【Rust AI】01. 使用Jupyter学习Rust

简介

大家（好的，其实是大多数人）都说 Rust 很难，但我不这么认为。虽然 Rust 可能比 Python 稍微难一些，但我们可以像学习 Python 一样学习 Rust - 通过使用 Jupyter。

在本文中，我将向你展示如何以交互模式编写 Rust 代码，特别是在数据科学场景中。

安装

首先，你需要安装 Python 开发的交互式笔记本 Jupyter。你可以通过以下方式安装（我假设你之前已经安装了 Python）：

pipinstalljupyterlab

请记得检查安装是否成功，请运行以下命令：

jupyterlab

你将会看到一个 Web 用户界面，请立即关闭它。之后，我们需要安装 Evcxr Jupyter Kernel，它是 Jupyter 的 Rust 内核扩展。你可以通过以下方式安装（我假设你之前已经在计算机上安装了 Rust）：

cargoinstall--lockedevcxr_jupyter
evcxr_jupyter--install

之后，再次启动 Jupyter UI，你将看到类似于以下内容：

恭喜，我们在启动器面板上看到了 Rust 的标志。

只需单击 Notebook 部分下的 Rust 方块，我们就可以得到：

一切准备就绪，我们开始吧！

基本操作

为了练习本教程，我建议你具备 Rust 语言的基本背景。让我们从测试基本变量绑定开始，

输出:

输出会在 Rust 代码下一行打印，是的，是交互式的。

让我们继续。

看起来一切都很顺利。我们现在可以继续进行更复杂的任务。

我们将利用三个数据科学工具：polars、ndarray 和 plotters，学习如何使用 Rust 进行数据分析。

使用Polars分析数据集

在本教程中，我将选择泰坦尼克号数据集作为示例，以说明 Rust 的便利性。

根据 Bing 的说法：“泰坦尼克号数据集是用于数据科学和机器学习的流行数据集。它包含有关泰坦尼克号上的乘客的信息，包括年龄、性别、等级、票价以及他们是否在灾难中幸存。这个数据集经常用于预测建模练习，例如根据乘客的特征预测乘客是否能够幸存。这是一个适合数据分析和机器学习初学者的经典数据集，广泛用于 Kaggle 竞赛。”

我们可以从这里（https://huggingface.co/datasets/phihung/titanic）下载泰坦尼克号数据集，并将其移动到 dataset/ 子目录中。

添加依赖:

:depndarray={version="0.15.6"}
:deppolars={version="0.35.4",features=["describe","lazy","ndarray"]}
:depplotters={version="0.3.5",default_features=false,features=["evcxr","all_series","all_elements"]}

显示依赖:

:show_deps

输出:

ndarray={version="0.15.6"}
plotters={version="0.3.5",default_features=false,features=["evcxr","all_series","all_elements"]}
polars={version="0.35.4",features=["describe","lazy","ndarray"]}

将数据集读入 polars 内存:

usepolars::*;
usepolars::DataFrame;
usestd::Path;

fnread_data_frame_from_csv(
csv_file_path:&Path,
)->DataFrame{
CsvReader::from_path(csv_file_path)
.expect("Cannotopenfile.")
.has_header(true)
.finish()
.unwrap()
}

lettitanic_file_path:&Path=Path::new("dataset/titanic.csv");
lettitanic_df:DataFrame=read_data_frame_from_csv(titanic_file_path);

查看数据的形状:

titanic_df.shape()

输出:

(891,12)

DataFrame 是 polars 中的基本结构，与 Python Pandas 中的 DataFrame 相同，你可以将其视为具有每列命名标题的二维数据表格。

以下是查看数据集基本统计信息的代码示例：

titanic_df.describe(None)

输出:

我们可以看到这个数据集中有一些空单元格。

以下是查看数据集前 5 行的代码示例：

titanic_df.head(Some(5))

输出:

如果你想查看数据集中的列名，请使用 .schema() 方法。以下是代码示例：

titanic_df.schema()

输出:

Schema:
name:PassengerId,datatype:Int64
name:Survived,datatype:Int64
name:Pclass,datatype:Int64
name:Name,datatype:String
name:Sex,datatype:String
name:Age,datatype:Float64
name:SibSp,datatype:Int64
name:Parch,datatype:Int64
name:Ticket,datatype:String
name:Fare,datatype:Float64
name:Cabin,datatype:String
name:Embarked,datatype:String

使用以下代码来查看泰坦尼克号数据集中幸存者：

titanic_df["Survived"].value_counts(true,true)

输出:

Ok(shape:(2,2)
┌──────────┬───────┐
│Survived┆count│
│---┆---│
│i64┆u32│
╞══════════╪═══════╡
│0┆549│
│1┆342│
└──────────┴───────┘)

查看泰坦尼克号数据集中的性别分布：

titanic_df["Sex"].value_counts(true,true)

输出:

Ok(shape:(2,2)
┌────────┬────────┐
│Sex┆counts│
│---┆---│
│str┆u32│
╞════════╪════════╡
│male┆577│
│female┆314│
└────────┴────────┘)

你可以在 titanic_df DataFrame 上继续进行更复杂的 EDA（探索性数据分析）。

使用Plotters对数据可视化

接下来，我们可以使用 plotters crate 来可视化我们的输出数据。以下是导入 plotters crate 的符号:

useplotters::*;

画一个柱状图:

evcxr_figure((640,480),|root|{
letdrawing_area=root;
drawing_area.fill(&WHITE).unwrap();

letmutchart_context=ChartBuilder::on(&drawing_area)
.caption("TitanicDataset",("Arial",30).into_font())
.x_label_area_size(40)
.y_label_area_size(40)
.build_cartesian_2d((0..1).into_segmented(),0..800)?;

chart_context.configure_mesh()
.x_desc("Survived?")
.y_desc("Number").draw()?;

letdata_s:DataFrame=titanic_df["Survived"].value_counts(true,true).unwrap().select(vec!["counts"]).unwrap();
letmutdata_source=data_s.to_ndarray::(IndexOrder::Fortran).unwrap().into_raw_vec().into_iter();

chart_context.draw_series((0..).zip(data_source).map(|(x,y)|{
letx0=SegmentValue::Exact(x);
letx1=SegmentValue::Exact(x+1);
letmutbar=Rectangle::new([(x0,0),(x1,y)],BLUE.filled());
bar.set_margin(0,0,30,30);
bar
}))
.unwrap();

Ok(())
}).style("width:60%")

显示:

这段代码看起来有些冗长和繁琐，以后最好在 plotters 中封装一个简单的 API 。现在的核心问题是 1. 配置项过多，2. 类型转换复杂。

Plotters 支持各种图形、绘图和图表，你可以将 plotters 视为 Rust 生态系统中 Python matplotlib 的对应物，但它要赶上 matplotlib 的易用性，还有不小的差距。

有关 plotters 的更多信息，请访问：https://docs.rs/plotters/latest/plotters/

接下来，我们将介绍矩阵操作库 ndarray。

使用Ndarray操作矩阵

DataFrame 有一个方法可以将自身转换为 Ndarray 的多维矩阵。例如：

leta=UInt32Chunked::new("a",&[1,2,3]).into_series();
letb=Float64Chunked::new("b",&[10.,8.,6.]).into_series();

letdf=DataFrame::new(vec![a,b]).unwrap();
letndarray=df.to_ndarray::(IndexOrder::Fortran).unwrap();
println!("{:?}",ndarray);

将输出:

[[1.0,10.0],
[2.0,8.0],
[3.0,6.0]],shape=[3,2],strides=[1,3],layout=Ff(0xa),constndim=2

我们可以使用 ndarray crate 来进行复杂的矩阵操作。

导入 ndarray crate 的符号：

usendarray::*;

创建一个 2x3 矩阵:

array![[1.,2.,3.],[4.,5.,6.]]

输出:

[[1.0,2.0,3.0],
[4.0,5.0,6.0]],shape=[2,3],strides=[3,1],layout=Cc(0x5),constndim=2

创建一个范围:

Array::range(0.,10.,0.5)

输出:

[0.0,0.5,1.0,1.5,2.0,2.5,3.0,3.5,4.0,4.5,5.0,5.5,6.0,6.5,7.0,7.5,8.0,8.5,9.0,9.5],shape=[20],strides=[1],layout=CFcf(0xf),constndim=1

创建一个具有指定相等间隔的范围:

Array::linspace(0.,10.,18)

输出:

[0.0,0.5882352941176471,1.1764705882352942,1.7647058823529411,2.3529411764705883,2.9411764705882355,3.5294117647058822,4.11764705882353,4.705882352941177,5.294117647058823,5.882352941176471,6.470588235294118,7.0588235294117645,7.647058823529412,8.23529411764706,8.823529411764707,9.411764705882353,10.0],shape=[18],strides=[1],layout=CFcf(0xf),constndim=1

以下是创建一个 3x4x5 矩阵（也称为机器学习中的“张量”）的代码示例：

Array::::ones((3,4,5))

输出:

[[[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0]],

[[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0]],

[[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0],
[1.0,1.0,1.0,1.0,1.0]]],shape=[3,4,5],strides=[20,5,1],layout=Cc(0x5),constndim=3

以下是创建一个零值初始矩阵的代码示例：

Array::::zeros((3,4,5))

输出:

[[[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0]],

[[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0]],

[[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0],
[0.0,0.0,0.0,0.0,0.0]]],shape=[3,4,5],strides=[20,5,1],layout=Cc(0x5),constndim=3

对行和列求和

letarr=array![[1.,2.,3.],[4.,5.,6.]];

按行求和

arr.sum_axis(Axis(0))

输出:

[5.0,7.0,9.0],shape=[3],strides=[1],layout=CFcf(0xf),constndim=1

按列求和:

arr.sum_axis(Axis(1))

输出:

[6.0,15.0],shape=[2],strides=[1],layout=CFcf(0xf),constndim=1

所有元素求和:

arr.sum()

输出:

21.0

矩阵转置:

arr.t()

输出:

[[1.0,4.0],
[2.0,5.0],
[3.0,6.0]],shape=[3,2],strides=[1,3],layout=Ff(0xa),constndim=2

求点积:

arr.dot(&arr.t())

输出:

[[14.0,32.0],
[32.0,77.0]],shape=[2,2],strides=[2,1],layout=Cc(0x5),constndim=2

求方根:

arr.mapv(f64::sqrt)

输出:

[[1.0,1.4142135623730951,1.7320508075688772],
[2.0,2.23606797749979,2.449489742783178]],shape=[2,3],strides=[3,1],layout=Cc(0x5),constndim=2

矩阵操作暂时演示到这里。ndarray 是一个非常强大的工具，你可以使用它来执行与矩阵和线性代数相关的任何任务。

回顾

在本文中，我演示了如何使用 Jupyter 交互式地学习 Rust。Jupyter 是数据科学家（或学生）的超级工具，我们现在可以使用 Rust 在 Jupyter 中完成探索性数据分析任务。Polars、plotters 和 ndarray 是强大的工具集，可以帮助我们处理数据分析和数据预处理工作，这是后续机器学习任务的先决条件。