翻译｜给数据科学家的10个提示和技巧Vol.1

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

译者：赵西西

原博客简介：Predictive Hacks是与数据科学相关的在线资源中心。该博客是由一群数据科学家运营，专注于讲解在各种领域如何运用大数据技术（从机器学习和人工智能到业务领域）。

1 引言

这一系列对数据科学世界中常见的任务提供了一些代码作为参考。本文主要涵盖 Python、R、Unix、Excel、Git和Docker等语言的提示（Tips）。这一期主要展示在不同应用场景下的10个提示。

2 R

2.1 利用dplyr包实现多个列上连接数据框

dplyr包允许我们在多个列上连接两个数据框。只需在by中添加列，这些列称之为“键”，比如by = c("x1" = "x2"， "y1" = "y2") ，结果如下所示：

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循环在R中存储模型

假设我们想对鸢尾花数据集中的每个物种分别构建不同的回归模型，可以使用以下两种不同的方法:

用一个列表存储模型

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按名字存储模型

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 传递多个参数给sapply

假设我们想在R中运行sapply或lapply，并且输入参数有多个。此时，可以定义一个形参，对形参应用sapply，并将固定的值赋给其余参数:

# 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 获得每一行的最大值对应的列名

假设数据框如下：

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

我们可以按行获取每一行的最大值对应的列名，如下所示:

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

2.5 生成随机日期

可以使用均匀分布从特定范围的Unix时间戳生成随机日期。例如，生成10个随机日期:

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 按元素对元组进行排序

假设有以下列表：

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

我想按元组的第二个元素来排序：

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

3.2 扁平化一个由多个列表组成的列表

假设有一个列表：

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

我们希望将其扁平化为一个列表。这时，可以利用for循环实现，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`处理列表问题

场景：对一个产品进行打分，分数等级为1～5，并将其分为三类，类别如下:

Good：评价大于等于4
Netural：评价等于3
Negative: 评价小于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 一个shebang行:#!/usr/bin/python3

在许多.py文件中，脚本顶部可能出现shebang行。它的作用是设置解释器的位置。通过在脚本顶部添加#!/usr/bin/python3，即可在Unix系统上运行文件.py，并且系统会自动将其识别为一个Python脚本。或者，也可以将脚本作为python3 file.py运行。例如，假设文件.py是:

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

我们也可以在Unix上运行:

$ ./file.py

推荐： 可以保存以下照片，在b站扫该二维码，或者b站搜索【庄闪闪】观看Rmarkdown系列的视频教程。Rmarkdown视频新增两节视频（写轮眼幻灯片制作）需要视频内的文档，可在公众号回复【rmarkdown】

往期精品(点击图片直达文字对应教程)

机器学习

后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集