动机
将代码投入生产时，你很可能需要处理代码文件的组织。读取、创建和运行许多数据文件非常耗时。本文将向你展示如何自动
- 循环访问目录中的文件
- 如果不存在嵌套文件，创建它们
- 使用bash for loop运行一个具有不同输入的文件
这些技巧为我在数据科学项目中节省了很多时间。我希望你也会发现它们有用!
循环访问目录中的文件
如果我们要像这样读取和处理多个数据：
- ├── data
- │ ├── data1.csv
- │ ├── data2.csv
- │ └── data3.csv
- └── main.py
我们可以尝试一次手动读取一个文件
- import pandas as pd
- def process_data(df):
- pass
- df = 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)
当我们有3个以上的数据时，这是可以的，但不是有效的。如果我们在上面的脚本中只更改了数据，为什么不使用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
- def loop_directory(directory: str):
- '''循环目录中的文件'''
- 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)
- else:
- continue
- if __name__=='__main__':
- loop_directory('data/')
- data/data3.csv
- data/data2.csv
- data/data1.csv
以下是对上述脚本的解释
- for filename in os.listdir(directory)：循环访问特定目录中的文件
- if filename.endswith(".csv")：访问以“.csv”结尾的文件
- file_directory = os.path.join(directory, filename)：连接父目录('data')和目录中的文件。
现在我们可以访问“data”目录中的所有文件!
如果不存在嵌套文件，创建它们
有时，我们可能希望创建嵌套文件来组织代码或模型，这使得将来更容易找到它们。例如，我们可以使用“model 1”来指定特定的特征工程。
在使用模型1时，我们可能需要使用不同类型的机器学习模型来训练我们的数据(“model1/XGBoost”)。
在使用每个机器学习模型时，我们甚至可能希望保存模型的不同版本，因为模型使用的超参数不同。
因此，我们的模型目录看起来像下面这样复杂
- model
- ├── model1
- │ ├── NaiveBayes
- │ └── XGBoost
- │ ├── version_1
- │ └── version_2
- └── model2
- ├── NaiveBayes
- └── XGBoost
- ├── version_1
- └── version_2
对于我们创建的每个模型，手动创建一个嵌套文件可能需要很多时间。有没有办法让这个过程自动化?是的，os.makedirs(datapath)。
- def create_path_if_not_exists(datapath):
- '''如果不存在，则创建新文件并保存数据'''
- if not 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，你应该会看到嵌套文件'model/model2/XGBoost/version_2'自动创建!
现在你可以将模型或数据保存到新目录中!
- import joblib
- import os
- def create_path_if_not_exists(datapath):
- '''如果不存在就创建'''
- if not os.path.exists(datapath):
- os.makedirs(datapath)
- if __name__=='__main__':
- # 创建目录
- model_path = 'model/model2/XGBoost/version_2'
- create_path_if_not_exists(model_path)
- # 保存
- joblib.dump(model, model_path)
Bash for Loop：使用不同的参数运行一个文件
如果我们想用不同的参数运行一个文件呢?例如，我们可能希望使用相同的脚本来使用不同的模型来预测数据。
- import joblib
- # df = ...
- model_path = 'model/model1/XGBoost/version_1'
- model = joblib.load(model_path)
- model.predict(df)
如果一个脚本需要很长时间才能运行，而我们有多个模型要运行，那么等待脚本运行完毕然后运行下一个脚本将非常耗时。有没有一种方法可以告诉计算机用一个命令行运行1，2，3，10，然后去做其他的事情。
是的，我们可以用for bash for loop。首先，我们使用系统argv使我们能够解析命令行参数。如果要覆盖命令行上的配置文件，也可以使用hydra等工具。
- 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 model from', 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
太好了!我们刚刚告诉我们的脚本使用模型XGBoost，version 1来预测命令行上的数据。现在我们可以使用bash循环遍历模型的不同版本。
如果你可以使用Python执行for循环，那么也可以在下面这样的终端上执行
- $ for version in 2 3 4
- > do
- > python train.py XGBoost $version
- > done
键入Enter分隔行
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，你可以在使用不同模型运行脚本的同时执行其他操作!多方便啊!
结论
祝贺你!你刚刚学习了如何同时自动读取和创建多个文件。你还学习了如何使用不同的参数运行一个文件。手动读、写和运行文件的时间现在可以节省下来，用于更重要的任务。
