本文转载自公众号“读芯术”(ID：AI_Discovery)
当代码投入生产时，你需要去组织代码的文件。读写、创建和运行许多代码文件是件非常耗时的事。本文将展示如何自动化这些繁琐的操作：
- 遍历一个目录中的文件
- 创建尚未建立的嵌套文件
- 使用bash for循环来运行一个有多个输入端的文件
在处理数据科学项目时，这些技巧为笔者节省了大量的时间。希望对你也有用!
遍历一个目录中的文件
如果有如下多个数据需要读取和处理：
- ├── data
- │ ├── data1.csv
- │ ├── data2.csv
- │ └── data3.csv
- └── main.py
可以手动地一次读取一个文件：
- import pandas as pd def process_data(df):
- passdf = pd.read_csv(data1.csv)
- process_data(df)df2 = pd.read_csv(data2.csv)
- process_data(df2)df3 = pd.read_csv(data3.csv)
- process_data(df3)
这是可行的，但是当有超过三个数据时，效率就会变得很低。如果上述脚本中唯一改变的是数据，为什么不用for循环来访问每个数据呢?
下面的脚本允许我们遍历指定目录中的文件：
- import os
- import pandas as pd
- defloop_directory(directory:str):
- '''Loop files in thedirectory'''
- for filename in os.listdir(directory):
- if filename.endswith(".csv"):
- file_directory = os.path.join(directory,filename)
- print(file_directory)
- pd.read_csv(file_directory)
- if __name__=='__main__':
- loop_directory('data/')
- data/data3.csv
- data/data2.csv
- data/data1.csv
对上面脚本的解释如下：
- for filename in os.listdir(directory) : 在一个指定的目录中遍历文件。
- if filename.endswith(".csv") :运行(访问?)以‘.csv’ 结尾的文件。
- file_directory = os.path.join(directory, filename) : 连接父目录(' data ')和该目录中的文件。
现在就可以在‘data’目录中访问所有的文件啦!
如果不存在，就创建嵌套文件
有时你可能想要通过创建嵌套文件来管理代码或模型，在之后更容易地寻找。比如，可以运用‘model 1’来明确规定一个有着具体特征的程序。当使用model 1时，你可能想要尝试运用不同种类的机器学习模型来训练数据(‘model1/XGBoost’)。
在使用各个机器学习模型时，我们甚至想要去保存不同样式的模型，因为它们所运用的超参数存在不同。因此，模型目录就像下面的示例一样复杂：
- model
- ├── model1
- │ ├── NaiveBayes
- │ └── XGBoost
- │ ├── version_1
- │ └── version_2
- └── model2
- ├── NaiveBayes
- └── XGBoost
- ├── version_1
- └── version_2
对每个所创的模型手动地建立嵌套文件可能需要花费很长的时间。有没有能够自动化这个进程的方法?有，通过使用 os.makedirs(datapath)。
- defcreate_path_if_not_exists(datapath):
- '''Create the new file if not exists andsave the data'''
- ifnot os.path.exists(datapath):
- os.makedirs(datapath)
- if __name__=='__main__':
- create_path_if_not_exists('model/model1/XGBoost/version_1')
运行上面的文件，可以看到嵌套文件‘model/model2/XGBoost/version_2’自动建成了。现在便可以将模型或者数据储存到新的目录里了!
- import joblib
- import os
- defcreate_path_if_not_exists(datapath):
- '''Create thenew file if not exists and save the data'''
- ifnot os.path.exists(datapath):
- os.makedirs(datapath)
- if __name__=='__main__':
- # Create directory
- model_path ='model/model2/XGBoost/version_2'
- create_path_if_not_exists(model_path)
- # Save file
- joblib.dump(model, model_path)
Bash for循环：用不同参数运行一个文件
如果要运行一个具有不同参数的文件怎么办呢?比如，可能要用同一个脚本去预测使用不同模型的数据。
- import joblib
- # df = ...
- model_path ='model/model1/XGBoost/version_1'
- model = joblib.load(model_path)
- model.predict(df)
如果一个脚本需要长时间来运行且有着多个要运行的模型，用脚本一个一个地运行会是非常耗时。有什么办法能让电脑独立自动地用一条命令行运行第1，2，3...，10个模型吗?
有的，可以使用bash for循环。首先，使用sys.argv来解析命令行参数。如果想要在命令行上重写配置文件可以使用类如hydra的工具。
- import sys
- import joblib
- # df = ...
- model_type = sys.argv[1]
- model_version = sys.argv[2]
- model_path =f'''model/model1/{model_type}/version_{model_version}'''
- print('Loading modelfrom', model_path, 'for training')
- model = joblib.load(model_path)
- mode.predict(df)
- >>> python train.py XGBoost 1
- Loading model from model/model1/XGBoost/version_1 for training
脚本已经被指令为使用模具第一版的XGBoost来预测命令行上的数据。现在便能在不同版本的模具中使用bash for循环。如果能用Python使用for循环，也可以在如下的终端上达成上述的目标。
- $ for version in 2 3 4
- > do
- > python train.py XGBoost $version
- > done
敲击Enter来分隔各行，输出：
- Loading model from model/model1/XGBoost/version_1 for training
- Loading model from model/model1/XGBoost/version_2 for training
- Loading model from model/model1/XGBoost/version_3 for training
- Loading model from model/model1/XGBoost/version_4 for training
现在便可以让脚本使用不同的模具来运行啦!
恭喜!现在你已经学会如何一次自动地读取和创造多个文件，如何用不同的参数运行一个文档，过去丢在琐碎工作中的时间可以利用起来做更重要的任务啦。
