读取、创建和运行多个文件的3个Python技巧

waiwaiLILI 2020-11-03

读取、创建和运行多个文件的3个Python技巧

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!

相关推荐