从 Ideal Profiles项目中学习构建端到端数据科学项目（附链接）
翻译：张睿毅
校对：吴金笛
本文约1500字，建议阅读5分钟。
本文为你介绍了构建数据科学项目中重要的思维能力及训练建议。
Joseph Barrientos 拍照于 Unsplash
（链接：https://unsplash.com/photos/Ji_G7Bu1MoM?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText ）
人们常说，数据科学家的主要工作不是实际的分析和建模，而是数据的整理和清理部分。因此，涉及这些阶段的全周期数据科学项目将更有价值，因为它们证明了作者独立处理真实数据的能力，而不是使用给定的干净数据集。
完全理解端到端数据科学项目的价值，我一直想建立一个，但直到现在还不能建立。
我最近完成了我的Ideal Profiles项目（链接：https://towardsdatascience.com/what-does-an-ideal-data-scientists-profile-look-like-7d7bd78ff7ab ）。因为这是一个涉及许多运动部件的重大项目，所以我想记录过程和经验教训，这是一个进一步的学习机会（受到威廉·科赫森（链接：https://medium.com/@williamkoehrsen ）关于数据科学写作价值的伟大文章的启发）。
各阶段
我认为，全周期数据科学项目应包括以下几个阶段：
在Kaggle项目上工作的最大的争论是它只专注于第二阶段。因此，在这个项目中，我将确保涵盖所有三个阶段。
在第一阶段，我做了网络抓取来获取数据，由于数据是脏的，所以我不得不整理数据进行分析。然后我做了各种数据可视化，并在第二阶段进行了分析。最后，我写了一些文章来发表结果并将这个项目投入生产。
当然，我可以通过包含一个机器学习组件使这个项目更加完整，例如，使用自然语言处理根据内容对工作岗位进行分类，但这将显著延迟项目完成时间，这将使我们进入下一个阶段：
迭代思维
对于一个给定的项目，可能有无限多的事情要处理，但实际上，我们只有有限的时间。为了协调这两个竞争因素，我们需要有纪律。
对我来说，“迭代思维”确实有帮助 —— 看，罗马不是一天建成的，所以让我们先构造一些有用的东西，然后将其交付，然后我们总是可以回来改进更多的特征。另一方面，这也意味着我们需要能够处理“不完美”，而不是专注于细节。
考虑到这一理念，我能够延迟一些非常诱人的特征，并将它们放在项目文档的待办事项部分（链接：https://github.com/georgeliu1998/ideal_profiles#to-dos ）。其中之一是使用更大的来自美国而不是加拿大的网站上的数据集。
模块化
鉴于项目的端到端的特性，我们有很多不同方面的工作：网络抓取，数据预处理，绘图……如果我们把所有的代码在一个Jupyter Notebook，它会过于大且复杂而不能处理。于是我决定使用Python脚本和一个中心Jupyter Notebook解决这个问题。
我将支持函数分为三大类，并将它们封装在三个相应的脚本中：
- scrape_data.py-包含Web抓取所需的函数，如“get_soup()”和“get_urls()”。
- process_text.py-包含文本处理和清除函数，如“tokenize_text()”和“check_freq()”
- helper.py-包含文件输入输出和绘图函数，例如“plot_skill()”
这样，我就可以保持一个超轻且有组织的中心Notebook。然后根据需要从Notebook中导入和调用函数，如下所示：
from scrape_data import *
from process_text import *
from helper import *
可复制性
由于我在网上发现的许多抓取脚本都不起作用，我决定确保我的项目是可复制的。除了可靠的代码之外，一个健壮的README文件和一个完整的环境依赖文件也是解决方案的一部分。
- readme.md-我努力确保捕获所有相关细节，特别是如何设置环境和如何使用脚本。
- env_Ideal_profiles.yaml-通过将所有依赖项冻结到此文件中，我确保用户可以完全重新创建我使用的同一Anaconda python环境。此处提供更多信息（链接：https://conda.io/docs/user-guide/tasks/manage-environments.html ）。
代码最优练习
良好的编码实践很重要！特别是，我发现以下实践在编写更大更复杂的项目时非常有用：
- 具有有意义的描述性变量/函数名
- 提供详细和结构化的文档字符串（链接：https://stackoverflow.com/questions/3898572/what-is-the-standard-python-docstring-format）
- 确保使用python“try except”块处理异常
当你的项目是一个30行的Jupyter Notebook时，这些事情可能看起来微不足道，但是当你处理一个需要数百行代码的主要项目时，这些事情可能真的很关键！
厉害了Matplotlib
我过去只对基本的Matplotlib技巧感到舒服。然而，对于这个项目，我不仅需要将几个图组合成一个，而且还必须进行详细的自定义，例如旋转轴标记标签……在这一点上，基本的Matplotlib技能将不再足够。
事实证明这是一个学习Matplotlib的好机会。一旦我知道它能做什么，我发现它不可能回头，仅仅是因为matplotlib真的很强大！它的面向对象方法允许您修改几乎所有内容…请查看以下教程以了解：
- Matplotlib教程：Python绘图
- （链接：https://www.datacamp.com/community/
- tutorials/matplotlib-tutorial-python ）
- 高效利用Matplotlib
- （链接：http://pbpython.com/effective-
- matplotlib.html ）
- 使用Matplotlib绘制Python（指南）
- （链接：https://realpython.com/blog/python/
- python-matplotlib-guide/ ）
谢谢你的阅读！
原文链接：
https://towardsdatascience.com/building-an-end-to-end-data-science-project-28e853c0cae3
编辑：文婧
译者简介
张睿毅，北京邮电大学大二物联网在读。我是一个爱自由的人。在邮电大学读第一年书我就四处跑去蹭课，折腾整一年惊觉，与其在当下焦虑，不如在前辈中沉淀。于是在大二以来，坚持读书，不敢稍歇。资本主义国家的科学观不断刷新我的认知框架，同时因为出国考试很早出分，也更早地感受到自己才是那个一直被束缚着的人。太多真英雄在社会上各自闪耀着光芒。这才开始，立志终身向遇到的每一个人学习。做一个纯粹的计算机科学里面的小学生。
— 完 —
关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。