[[269895]]

在過去，神諭和魔法師被認為擁有發現奧秘的力量，國王和統治者們會借助他們預測未來，或者至少是聽取一些建議。如今我們生活在一個癡迷于將一切事情量化的社會里，這份工作就交給數據科學家了。

數據科學家通過使用統計模型、數值分析，以及統計學之外的高級算法，結合數據庫里已經存在的數據，去發掘、推斷和預測尚不存在的數據（有時是關于未來的數據）。這就是為什么我們要做這么多的預測分析和規劃分析。

下面是一些可以借助數據科學家回答的問題：

1. 哪些學生有曠課傾向？每個人曠課的原因分別是什么？
2. 哪棟房子的售價比合理價格要高或者低？一棟房子的合理價格是多少？
3. 如何將我們的客戶按照潛在的特質進行分組？
4. 這個孩子的早熟可能會在未來引發什么問題？
5. 我們的呼叫中心在明天早上 11 點 43 分會接收到多少次呼叫？
6. 我們的銀行是否應該向這位客戶發放貸款？

請注意，這些問題的答案是在任何數據庫里都查詢不到的，因為它們尚不存在，需要被計算出來才行。這就是我們數據科學家從事的工作。

在這篇文章中你會學習如何將 Fedora 系統打造成數據科學家的開發環境和生產系統。其中大多數基本軟件都有 RPM 軟件包，但是***進的組件目前只能通過 Python 的 pip 工具安裝。

Jupyter IDE

大多數現代數據科學家使用 Python 工作。他們工作中很重要的一部分是 探索性數據分析Exploratory Data Analysis（EDA）。EDA 是一種手動進行的、交互性的過程，包括提取數據、探索數據特征、尋找相關性、通過繪制圖形進行數據可視化并理解數據的分布特征，以及實現原型預測模型。

Jupyter 是能夠***勝任該工作的一個 web 應用。Jupyter 使用的 Notebook 文件支持富文本，包括渲染精美的數學公式（得益于 mathjax）、代碼塊和代碼輸出（包括圖形輸出）。

Notebook 文件的后綴是 .ipynb，意思是“交互式 Python Notebook”。

搭建并運行 Jupyter

首先，使用 sudo 安裝 Jupyter 核心軟件包：

$ sudo dnf install python3-notebook mathjax sscg

你或許需要安裝數據科學家常用的一些附加可選模塊：

$ sudo dnf install python3-seaborn python3-lxml python3-basemap python3-scikit-image python3-scikit-learn python3-sympy python3-dask+dataframe python3-nltk

設置一個用來登錄 Notebook 的 web 界面的密碼，從而避免使用冗長的令牌。你可以在終端里任何一個位置運行下面的命令：

$ mkdir -p $HOME/.jupyter
$ jupyter notebook password

然后輸入你的密碼，這時會自動創建 $HOME/.jupyter/jupyter_notebook_config.json 這個文件，包含了你的密碼的加密后版本。

接下來，通過使用 SSLby 為 Jupyter 的 web 服務器生成一個自簽名的 HTTPS 證書：

$ cd $HOME/.jupyter; sscg

配置 Jupyter 的***一步是編輯 $HOME/.jupyter/jupyter_notebook_config.json 這個文件。按照下面的模版編輯該文件：

{
   "NotebookApp": {
     "password": "sha1:abf58...87b",
     "ip": "*",
     "allow_origin": "*",
     "allow_remote_access": true,
     "open_browser": false,
     "websocket_compression_options": {},
     "certfile": "/home/aviram/.jupyter/service.pem",
     "keyfile": "/home/aviram/.jupyter/service-key.pem",
     "notebook_dir": "/home/aviram/Notebooks"
   }
}

/home/aviram/ 應該替換為你的文件夾。sha1:abf58...87b 這個部分在你創建完密碼之后就已經自動生成了。service.pem 和 service-key.pem 是 sscg 生成的和加密相關的文件。

接下來創建一個用來存放 Notebook 文件的文件夾，應該和上面配置里 notebook_dir 一致：

$ mkdir $HOME/Notebooks

你已經完成了配置。現在可以在系統里的任何一個地方通過以下命令啟動 Jupyter Notebook：

$ jupyter notebook

或者是將下面這行代碼添加到 $HOME/.bashrc 文件，創建一個叫做 jn 的快捷命令：

alias jn='jupyter notebook'

運行 jn 命令之后，你可以通過網絡內部的任何一個瀏覽器訪問 <https://your-fedora-host.com:8888> （LCTT 譯注：請將域名替換為服務器的域名），就可以看到 Jupyter 的用戶界面了，需要使用前面設置的密碼登錄。你可以嘗試鍵入一些 Python 代碼和標記文本，看起來會像下面這樣：

Jupyter with a simple notebook

除了 IPython 環境，安裝過程還會生成一個由 terminado 提供的基于 web 的 Unix 終端。有人覺得這很實用，也有人覺得這樣不是很安全。你可以在配置文件里禁用這個功能。

JupyterLab：下一代 Jupyter

JupyterLab 是下一代的 Jupyter，擁有更好的用戶界面和對工作空間更強的操控性。在寫這篇文章的時候 JupyterLab 還沒有可用的 RPM 軟件包，但是你可以使用 pip 輕松完成安裝：

$ pip3 install jupyterlab --user
$ jupyter serverextension enable --py jupyterlab

然后運行 jupiter notebook 命令或者 jn 快捷命令。訪問 <http://your-linux-host.com:8888/lab> （LCTT 譯注：將域名替換為服務器的域名）就可以使用 JupyterLab 了。

數據科學家使用的工具

在下面這一節里，你將會了解到數據科學家使用的一些工具及其安裝方法。除非另作說明，這些工具應該已經有 Fedora 軟件包版本，并且已經作為前面組件所需要的軟件包而被安裝了。

Numpy

Numpy 是一個針對 C 語言優化過的高級庫，用來處理大型的內存數據集。它支持高級多維矩陣及其運算，并且包含了 log()、exp()、三角函數等數學函數。

Pandas

在我看來，正是 Pandas 成就了 Python 作為數據科學***平臺的地位。Pandas 構建在 Numpy 之上，可以讓數據準備和數據呈現工作變得簡單很多。你可以把它想象成一個沒有用戶界面的電子表格程序，但是能夠處理的數據集要大得多。Pandas 支持從 SQL 數據庫或者 CSV 等格式的文件中提取數據、按列或者按行進行操作、數據篩選，以及通過 Matplotlib 實現數據可視化的一部分功能。

Matplotlib

Matplotlib 是一個用來繪制 2D 和 3D 數據圖像的庫，在圖象注解、標簽和疊加層方面都提供了相當不錯的支持。

matplotlib pair of graphics showing a cost function searching its optimal value through a gradient descent algorithm

Seaborn

Seaborn 構建在 Matplotlib 之上，它的繪圖功能經過了優化，更加適合數據的統計學研究，比如說可以自動顯示所繪制數據的近似回歸線或者正態分布曲線。

Linear regression visualised with SeaBorn

StatsModels

StatsModels 為統計學和經濟計量學的數據分析問題（例如線形回歸和邏輯回歸）提供算法支持，同時提供經典的 時間序列算法 家族 ARIMA。

Normalized number of passengers across time \(blue\) and ARIMA-predicted number of passengers \(red\)

Scikit-learn

作為機器學習生態系統的核心部件，Scikit 為不同類型的問題提供預測算法，包括 回歸問題（算法包括 Elasticnet、Gradient Boosting、隨機森林等等）、分類問題 和聚類問題（算法包括 K-means 和 DBSCAN 等等），并且擁有設計精良的 API。Scikit 還定義了一些專門的 Python 類，用來支持數據操作的高級技巧，比如將數據集拆分為訓練集和測試集、降維算法、數據準備管道流程等等。

XGBoost

XGBoost 是目前可以使用的***進的回歸器和分類器。它并不是 Scikit-learn 的一部分，但是卻遵循了 Scikit 的 API。XGBoost 并沒有針對 Fedora 的軟件包，但可以使用 pip 安裝。使用英偉達顯卡可以提升 XGBoost 算法的性能，但是這并不能通過 pip 軟件包來實現。如果你希望使用這個功能，可以針對 CUDA （LCTT 譯注：英偉達開發的并行計算平臺）自己進行編譯。使用下面這個命令安裝 XGBoost：

$ pip3 install xgboost --user

Imbalanced Learn

Imbalanced-learn 是一個解決數據欠采樣和過采樣問題的工具。比如在反欺詐問題中，欺詐數據相對于正常數據來說數量非常小，這個時候就需要對欺詐數據進行數據增強，從而讓預測器能夠更好地適應數據集。使用 pip 安裝：

$ pip3 install imblearn --user

NLTK

Natural Language toolkit（簡稱 NLTK）是一個處理人類語言數據的工具，舉例來說，它可以被用來開發一個聊天機器人。

SHAP

機器學習算法擁有強大的預測能力，但并不能夠很好地解釋為什么做出這樣或那樣的預測。SHAP 可以通過分析訓練后的模型來解決這個問題。

Where SHAP fits into the data analysis process

使用 pip 安裝：

$ pip3 install shap --user

Keras

Keras 是一個深度學習和神經網絡模型的庫，使用 pip 安裝：

$ sudo dnf install python3-h5py
$ pip3 install keras --user

TensorFlow

TensorFlow 是一個非常流行的神經網絡模型搭建工具，使用 pip 安裝：

$ pip3 install tensorflow --user