動機

將代碼投入生產時，你很可能需要處理代碼文件的組織。讀取、創建和運行許多數據文件非常耗時。本文將向你展示如何自動

• 循環訪問目錄中的文件
• 如果不存在嵌套文件，創建它們
• 使用bash for loop運行一個具有不同輸入的文件

這些技巧為我在數據科學項目中節省了很多時間。我希望你也會發現它們有用!

循環訪問目錄中的文件

如果我們要像這樣讀取和處理多個數據：

 

├── data 
│   ├── data1.csv 
│   ├── data2.csv 
│   └── data3.csv 
└── main.py 

 

我們可以嘗試一次手動讀取一個文件

 

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) 

 

當我們有3個以上的數據時，這是可以的，但不是有效的。如果我們在上面的腳本中只更改了數據，為什么不使用for循環來訪問每個數據呢?

下面的腳本允許我們遍歷指定目錄中的文件

 

import os 
import pandas as pd 
def loop_directory(directory: str): 
    '''循環目錄中的文件''' 
 
    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 

以下是對上述腳本的解釋

• for filename in os.listdir(directory)：循環訪問特定目錄中的文件
• if filename.endswith(".csv")：訪問以“.csv”結尾的文件
• file_directory = os.path.join(directory, filename)：連接父目錄('data')和目錄中的文件。

現在我們可以訪問“data”目錄中的所有文件!

如果不存在嵌套文件，創建它們

有時，我們可能希望創建嵌套文件來組織代碼或模型，這使得將來更容易找到它們。例如，我們可以使用“model 1”來指定特定的特征工程。

在使用模型1時，我們可能需要使用不同類型的機器學習模型來訓練我們的數據(“model1/XGBoost”)。

在使用每個機器學習模型時，我們甚至可能希望保存模型的不同版本，因為模型使用的超參數不同。

因此，我們的模型目錄看起來像下面這樣復雜

 

model 
├── model1 
│   ├── NaiveBayes 
│   └── XGBoost 
│       ├── version_1 
│       └── version_2 
└── model2 
    ├── NaiveBayes 
    └── XGBoost 
        ├── version_1 
        └── version_2 

 

對于我們創建的每個模型，手動創建一個嵌套文件可能需要很多時間。有沒有辦法讓這個過程自動化?是的，os.makedirs(datapath)。

 

def create_path_if_not_exists(datapath): 
    '''如果不存在，則創建新文件并保存數據''' 
 
    if not os.path.exists(datapath): 
        os.makedirs(datapath)  
 
if __name__=='__main__': 
create_path_if_not_exists('model/model1/XGBoost/version_1') 

 

運行上面的文件，你應該會看到嵌套文件'model/model2/XGBoost/version_2'自動創建!

現在你可以將模型或數據保存到新目錄中!

 

import joblib 
import os  
 
def create_path_if_not_exists(datapath): 
    '''如果不存在就創建''' 
 
    if not os.path.exists(datapath): 
        os.makedirs(datapath)  
 
if __name__=='__main__': 
 
  # 創建目錄 
  model_path = 'model/model2/XGBoost/version_2' 
  create_path_if_not_exists(model_path) 
 
  # 保存 
  joblib.dump(model, model_path) 

 

Bash for Loop：使用不同的參數運行一個文件

如果我們想用不同的參數運行一個文件呢?例如，我們可能希望使用相同的腳本來使用不同的模型來預測數據。

 

import joblib 
 
# df = ... 
 
model_path = 'model/model1/XGBoost/version_1' 
model = joblib.load(model_path) 
model.predict(df) 

 

如果一個腳本需要很長時間才能運行，而我們有多個模型要運行，那么等待腳本運行完畢然后運行下一個腳本將非常耗時。有沒有一種方法可以告訴計算機用一個命令行運行1，2，3，10，然后去做其他的事情。

是的，我們可以用for bash for loop。首先，我們使用系統argv使我們能夠解析命令行參數。如果要覆蓋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!我們剛剛告訴我們的腳本使用模型XGBoost，version 1來預測命令行上的數據。現在我們可以使用bash循環遍歷模型的不同版本。

如果你可以使用Python執行for循環，那么也可以在下面這樣的終端上執行

 

$ for version in 2 3 4 
> do 
> python train.py XGBoost $version 
> done 

 

鍵入Enter分隔行

輸出：

 

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 

 

現在，你可以在使用不同模型運行腳本的同時執行其他操作!多方便啊!

結論

祝賀你!你剛剛學習了如何同時自動讀取和創建多個文件。你還學習了如何使用不同的參數運行一個文件。手動讀、寫和運行文件的時間現在可以節省下來，用于更重要的任務。