专栏首页庄闪闪的R语言手册翻译|给数据科学家的10个提示和技巧Vol.1

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 4
   x1    y1          a      b
   <chr> <chr>   <dbl>  <dbl>
 1 a     K     -0.841   1.23 
 2 b     L      1.38   -0.802
 3 c     M     -1.26   -1.08 
 4 d     N      0.0701 -0.158
 5 e     O      1.71   -1.07 
 6 f     P     -0.603  -0.139
 7 g     Q     -0.472  -0.597
 8 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))
df

  V1 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

本文分享自微信公众号 - 庄闪闪的R语言手册(Zss_R4ds),作者:我才是赵西西

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2021-05-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 翻译|给数据科学家的10个提示和技巧Vol.2

    原文:10 Tips And Tricks For Data Scientists Vol.2[1]

    庄闪闪
  • 给数据科学家的10个提示和技巧Vol.3

    原文:10 Tips And Tricks For Data Scientists Vol.3[1]

    庄闪闪
  • 循环神经网络的增强方法:注意力机制以及更多

    AI 科技评论按:一提起 RNN,我们最容易想到的实现就是 LSTM + attention。LSTM 作为经典的网络结构可谓是老当益壮,而另一方面注意力机制过...

    AI科技评论
  • GitHub 热点速览 Vol.35:Let's Go,Rust 大放异彩

    以下内容摘录自微博@HelloGitHub 的 GitHub Trending 及 Hacker News 热帖(简称 HN 热帖),选项标准:新发布 | 实用...

    HelloGitHub
  • 2019腾讯犀牛鸟精英人才培养计划课题介绍(七)—自然语言处理

    ? “ 精英人才培养计划是一项校企联合人才培养项目,入选学生将受到业界顶尖技术团队与高校导师的联合指导及培养。培养期间,学生将获得3个月以上到访腾讯开展科研访...

    腾讯高校合作
  • 提高数据科学家讲故事能力的5个小技巧

    讲故事是一门艺术。随着时间的推移,讲故事的技巧、方法和工具发生了变化,但主要概念和目标保持不变,即有效地吸引你的观众,使他们能够真正地与你所说的联系起来。

    deephub
  • 【系列文章】面向自动驾驶的三维点云处理与学习(6)-完结篇

    标题:3D Point Cloud Processing and Learning for Autonomous Driving

    点云PCL博主
  • 深度学习碰上古文献,西南大学提出基于CNN的古彝文识别方法

    摘要:作为世界六大古文字之一的古彝文记录下几千年来人类发展历史。针对古彝文的识别能够将这些珍贵文献材料转换为电子文档,便于保存和传播。由于历史发展,区域限制等多...

    机器之心
  • 年终收藏! 一文看尽2020年度最「出圈」AI论文合集

    疫情之下,通过各种方式,全球的研究者继续积极合作,发表了许许多多有影响力的成果——特别是在人工智能领域。

    新智元

扫码关注云+社区

领取腾讯云代金券