如何提升 Python 数据处理的工作效率

在我目前的工作中，我们需要在计算机上运行实验，然后对数据进行处理和分析。我们的任务是用白盒模拟器模拟某个混沌系统，修改模拟器并验证不同的优化方案和参数。

这个过程中，有很多非标准化的任务，需要创造性的思考和灵感。例如，我需要设计新的检测指标来观察系统性能，这就需要编写代码来计算统计量，然后重新运行实验，提取统计量，进行进一步的分析和可视化。

因此我遇到的一个问题就是业务需求的变化比系统开发的速度快，很少能有重复使用超过 10 次的代码路径和脚本命令。在这种情况下，我倾向于编写原始的代码，避免高级的系统封装。

尽管写代码很舒服，但我发现自己的编码速度跟不上需求的变化，这让我感到有些挫败。有时候，我会陷入过度优化系统的陷阱，而不是专注于业务问题（例如，跑去设计一个 workflow 的 wrapper 让一天的日报白给）。

我认识到编码速度的问题是因为我的技术水平不足，因此我充满了好奇心，不断学习新的技能，但这有时会分散我的注意力。例如，我认为将图形化的 web 应用可以提高重点工作流的效率和降低脑力消耗，因此我开始学习了 web 开发的基础知识，虽然这与我的主要领域有些不相关。

此外，在任务管理方面，我通常编写一堆不太容易维护的 bash 脚本，并使用 parallel 进行并行处理。这会涉及大量字符串操作，例如从文件路径中提取信息，然后使用这些信息生成新的路径和标签。我梦想着拥有像 PowerShell 那样的对象模型，而不是不断地处理字符串。我也试图探索一些任务管理系统，如青龙面板和 awesome-workflow-engine ，但由于权限问题，我无法在正式工作流程中使用它们。

这就是我在工作中遇到的问题和挑战，我希望能听听各位大佬的建议和经验，特别是在数据处理、编码和任务管理方面。

NoOneNoBody

2023-08-20 19:38:50 +08:00

首先你要将一些东西模块化、流程化，写好不同的模块类，然后用抽象类继承做流程化
例如必经步骤是路径处理，你就写好一些处理的函数或，然后定制为输入单一变量就能得到结果，多用继承和闭包
指定 csv 放在哪里、dataset 放在哪里、结果放在哪里……规范好子路径名字，你的路径函数就“可程序化”了

少用外部命令作为前置，将这些前置的 bash 等写成等效的 python 并函数化，这样你可以在程序中调用，而不是每次重写一个 bash

如果字符串有一定规律，善用 pandas
很多人以为 pandas 只是处理数值，其实 series.str 系列函数很强大，而且是向量化的，另外它基本兼容正则，直接用加个 regex=True 的参数即可，无需分开再 import re 另写一段代码
例如两个等长的字符串列表按序号用逗号拼接
pd.Series(['a', 'b', 'c']).str.cat(pd.Series(['A', 'B', 'C']), sep=',') 就得到了 ['aA', 'bB', 'cC'] 了，向量化函数速度很快的
，数据量大的话，远超遍历乃至并行，我经常用来批处理数千上万个路径

def longestSubFromStart(strings:tuple[str]):
return ''.join(next(zip(*(itertools.takewhile(more_itertools.all_equal, zip(*strings)))), ''))
知道这个函数做什么么？它是从一堆字符串(tuple)，找每一个从开头都相同的部分
最明显用处就是找公共的最长父路径了

字符串处理有很多很有用的包，就看你怎么发掘他们的用途了，例如用 AC 自动机做分类

如果你不是做全栈的，建议不要想到什么就学什么，先规范数据输出格式，交给前端，他们自然能懂怎么输出漂亮的图表；你只需会用简单的 matplotlib 检查 chart 没有什么错误就好了，你自己学 web 还有 css 会很累的

Wonicon

2023-08-20 23:54:17 +08:00

感谢各位的回复。主要是对数据处理流程的打磨和交互体验设计不是我的本业，不是我需要交付和向上汇报的内容，但明显作为工具，它变强大应该是对我有利的。现在主要是处于一个短平快 v.s. 搞个大系统的纠结状态。

比如说我在服务端用 seaborn 很多 case 生成了图表，该如何查阅，该如何有启发地组织复数张图，让我感到大脑过载。就说查阅部分，我可以有几种方案：
1. sftp 拖到本地查看
2. 起一个 http 服务器，点目录点过去，并且写了个生成 url 的小命令，可以点击直达（感谢 mobaxterm 的默认设置）
3. 做一个 web 应用，像我肚子里的蛔虫一样把图片列好

因为不是本业，我对 web 行业那种高度发达的数据联动的能力一无所知同时也很向往。但我又不太敢直接切换 context ，只能靠俺寻思之力靠基础技术搞一些土味基建。