数据科学家易犯的十大编码错误，你中招了吗？
发布时间：2025-04-29 点击：3
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。
import?pandas?as?pd?df1?=?pd.read_csv('file-i-dont-have.csv')?#?fails?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!
import?pandas?as?pd?df?=?pd.read_csv('/path/i-dont/have/data.csv')?#?fails?do_stuff(df)?#?or??impor?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 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!
├──?data.csv?├──?ingest.py?├──?other-data.csv?├──?output.png?├──?report.html?└──?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-structured6tflow 项目模板：https://github.com/d6t/d6tflow-template4. 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。
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。」
地址：
https://towardsdatascience.com/4-reasons-why-your-machine-learning-code-is-probably-bad-c291752e4953
def?process_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：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。
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?in?df['g'].unique():?????dfdfg?=?df[df[g']==i]?????groupavg.append(dfg['g'].mean())?#?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下：
d6tstack：https://github.com/d6t/d6tstackd6tjoin：https://github.com/d6t/d6tjoin/blob/master/examples-prejoin.ipynbassert?df['id'].unique().shape[0]?==?len(ids)?#?have?data?for?all?ids??assert?df.isna().sum()<0.9?#?catch?missing?values?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。
def?some_complicated_function(data):?????datadata?=?data[data['column']!='wrong']?????datadata?=?data.groupby('date').apply(lambda?x:?complicated_stuff(x))?????datadata?=?data[data['value']<0.9]?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。
def?process_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：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。
parquet：https://github.com/dask/fastparquet
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。
解决方案：用 pycharm 和/或 spyder。
网页用户体验中的可用性
网站文章内容是否需要加图片
香港服务器是高防服务器吗?区别在哪里
美国服务器托管服务的关键优势以及选择的要点
监控排查网站加载速度慢的原因及解决方法
什么样的外链可以提高网站的排名？
淄博建站：做网站重要的是要和企业发展相统一！
店铺上新，如何提高自然流量？
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。
import?pandas?as?pd?df1?=?pd.read_csv('file-i-dont-have.csv')?#?fails?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!
import?pandas?as?pd?df?=?pd.read_csv('/path/i-dont/have/data.csv')?#?fails?do_stuff(df)?#?or??impor?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 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!
├──?data.csv?├──?ingest.py?├──?other-data.csv?├──?output.png?├──?report.html?└──?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-structured6tflow 项目模板：https://github.com/d6t/d6tflow-template4. 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。
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。」
地址：
https://towardsdatascience.com/4-reasons-why-your-machine-learning-code-is-probably-bad-c291752e4953
def?process_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：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。
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?in?df['g'].unique():?????dfdfg?=?df[df[g']==i]?????groupavg.append(dfg['g'].mean())?#?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下：
d6tstack：https://github.com/d6t/d6tstackd6tjoin：https://github.com/d6t/d6tjoin/blob/master/examples-prejoin.ipynbassert?df['id'].unique().shape[0]?==?len(ids)?#?have?data?for?all?ids??assert?df.isna().sum()<0.9?#?catch?missing?values?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。
def?some_complicated_function(data):?????datadata?=?data[data['column']!='wrong']?????datadata?=?data.groupby('date').apply(lambda?x:?complicated_stuff(x))?????datadata?=?data[data['value']<0.9]?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。
def?process_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：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。
parquet：https://github.com/dask/fastparquet
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。
解决方案：用 pycharm 和/或 spyder。
网页用户体验中的可用性
网站文章内容是否需要加图片
香港服务器是高防服务器吗?区别在哪里
美国服务器托管服务的关键优势以及选择的要点
监控排查网站加载速度慢的原因及解决方法
什么样的外链可以提高网站的排名？
淄博建站：做网站重要的是要和企业发展相统一！
店铺上新，如何提高自然流量？