本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

在開始一項數據科學項目時，我們通常需要進行設置或配置，以確保所需的依賴關系，保持輸出穩定，準備通用函數。

項目設置的一個案例(來自Handson-ML2)

本文將介紹JuypterNotebook中最有幫助的一些項目設置。

1. 確保Python版本

檢查JupyterNotebook中的Python解釋器版本：

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

為確保項目由Python解釋器的最低及以上要求版本運行，可在項目設置中添加以下代碼：

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

Python需要為3.7及以上版本，否則會拋出AssertionError。

2. 確保程序包版本

檢查安裝的程序包版本，如TensorFlow。

import tensorflow as tf 
tf.__version__'2.0.0' 

確保項目是由TensorFlow2.0及以上版本運行的，否則會拋出AssertionError。

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

3. 避免繪制模糊圖像

JuypterNotebook中的默認繪圖看起來有些模糊。例如，一張查找缺失值的簡單熱圖。

(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') 

默認圖像看起來很模糊

由上圖可以看出，文本很模糊，Cabin欄中的缺失值過于擁擠，Embarked欄中的缺失值無法識別。

要解決這個問題，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') 

圖片格式設置為retina或svg

與先前的圖片比較，上圖更加清晰，Embarked欄中的缺失值也能成功識別。

4. 在不同運行中保持輸出穩定

數據科學項目中很多地方都在使用隨機數字。例如：

• 來自Scikit-Learn的 train_test_split()
• 用于初始化權重的np.random.rand()

若未重置隨機種子，則每次調用都會出現不同的數字：

>>> 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)使隨機數字可預測：

>>> 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)都重置隨機種子，那么每次都會出現相同的數據組。因此，項目能在不同運行中保持輸出穩定。

5. 多單元輸出

默認情況下，JupyterNotebook不能在同一單元中輸出多種結果。要輸出多種結果，可使用IPython重新配置shell。

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

6. 將圖片保存到文件

Matplotlib能通過savefig()方法保存圖片，但如果給定路徑不存在則會引發錯誤。

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

最好的做法是將所有圖片都放到一個地方，如工作區的figures文件夾。可使用OS GUI(操作系統界面)或是在JupyterNotebook中運行logic指令，來手動創建一個figures文件夾，但是最好創建一個小函數來實現該操作。

當需要一些自定義圖形設置或附加子文件夾來分組圖形時，這種方法尤其適用。以下是將圖片保存到文件的函數：

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) 

現在調用save_fig('figure_name')，會在工作區中創建一個images/sub_folder目錄，圖片以“figure_name.png”名稱被保存到目錄中。此外，還提供了三個最常用的設置：

• tight_layout 能自動調整子圖填充
• extension 能以多種格式保存圖片
• resolution 可設置圖片分辨率

7. 下載數據(并解壓)

處理網絡數據對于數據科學工作者是常事。可以使用瀏覽器下載數據，并運行指令來解壓文件，但最好的是創建一個小函數來執行該操作。當數據需要定期更改時，這一點尤其重要。

編寫一個小腳本，在獲取最新數據時運行(也可以設置一個定期自動執行的計劃工作)即可。如果需要在多臺機器上安裝數據集，自動化抓取數據流程也十分有用。

以下是下載并解壓數據的函數：

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") 

現在調用download("http://a_valid_url/housing.tgz")，會在工作區創建一個datasets/group_name目錄，下載housing.tgz，并從該目錄中提取出housing.csv ，這個小函數也能用于CSV和文本文件。

[[337548]]

圖源：unsplash

請查看筆者Github庫中的源代碼：

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