网页制作免费的素材网站舆情分析报告案例

DAY 31 文件的规范拆分和写法

1.规范的文件命名

2.规范的文件夹管理

项目核心代码组织

src/（source的缩写）：存放项目的核心源代码。按照机器学习项目阶段进一步细分：

src/data/：放置与数据相关的代码。

src/data/load_data.py：负责从各类数据源（如文件系统、数据库、API 等）读取原始数据。

src/data/preprocess.py：进行数据清洗（处理缺失值、异常值）、数据转换（标准化、归一化、编码等）操作。

src/data/feature_engineering.py：根据业务和数据特点，创建新特征或对现有特征进行选择、优化。

src/models/：关于模型的代码。

src/models/model.py：定义模型架构，比如神经网络结构、机器学习算法模型设定等。

src/models/train.py：设置模型超参数，并执行训练过程，保存训练好的模型。

src/models/evaluate.py：使用合适的评估指标（如准确率、召回率、均方误差等），在测试集上评估模型性能，生成评估报告。

src/models/predict.py 或 src/models/inference.py：利用训练好的模型对新数据进行预测。

src/utils/：存放通用辅助函数代码，可进一步细分：

src/utils/io_utils.py：包含文件读写相关帮助函数，比如读取特定格式文件、保存数据到文件等。

src/utils/logging_utils.py：实现日志记录功能，方便记录项目运行过程中的信息，便于调试和监控。

src/utils/math_utils.py：特定的数值计算函数，像自定义的矩阵运算、统计计算等。

src/utils/plotting_utils.py：绘图工具函数，用于生成数据可视化图表（如绘制损失函数变化曲线、特征分布直方图等 ）。

配置文件管理

config/ 目录：集中存放项目的配置文件，方便管理和切换不同环境（开发、测试、生产）的配置。

config/config.py 或 config/settings.py：以 Python 代码形式定义配置参数。

config/config.yaml 或 config/config.json：采用 YAML 或 JSON 格式，清晰列出文件路径、模型超参数、随机种子、API 密钥等可配置参数。

.env 文件：通常放在项目根目录，用于存储敏感信息（如数据库密码、API 密钥等），在代码中通过环境变量的方式读取，一般会被 .gitignore 忽略，防止敏感信息泄露。

实验与探索代码

notebooks/ 或 experiments/ 目录：用于初期的数据探索、快速实验、模型原型验证。

notebooks/initial_eda.ipynb：在项目初期，使用 Jupyter Notebook 进行数据探索与可视化，了解数据特性，分析数据分布、相关性等。

experiments/model_experimentation.py：编写脚本对不同模型架构、超参数组合进行快速实验，对比实验结果，寻找最优模型设置。

项目产出物管理

data/ 目录：存放项目相关数据。

data/raw/：放置从外部获取的未经处理的原始数据，保持数据原始状态。

data/processed/：存放经过预处理（清洗、转换、特征工程等操作）后的数据，供模型训练和评估使用。

data/interim/：（可选）保存中间处理结果，比如数据清洗过程中生成的临时文件、特征工程中间步骤产生的数据等。

models/ 目录：专门存放训练好的模型文件，根据模型保存格式不同，可能是 .pkl（Python pickle 格式，常用于保存 sklearn 模型 ）、.h5（常
用于保存 Keras 模型 ）、.joblib 等。

reports/ 或 output/ 目录：存储项目运行产生的各类报告和输出文件。

reports/evaluation_report.txt：记录模型评估的详细结果，包括各项评估指标数值、模型性能分析等。

reports/visualizations/：存放数据可视化图片，如损失函数收敛图、预测结果对比图等。

output/logs/：保存项目运行日志文件，记录项目从开始到结束过程中的关键信息，如训练开始时间、训练过程中的损失值变化、预测时间等。

3.机器学习项目的拆分

首先，按照机器学习的主要工作流程（数据处理、训练、评估等）将代码分离到不同的 .py 文件中。 这是最基本也是最有价值的一步。

然后，创建一个 utils.py 来存放通用的辅助函数。

考虑将所有配置参数集中到一个 config.py 文件中。

为你的数据和模型产出物创建专门的顶层目录，如 data/ 和 models/，将它们与你的源代码（通常放在 src/ 目录）分开。

4.编码格式和类型注解

编码格式

规范的py文件，首行会有：# – coding: utf-8 –

主要目的是 显式声明文件的编码格式，确保 Python 解释器能正确读取和解析文件中的非 ASCII 字符（如中文、日文、特殊符号等）。也就是说这个是写给解释器看的。

类型注解

Python 的类型注解是在 Python 3.5+ 引入的特性，用于为变量、函数参数、返回值和类属性等添加类型信息。虽然 Python 仍是动态类型语言，但类型注解可以提高代码可读性、可维护性，并支持静态类型检查工具（如 mypy）。

作业：尝试针对之前的心脏病项目ipynb，将他按照今天的示例项目整理成规范的形式，思考下哪些部分可以未来复用。

heart_disease_project/

├── data/ # 数据管理

│ ├── raw/ # 原始数据（heart.csv）

│ └── processed/ # 处理后的数据

├── models/ # 保存训练好的模型

│ └── model.pkl

├── notebook/ # 探索性分析

│ └── initial_eda.ipynb # 初步数据分析

├── src/ # 核心代码

│ ├── data/ # 数据相关模块

│ │ ├── load_data.py # 数据加载（可复用）

│ │ ├── preprocess.py # 数据预处理（可复用）

│ │ └── feature_engineering.py # 特征工程（可复用）

│ ├── models/ # 模型相关模块

│ │ ├── model.py # 模型定义（可复用）

│ │ ├── train.py # 训练逻辑（可复用）

│ │ └── evaluate.py # 评估逻辑（可复用）

│ └── utils/ # 通用工具

│ ├── io_utils.py # 文件读写（高度复用）

│ ├── logging_utils.py# 日志管理（高度复用）

│ └── plotting_utils.py # 可视化工具（高度复用）

└── requirements.txt # 依赖库列表

@浙大疏锦行