【获奖公布】元老选手心得分享：请把自己看成一位出色的工程师

复赛的号角刚刚吹响，全新的数据集正式上线，算法极客间的决赛入场争夺战正式启幕！我们有幸请到参加了两届大赛的元老选手，与大家聊一聊他认为可以让代码更加高效漂亮的几个关键点，帮你镇定面对复赛，顺利完成代码优化，冲击决赛入场资格！

应主办方邀请，在复赛开始的时间节点，做一份分享。

我是从2018年腾讯广告算法大赛开启了比赛生涯，第一次打比赛的经历让我记忆犹新。组不到队友，最终也只得到了Solo 15名的成绩，但那一次比赛也是我代码写的最多的一次比赛。抛开上分目的不谈，我尝试过各种调试工具，写过多种风格的代码，比如用mysql做特征工程、资源控制等（傻乎乎）。虽然很多尝试最终都没有在比赛中奏效，但也教会了我在日后的比赛中不受到资源、效率、以及编码能力的困扰，最终也顺利的拿到了不错的成绩。相比于比赛结果，另外一个值得关注的点就是，一般答辩队伍的方案里，很少有人特征数目比我少、代码量少、运行时间短。就这道题目而言，我平均5-10min 可以通过5折验证测试一个特征的好坏。

回到本届的赛题，赛题本身从场景到数据以及评价指标复杂度都比较高。我个人初赛本身投入的时间不长，成绩也不是很理想。这里就不谈特征、模型什么的了，相信前面几位大佬的相关分享已经十分详尽了，今天我想分享一些个人觉得比较重要的东西。比赛本身一般是拼模型、特征、业务理解。以上会化为你最终的成绩呈现，当然也拼答辩和PPT创新。但除此之外，我们更应该为未来多考虑一些过程。

比如，模型是否简洁高效？是否形成了良好的代码风格？是否构建了足够便捷的调试框架？

等等，下面我来详细与各位分享一下。

确保第一个模型简单易用并正确实施基础架构

在把问题想太细之前，需要做的就是定义好问题、目标、以及候选的模型方案，形成自己的第一个baseline。通过对数据量，特征特点，以及目标分析就可以获得一个不错的方案。一般比赛的开始阶段，大家也都会纷纷在群里分享一些自己不同方案尝试的初步效果。而尽快实现出来第一个模型的好处在于，让你获得初步的线上反馈以及成就感，同时也可以通过和其他选手的对比，从而把握自己当前是否跟得上节奏。

关注代码效率以及代码结构

在开发的过程中，遇到速度慢的处理或者内存占用较大的处理的时候，多去思考运行原理以及测试效率并且优化它。

通常的优化思路有：
1、代码的时间复杂度
2、你的操作是Python层的处理，还是C的处理（pandas 和numpy 里很多运算是C处理的），尤其是你的循环操作，是否可以在C层处理掉。
3、是否有已经封装好的且高效的写法？（优化代码结构和行数，更美观）
4、是否无关数据预先做了过滤。（比如日志先过滤掉无关日志）
5、考虑到字符串格式的复杂性和内存占用，是否可以预先编码处理？
6、计算复杂的操作是否可以减少计算次数？（比如如果有10w个日期字符串却只有30个不同日期，你可以先去重复，然后做30次转换，最后10W个日期直接做map映射过去。）
7、理解字典、列表、集合等数据结构的使用场景和优劣。
8、缓存稳定不变的中间结果。总结不同缓存方法（如：csv,nzp,hdf,pickle）的优劣。

你所学会的优化的方法会延续到你的下一个比赛，不会让你因为速度而困扰。同时快速的迭代，也可以有助你在有限的时间内，尝试更多的想法。

版本控制和资源控制

你是否遇到过以下问题：
连续几个迭代无果之后，突然发现无法复现最高成绩？
在繁琐的特征工程后，想分析上分点以及蛇皮区的时候，发现就只记住了强特和大坑。
不小心覆盖了之前辛辛苦苦跑出来的某个特征文件。
想对比之前的高分文件，发现文件找不到了。
… …

这时候你就要考虑要对代码的版本进行控制了。

这里强烈推荐Git，它是你以后工作后，必不可少的工具，不会用的同学自行百度。当然Git != Github，千万不要把代码不小心比赛期间“开源”了哦。具体怎么用呢，一般就是发现强特Git一下;好不容易写好了骚操作，Git一下;跑出来当前最高成绩的版本，Git 三次!!!（e…好像不能连续Git，三次表示强调！）

资源控制的话就是对你的历史提交以及过程文件进行管理，一般对文件夹或者文件加上日期，提交文件生成一份 “时间 + 模型 + 线下得分””备份。另外记录一份excel ，来保存时间+自己的操作 + 线下得分 + 线上得分 + 思考总结。便于你回顾和思考，同时也便于组队后与队友的沟通交流。

以上就是我的分享，希望大家日后的代码可以高效，漂亮。

除了分数外，至少让自己觉得，我的代码真美！（自恋一下）另附一句很受用的话：

“请把自己看成是一位出色的工程师，而不是一位机器学习专家。”