被少数人知晓的10个 Python 技能，一起学习一下吧
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理
本篇文章来自腾讯云 作者：深度学习与Python
为帮助你的数据科学工作，本文介绍了 十个被低估的 Python 技能。一旦掌握这些技能，我敢说，你将能够成为一个更“性感”的数据科学家。
10设置虚拟环境
虚拟环境为 Python 项目设置一个隔离的工作区。无论是你是单独工作还是与人合作，拥有一个虚拟环境都会有帮助，原因如下：
- 避免包冲突。
- 在安装包的位置提供清晰的视线。
- 确保项目使用的软件包版本的一致性。
虚拟环境的使用允许你（和你的团队成员）对不同的项目有着不同的依赖关系。在虚拟环境中，你可以测试安装软件包，而不必担心会污染系统安装。
部署 venv 模块 对于避免将来出现问题非常有帮助。因此在项目开始时不要跳过这一步骤。
了解更多：通过设置包含科学计算最常用包的虚拟环境，以节省空间，并且避免在不同地方安装多个包的相同版本。然后在特定项目的环境中以 .pth 文件的形式共享该公共环境。
9根据 PEP8 标准进行注释
撰写好注释，提高自信和协作能力。在 Python 中，这意味着遵循 PEP8 编码风格指南。
注释应该是声明性的，如下所示：
# Fix issue with utf-8 parsing
而不是如下所示：
# fixes issue
下面是一个 带有 docstring 的示例，它是一种特殊类型的注释，用于解释函数的用途：
def persuasion():
"""Attempt to get point across."""
print('Following this advice about writing proper Python comments will make you popular at parties')
docstring（文档字符串）特别有用，因为你的 IDE 会将这个字符串识别为与类关联的定义。在 Jupyter Notebook 中，你可以通过将光标放在函数末尾，并同时按下 Shift 和 Tab 键来查看函数的docstring。
8查找好的实用程序代码
你应该听说过“站在巨人的肩膀上”（standing on the shoulders of giants）这句话吧？Python 是一种资源极为丰富的编程语言。通过认识到自己不必孤军奋战，你可以加快数据科学的发现，从而完全可以并应该重用你之前的程序员的使用程序代码。
实用程序代码的一个很好的来源是 Chris Albon 的博客，该博主是 机器学习抽认卡 的创建者，这些抽认卡挂满了我家里的书房和卧室的墙上。他的网站提供了数百个代码片段的导航，可以加快你的 Python 工作流。
例如，Chris 向我们展示了如何按组将函数（比如 Pandas 的 rolling mean（移动窗口均值）：.rolling()）应用 到数据帧（DataFrame）：
df.groupby('lifeguard_team')['lives_saved'].apply(lambda x:x.rolling(center=False,window=2).mean())
这段代码将输出一个数据帧，其中包含每两行的滚动均值，并在.groupby()语句中的第一部分为每个组重新启动。
7使用 pandas-profiling 进行自动探索性数据分析
使用 panda-profiling 工具包 可以自动执行大部分探索性数据分析（Exploratory Data Analysis，EDA）。探索性数据分析是任何数据科学项目的关键准备阶段。它通常涉及基本的统计分析，并观察特征之间的相互关系。
这篇文章《通过 pandas-profiling 进行更好探索性数据分析》（A better EDA with Pandas-profiling）阐述了一种标准的“手动”数据探索方法，并将其与 pandas-profiling 库创建的自动报告进行了比较。
探索性数据分析已死，pandas-profiling 万岁！用事半功倍的方法实现完美的数据概览！
6使用 qcut 改进目标分析
在这个关于改进机器学习工作流的精彩视频中，Rebecca Bilbro 提供了明智的建议，在进行特征分析之前应检查你的目标列。
在这里插入图片描述
以目标为出发点：这样你就可以在开始预测或分类目标变量之前，对目标标量有一个可靠的了解。采用这种方法，可以帮助你预先识别潜在的棘手问题（如 类不平衡）。
如果你处理的是连续变量，那么将值放入容器可能会有用。使用 5 个容器提供了利用帕雷托法则（pareto principle）的机会。要创建五分位数，只需使用 Panda 的q-cut函数即可。
amount_quintiles = pd.qcut(df.amount, q=5)
译注：帕雷托法则（pareto principle），也称为二八定律或 80/20 法则，此法则指在众多现象中，80% 的结果取决于 20% 的原因，而这一法则在很多方面被广泛地应用。这个法则最初是意大利经济学家 Vilfredo Pareto 在 1906 年对意大利 20% 的人口拥有 80% 的财产的观察而得出的。在计算机科学，帕雷托法则可以应用于优化工作。Microsoft 指出，通过修复报告最多的错误的前 20％，给定系统中 80％ 的相关错误将被消除。Lowell Arthur 曾提过：“20％ 的代码有 80％ 的错误，只要找到它们并修复即可。”
每个容器将包含数据集的 20%。将目标变量的最高五分位数与最低五分位数进行比较，通常会得出有趣的结果。这项技术是一个很好的起点，可以用来确定目标变量最高（或最低）性能可能出现的异常情况。
如需进一步了解，也可以看看 Rebecca 在 《华盛顿的程序媛们》（《Women Who Code DC》，DC 指哥伦比亚特区，即美国首都华盛顿）职场访谈系列节目中的访谈，由《Yours Truly》节目组（译注：类似中国中央电视台的《大家》、《面对面》节目组）采访：
在这里插入图片描述
5为特征分析添加可视化
可视化并不仅仅用于商业智能仪表板。当你研究新的数据集时，加入一些有用的图表和图形，有助于提高分析的速度。
在这里插入图片描述
Seaborn 样例库
有许多可能的方法使用数据可视化来提高你的分析能力，下面罗列了一些资源可供探索：
- Seaborn 样例库（Seaborn example gallery）
- Bokeh 笔记本示例（Bokeh notebook examples）
- Yellowbrick 库（Yellowbrick gallery）
- 用于数据探索的 Streamlet（Streamlet for data exploration）
- Tableau 入门指南（Tableau getting started guide）
4测量和优化运行时
数据科学家以擅长修补而闻名。但随着 该领域越来越接近于软件工程，对简洁、高性能的代码的需求也在日益增加。程序的性能应该根据时间、空间和磁盘使用情况进行评估，这些都是可扩展性能的关键。
Python提供了一些分析使用程序，可以用来展示你的代码花费时间的地方。为了支持对函数运行时的监视，Python 提供了 timeit 函数。
%%timeitfor i in range(100000):
i = i**3
在使用 Pandas 改进你的代码时，有一些捷径：
- 按照应该使用 Pandas 的方式来使用：不要在数据帧行中循环，要用 apply 方法。
- 利用 NumPy 数组实现更高效的编码。
3简化时间序列分析
处理时间序列可能会令人生畏。我的训练营教练在准备讲授这个主题的那天，就带着一副不安的神情出现在课堂上。
幸运的是，dtw-python 包 提供了一种比较时间序列的直观方法。简而言之，动态时间规整（Dynamic Time Warping，DTW）计算不同长度的两个数组或时间序列之间的距离。
在这里插入图片描述
在这里插入图片描述
额外好处：知道何时不使用 Python
作为一名职业 Python 程序员，有时候，我怀疑自己是否过度依赖这个工具进行科学计算。Python 是一门令人愉快的编程语言。它简单明了，维护成本低，而且它的动态结构非常适合数据科学的探索性。
尽管如此，Python 绝对不是处理广泛定义的机器学习工作流各个方面的最佳工具。例如：
- 对于将数据移动到 数据仓库 的 ETL 流程来说，SQL 是必不可少的，藉由 SQL，数据分析师和数据科学家 可以对数据进行查询。
- Java 可能有助于构建管道组件，如数据提取和清理工具（例如，使用 Apache PDFBox 来解析 PDF 文档中的文本）。
- 作为数据科学中 Python 的快速替代品，Julia 正在迅速崛起。
- Scala 通常用于大数据和模型服务。
在由 TWIML AI 播客 主持的小组讨论中，专家们探讨了他们所选择编程语言的数据科学应用。
在这里插入图片描述
听到一个 JavaScript 开发人员 谈论使用这种典型的以 Web 开发为中心的语言进行机器学习的潜力，这有点奇怪。但是，嘿，这很有勇气，也很有创意不是吗？而且它有可能通过 打破机器学习和传统软件开发之间的障碍，实现数据科学的民主化。
目前，JavaScript 在数字上拥有优势：根据 2020 年 StackOverflow 开发人员调查（StackOverflow 2020 Developer Survey），68% 的开发人员使用 JavaScript，而使用 Python 的开发人员为 44%，只有 1% 的开发人员使用 Julia，但预计这种情况将迅速改变。更多的机器学习开发人员是否意味着更多的竞争，更多的见解，甚至更多的 arXiv 论文？这就更有理由提高你的 Python 技能了。
作者介绍：
Nicole Janeway Bills，数据科学家，有用商业和联邦咨询方面的经验，帮助组织利用他们的顶级资产：简单而健壮的数据策略。
