Phần này tổng hợp bốn thói quen thực hành và bảng cheat sheet. Hãy lưu lại để tra khi cần, không cần nhớ ngay.
Bốn thói quen của người viết code ML tốt
Tránh for-loop cho số
Nếu bạn đang viết for-loop để cộng, nhân hoặc tính trên array, gần như luôn có cách NumPy làm ngắn gọn và nhanh hơn nhiều lần.
Đặt head, info và describe ngay khi load
Ba lệnh này luôn chạy trước khi làm bất cứ việc gì khác. Chúng cho biết kiểu dữ liệu, số hàng và giá trị thiếu.
Dùng .copy() khi cần
df2 = df[df['diem'] >= 8] đôi khi là một view: sửa df2 cũng sửa df gốc. Thêm .copy() để tránh lỗi thầm lặng.
Đặt seed khi có ngẫu nhiên
np.random.seed(42) giúp kết quả lặp lại được. Không có seed, mỗi lần chạy ra một con số khác và không debug được.
Vectorization — phép màu dưới lòng NumPy
Khi bạn viết a + b với hai array NumPy có shape (n,), NumPy chạy một vòng lặp C:
ci=ai+bivới i=0,1,…,n−1 Công việc giống hệt for-loop Python, nhưng mã C đã biên dịch trước nên không có overhead của interpreter, nhanh hơn khoảng 100 lần. Tương tự với np.sqrt(a), a * 2 và a @ b (nhân ma trận):
(A⋅B)ij=k=0∑n−1AikBkj Mọi vòng lặp bên trong đều chạy bằng C. Bạn chỉ viết một dòng; NumPy lo phần còn lại.
Cheat sheet — 15 lệnh dùng nhiều nhất
| Thư viện | Lệnh | Dùng khi nào |
|---|
| NumPy | np.array(list) | Biến list Python thành array |
| NumPy | np.arange(n) / np.linspace(a, b, n) | Tạo dãy số đều |
| NumPy | a.reshape(r, c) | Đổi shape không đổi dữ liệu |
| NumPy | a.mean() / .std() / .sum() | Thống kê nhanh |
| NumPy | a[a > 5] | Lọc bằng boolean mask |
| Pandas | pd.read_csv('file.csv') | Nạp file CSV vào DataFrame |
| Pandas | df.head() / .info() / .describe() | Ba lệnh đầu tiên với dataset mới |
| Pandas | df['col'] | Chọn 1 cột (ra Series) |
| Pandas | df[df['x'] > 5] | Lọc hàng theo điều kiện |
| Pandas | df.groupby('x').agg(...) | Tổng hợp theo nhóm (PivotTable) |
| Pandas | a.merge(b, on='key') | Nối 2 bảng theo cột chung |
| Pandas | df.dropna() | Xoá hàng có giá trị thiếu |
| Matplotlib | plt.plot(x, y) | Đường line (loss, accuracy) |
| Matplotlib | plt.hist(a, bins=20) | Phân phối của một biến |
| Matplotlib | plt.scatter(x, y) | Quan hệ giữa hai biến |
Vì sao cột trong DataFrame là NumPy array?
Pandas xây trên NumPy. Mỗi cột trong DataFrame thực chất là một NumPy array có nhãn. Khi gọi df['diem'].mean(), Pandas chuyển lời gọi sang np.mean trên array bên dưới. Nghĩa là mọi vectorization của NumPy đều có sẵn trong Pandas mà không tốn thêm chi phí nhãn.
Khi nào không nên dùng NumPy và Pandas?
Với dữ liệu không đồng nhất (mỗi hàng có một danh sách dài khác nhau), dict Python hoặc polars có thể phù hợp hơn. Dữ liệu nhiều terabyte thì dùng Spark hoặc Dask. Nhưng với đa số dự án ML đầu tiên bạn gặp, NumPy và Pandas là đủ.
Sau ba thư viện này, bước tiếp theo là Tiền xử lý dữ liệu (missing values, encoding, scaling) và Kỹ thuật đặc trưng.