原文：10 Tips And Tricks For Data Scientists Vol.1

譯者：趙西西

原博客簡介：Predictive Hacks是與數據科學相關的在線資源中心。該博客是由一群數據科學家運營，專注于講解在各種領域如何運用大數據技術（從機器學習和人工智能到業務領域）。

1 引言

這一系列對數據科學世界中常見的任務提供了一些代碼作為參考。本文主要涵蓋 Python、R、Unix、Excel、Git和Docker等語言的提示（Tips）。這一期主要展示在不同應用場景下的10個提示。

2??R

2.1 利用dplyr包實現多個列上連接數據框

dplyr包允許我們在多個列上連接兩個數據框。只需在by中添加列，這些列稱之為“鍵”，比如by = c("x1" = "x2"， "y1" = "y2")?，結果如下所示：

library(dplyr) set.seed(5) df1?<-?tibble(x1?=?letters[1:10],y1?=?LETTERS[11:20],a?=?rnorm(10) ) df2?<-?tibble(x2?=?letters[1:10],y2?=?LETTERS[11:20],b?=?rnorm(10) ) df<-df1%>%inner_join(df2,?df2,?by?=?c("x1"?=?"x2",?"y1"?=?"y2")) df#?A?tibble:?10?x?4x1????y1??????????a??????b<chr>?<chr>???<dbl>??<dbl>1?a?????K?????-0.841???1.23?2?b?????L??????1.38???-0.8023?c?????M?????-1.26???-1.08?4?d?????N??????0.0701?-0.1585?e?????O??????1.71???-1.07?6?f?????P?????-0.603??-0.1397?g?????Q?????-0.472??-0.5978?h?????R?????-0.635??-2.18?9?i?????S?????-0.286???0.241 10?j?????T??????0.138??-0.259

2.2?使用for循環在R中存儲模型

假設我們想對鳶尾花數據集中的每個物種分別構建不同的回歸模型，可以使用以下兩種不同的方法:

• 用一個列表存儲模型

my_models<-list() for?(s?in?unique(iris$Species))?{tmp<-iris[iris$Species==s,]my_models[[s]]<-lm(Sepal.Length~Sepal.Width+Petal.Length+Petal.Width,?data=tmp) }Call: lm(formula?=?Sepal.Length?~?Sepal.Width?+?Petal.Length?+?Petal.Width,?data?=?tmp)Coefficients:(Intercept)???Sepal.Width??Petal.Length???Petal.Width??2.3519????????0.6548????????0.2376????????0.2521

• 使用assign按名字存儲模型

for?(s?in?unique(iris$Species))?{tmp<-iris[iris$Species==s,]assign(s,lm(Sepal.Length~Sepal.Width+Petal.Length+Petal.Width,?data=tmp)) } #?get?the?'setosa'?model get("setosa")Call: lm(formula?=?Sepal.Length?~?Sepal.Width?+?Petal.Length?+?Petal.Width,?data?=?tmp)Coefficients:(Intercept)???Sepal.Width??Petal.Length???Petal.Width??2.3519????????0.6548????????0.2376????????0.2521

2.3?傳遞多個參數給sapply

假設我們想在R中運行sapply或lapply，并且輸入參數有多個。此時，可以定義一個形參，對形參應用sapply，并將固定的值賦給其余參數:

#?this?is?the?function?like?a?linear?equation #?of?the?form?y=?a?+?b?*?x my_func<-?function(a,b,c)?{a+b*c } #?the?values?of?the?x x?=?c(1,5,10) #?we?set?a=1?and?b=2 sapply(x,my_func,a=1,?b=2)[1]??3?11?21

2.4?獲得每一行的最大值對應的列名

假設數據框如下：

set.seed(5) df<-as.data.frame(matrix(sample(1:100,12),ncol=3)) dfV1?V2?V3 1?66?41?19 2?57?85??3 3?79?94?38 4?75?71?58

我們可以按行獲取每一行的最大值對應的列名，如下所示:

colnames(df)[max.col(df,ties.method="random")][1]?"V1"?"V2"?"V2"?"V1"

2.5?生成隨機日期

可以使用均勻分布從特定范圍的Unix時間戳生成隨機日期。例如，生成10個隨機日期:

library(lubridate)lubridate::as_datetime(?runif(10,?1546290000,?1577739600))[1]?"2019-12-09?15:45:26?UTC"?"2019-08-31?19:28:03?UTC"?"2019-01-13?12:15:13?UTC"?"2019-11-15?00:13:25?UTC" [5]?"2019-01-19?06:31:10?UTC"?"2019-11-02?12:46:34?UTC"?"2019-09-04?19:16:31?UTC"?"2019-07-29?11:53:43?UTC" [9]?"2019-01-25?23:08:20?UTC"?"2019-02-03?02:30:21?UTC"

3 Python

3.1 按元素對元組進行排序

假設有以下列表：

l?=?[(1,2),?(4,6),?(5,1),?(1,0)]

我想按元組的第二個元素來排序：

sorted(l,?key=lambda?t:?t[1]) [(1,?0),?(5,?1),?(1,?2),?(4,?6)]

3.2 扁平化一個由多個列表組成的列表

假設有一個列表：

l?=?[[1,?2,?3],?[4,?5,?6],?[7],?[8,?9]]

我們希望將其扁平化為一個列表。這時，可以利用for循環實現，如下所示：

[item?for?sublist?in?l?for?item?in?sublist] [1,?2,?3,?4,?5,?6,?7,?8,?9]

3.3 使用elif處理列表問題

場景：對一個產品進行打分，分數等級為1～5，并將其分為三類，類別如下:

• Good：評價大于等于4

• Netural：評價等于3

• Negative: ?評價小于3

x?=?[1,2,3,4,5,4,3,2,1] ["Good"?if?i>=4?else?"Neutral"?if?i==3?else?"Bad"?for?i?in?x]['Bad',?'Bad',?'Neutral',?'Good',?'Good',?'Good',?'Neutral',?'Bad',?'Bad']

3.4 一個shebang行:#!/usr/bin/python3

在許多.py文件中，腳本頂部可能出現shebang行。它的作用是設置解釋器的位置。通過在腳本頂部添加#!/usr/bin/python3，即可在Unix系統上運行文件.py，并且系統會自動將其識別為一個Python腳本。或者，也可以將腳本作為python3 file.py運行。例如，假設文件.py是:

#!/usr/bin/python3 print("Hello?shebang?line")

我們也可以在Unix上運行:

$?./file.py

推薦：?可以保存以下照片，在b站掃該二維碼，或者b站搜索【莊閃閃】觀看Rmarkdown系列的視頻教程。Rmarkdown視頻新增兩節視頻（寫輪眼幻燈片制作）需要視頻內的文檔，可在公眾號回復【rmarkdown】

往期精品(點擊圖片直達文字對應教程)

機器學習

后臺回復“生信寶典福利第一波”或點擊閱讀原文獲取教程合集

總結

以上是生活随笔為你收集整理的翻译｜给数据科学家的10个提示和技巧Vol.1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。