盡歷史數(shù)據(jù)。打開他們的數(shù)據(jù)下載頁，選擇2007-2011年，并下載數(shù)據(jù)：

數(shù)據(jù)下載頁：

https://www.lendingclub.com/info/download-data.action

原型思維模式

在原型思維模式中，我們比較關(guān)心快速迭代，并嘗試了解數(shù)據(jù)中包含的特征和事實(shí)。創(chuàng)建一個(gè)Jupyter Notebook，并增加一個(gè)Cell來解釋：

你為了更好地了解借貸俱樂部而做的所有調(diào)查

有關(guān)你下載的數(shù)據(jù)集的所有信息

首先，讓我們將csv文件讀入pandas：

import pandas as pd

loans_2007 = pd.read_csv('LoanStats3a.csv')

loans_2007.head(2)

我們得到兩部分輸出，首先是一條警告信息：

/home/srinify/anaconda3/envs/dq2/lib/python3.6/site-packages/IPython/core/interactiveshell.py:2785: DtypeWarning: Columns (0,1,2,3,4,7,13,18,24,25,27,28,29,30,31,32,34,36,37,38,39,40,41,42,43,44,46,47,49,50,51,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99,100,101,102,103,104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,123,124,125,126,127,128,129,130,131,132,133,134,135,136,142,143,144) have mixed types. Specify dtype option on import or set low_memory=False.

interactivity=interactivity, compiler=compiler, result=result)

然后是數(shù)據(jù)框的前5行，這里我們就不展示了（太長了）。

警告信息讓我們了解到如果我們在使用pandas.read_csv()的時(shí)候?qū)ow_memory參數(shù)設(shè)為False的話，數(shù)據(jù)框里的每一列的類型將會被更好地記錄。

第二個(gè)輸出的問題就更大了，因?yàn)閿?shù)據(jù)框記錄數(shù)據(jù)的方式存在著問題。JupyterLab有一個(gè)內(nèi)建的終端，所以我們可以打開終端并使用bash命令head來查看原始文件的頭兩行數(shù)據(jù)。

head -2 LoanStats3a.csv

原始的csv文件第二行包含了我們所期望的列名，看起來像是第一行數(shù)據(jù)導(dǎo)致了數(shù)據(jù)框的格式問題：

Notes offered by Prospectus

https://www.lendingclub.com/info/prospectus.action

增加一個(gè)Cell來說明你的觀察，并增加一個(gè)code cell來處理觀察到的問題。

import pandas as pd

loans_2007 = pd.read_csv('LoanStats3a.csv', skiprows=1, low_memory=False)

在借貸俱樂部下載頁查看數(shù)據(jù)字典以了解哪些列沒有包含對特征有用的信息。Desc和url列很明顯就沒有太大的用處。

loans_2007 = loans_2007.drop(['desc', 'url'],axis=1)

然后就是將超過一半以上都缺失值的列去掉，使用一個(gè)cell來探索哪一列符合這個(gè)標(biāo)準(zhǔn)，再使用另一個(gè)cell來刪除這些列。

loans_2007.isnull().sum()/len(loans_2007)

loans_2007 = loans_2007.dropna(thresh=half_count, axis=1)

因?yàn)槲覀兪褂肑upyter Notebook來記錄我們的想法和代碼，所以實(shí)際上我們是依賴于環(huán)境（通過IPython內(nèi)核）來記錄狀態(tài)的變化。這讓我們能夠自由地移動(dòng)cell，重復(fù)運(yùn)行同一段代碼，等等。

通常而言，原型思維模式專注于：

可理解性

使用Markdown cell來記錄我們的觀察和假設(shè)

使用一小段代碼來進(jìn)行真實(shí)的邏輯操作

使用大量的可視化和計(jì)數(shù)

抽象最小化

大部分的代碼都不在函數(shù)中（更為面向?qū)ο螅?/p>

我們會花時(shí)間來探索數(shù)據(jù)并且寫下我們采取哪些步驟來清洗數(shù)據(jù)，然后就切換到工作流模式，并且將代碼寫得更強(qiáng)壯一些。

生產(chǎn)流模式

在生產(chǎn)流模式，我們會專注于寫代碼來統(tǒng)一處理更多的情況。比如，我們想要可以清洗來自借貸俱樂部的所有數(shù)據(jù)集的代碼，那么最好的辦法就是概括我們的代碼，并且將它轉(zhuǎn)化為數(shù)據(jù)管道。數(shù)據(jù)管道是采用函數(shù)式編程

的原則來設(shè)計(jì)的，數(shù)據(jù)在函數(shù)中被修改，并在不同的函數(shù)之間傳遞：

函數(shù)式編程教程：

https://www.dataquest.io/blog/introduction-functional-programming-python/

這里是數(shù)據(jù)管道的第一個(gè)版本，使用一個(gè)單獨(dú)的函數(shù)來封裝數(shù)據(jù)清洗代碼。

import pandas as pd

def import_clean(file_list):

frames = []

for file in file_list:

loans = pd.read_csv(file, skiprows=1, low_memory=False)

loans = loans.drop(['desc', 'url'], axis=1)

half_count = len(loans)/2

loans = loans.dropna(thresh=half_count, axis=1)

loans = loans.drop_duplicates()

# Drop first group of features

loans = loans.drop(["funded_amnt", "funded_amnt_inv", "grade", "sub_grade", "emp_title", "issue_d"], axis=1)

# Drop second group of features

loans = loans.drop(["zip_code", "out_prncp", "out_prncp_inv", "total_pymnt", "total_pymnt_inv", "total_rec_prncp"], axis=1)

# Drop third group of features

loans = loans.drop(["total_rec_int", "total_rec_late_fee", "recoveries", "collection_recovery_fee", "last_pymnt_d", "last_pymnt_amnt"], axis=1)

frames.append(loans)

return frames

frames = import_clean(['LoanStats3a.csv'])

在上面的代碼中，我們將之前的代碼抽象為一個(gè)函數(shù)。函數(shù)的輸入是一個(gè)文件名的列表，輸出是一個(gè)數(shù)據(jù)框的列表。

普遍來說，生產(chǎn)流思維模式專注于：

適合的抽象程度

代碼應(yīng)該被泛化以匹配的類似的數(shù)據(jù)源

代碼不應(yīng)該太過泛化以至于難以理解

管道穩(wěn)定性

可依賴程度應(yīng)該和代碼運(yùn)行的頻率相匹配（每天？每周？每月？）

在不同的思維模式中切換

假設(shè)我們在運(yùn)行函數(shù)處理所有來自借貸俱樂部的數(shù)據(jù)集的時(shí)候報(bào)錯(cuò)了，部分潛在的原因如下：

不同的文件當(dāng)中列名存在差異

超過50%缺失值的列存在差異

數(shù)據(jù)框讀入文件時(shí)，列的類型存在差異

在這種情況下，我們就要切換回原型模式并且探索更多。如果我們確定我們的數(shù)據(jù)管道需要更為彈性化并且能夠處理數(shù)據(jù)特定的變體時(shí)，我們可以將我們的探索和管道的邏輯再結(jié)合到一起。

以下是我們調(diào)整函數(shù)以適應(yīng)不同的刪除閾值的示例：

import pandas as pd

def import_clean(file_list, threshold=0.5):

frames = []

for file in file_list:

loans = pd.read_csv(file, skiprows=1, low_memory=False)

loans = loans.drop(['desc', 'url'], axis=1)

threshold_count = len(loans)*threshold

loans = loans.dropna(thresh=half_count, axis=1)

loans = loans.drop_duplicates()

# Drop first group of features

loans = loans.drop(["funded_amnt", "funded_amnt_inv", "grade", "sub_grade", "emp_title", "issue_d"], axis=1)

# Drop second group of features

loans = loans.drop(["zip_code", "out_prncp", "out_prncp_inv", "total_pymnt", "total_pymnt_inv", "total_rec_prncp"], axis=1)

# Drop third group of features

loans = loans.drop(["total_rec_int", "total_rec_late_fee", "recoveries", "collection_recovery_fee", "last_pymnt_d", "last_pymnt_amnt"], axis=1)

frames.append(loans)

return frames

frames = import_clean(['LoanStats3a.csv'], threshold=0.7)

默認(rèn)值是0.5，如果需要的話，我們也可以改為0.7。

這是一些將管道改得更為彈性的方式，按推薦程度降序排列：

使用可選參數(shù)、位置參數(shù)和必需參數(shù)

在函數(shù)中使用if / then語句以及使用布爾輸入值作為函數(shù)的輸入

使用新的數(shù)據(jù)結(jié)構(gòu)（字典，列表等）來表示特定數(shù)據(jù)集的自定義操作

這個(gè)管道可以擴(kuò)展到數(shù)據(jù)科學(xué)工作流程的所有階段。這是一些偽代碼，可以總攬它的結(jié)構(gòu)。

import pandas as pd

def import_clean(file_list, threshold=0.5):

## Code

def visualize(df_list):

# Find the most important features and generate pairwise scatter plots

# Display visualizations and write to file.

plt.savefig("scatter_plots.png")

def combine(df_list):

# Combine dataframes and generate train and test sets

# Drop features all dataframes don't share

# Return both train and test dataframes

return train,test

def train(train_df):

# Train model

return model

def validate(train_df, test-df):

# K-fold cross validation

# Return metrics dictionary

return metrics_dict

frames = import_clean(['LoanStats3a.csv', 'LoanStats2012.csv'], threshold=0.7)

visualize(frames)

train_df, test_df = combine(frames)

model = train(train_df)

metrics = test(train_df, test_df)

print(metrics)

下一步

如果你對加深理解和練習(xí)感興趣的話，我推薦：

了解如何將你的管道轉(zhuǎn)化為作為一個(gè)模塊或者從命令行中單獨(dú)運(yùn)行的腳本：

https://docs.python.org/3/library/main.html

了解如何使用Luigi來構(gòu)建更復(fù)雜的、能夠在云上面運(yùn)行的管道

https://marcobonzanini.com/2015/10/24/building-data-pipelines-with-python-and-luigi/

了解更多有關(guān)數(shù)據(jù)工程的信息：

https://www.dataquest.io/blog/tag/data-engineering/