1. 规范的文件命名

核心原则：

清晰明确：文件名应准确描述内容（如data_preprocessing.py）

风格统一：

推荐小写+下划线（Python惯例，如model_training.py）

或使用驼峰式（如DataVisualization.java）

避免特殊字符

 

2. 规范的文件夹管理

标准结构示例：

project_root/

│── data/                # 数据文件

│   ├── raw/             # 原始数据（不可修改）

│   ├── processed/       # 处理后的数据

│   └── external/        # 第三方数据

│── docs/                # 文档

│── src/                 # 源代码

│   ├── utils/           # 通用工具

│   └── modeling/        # 模型代码

│── notebooks/           # Jupyter笔记本

│── tests/               # 单元测试

│── configs/             # 配置文件

│── outputs/             # 输出结果（模型/日志）

└── README.md            # 项目说明

 

3. 机器学习项目的拆分

典型工作流模块：

数据层：

采集 (data_collection.py)

清洗 (data_cleaning.py)

特征工程 (feature_engineering.py)

模型层：

训练 (train.py)

评估 (evaluation.py)

预测服务 (predict.py)

支持模块：

配置管理 (config.py)

日志工具 (logger.py)

异常处理 (exceptions.py)

拆分解耦技巧：

使用pipeline组织工作流

通过__init__.py控制模块暴露接口

依赖抽象（如定义BaseModel接口）

 

 

 

4. 编码格式和类型注解

Python规范：

PEP8标准：

行长≤79字符

函数间空2行，类方法空1行

import分组（标准库/第三方/本地）