当前位置 博文首页 > Python学习与数据挖掘：一看就懂 通俗易懂的EDA的教程！
欢迎关注 ，专注Python、数据分析、数据挖掘、好玩工具！
Exploratory Data Analysis是数据科学领取理解和分析数据的方法，通过不断的收集、分析和假设验证，以取得对数据的深入理解。
本文将使用的Automobile Dataset来进行EDA过程，并试图给介绍EDA的具体步骤。
什么是EDA？
为什么做EDA？
如何做EDA？
EDA用于从数据中获取规律，使用一些统计值和可视化技术在数据中找到不同的模式、关系和异常情况。
深入理解数据
发现数据的内部结构
分析数据集中重要变量
识别数据中的异常值和异常
验证数据假设
在比赛中所有选手给定的介绍和数据相同的情况下，从EDA发现的信息越多，对我们建模就更加有帮助。
特征如何选择
特征如何编码
数据如何划分
首先我们读取Automobile Dataset:
https://www.kaggle.com/toramky/automobile-dataset
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
auto=pd.read_csv('Automobile dataset.data')
查看每列的类型：
auto.info()
接下来可以检查下每列的缺失值情况：
auto.isnull().sum()
由于原始数据缺失值可能使用？代替，所以这里我们看不出具体缺失值的情况。此外数据集里面有一些字段应该是数值类型，但编码为类别信息了。
接下来我们查看下每列的取值空间：
for col in auto.columns:
print('{} : {}'.format(col,auto[col].unique()))
对？进行替换，然后统计缺失值：
for col in auto.columns:
auto[col].replace({'?':np.nan},inplace=True)
auto.isnull().sum()
接下来对缺失值出现情况进行可视化：
sns.heatmap(auto.isnull(),cbar=False,cmap='viridis')
我们发现较多缺失值出现在normalized_losses列，但我们不能直接删除，可能这一列包含重要信息。
接下来对列进行相关性分析：
plt.figure(figsize=(10,10))
sns.heatmap(auto.corr(),cbar=True,annot=True,cmap='Blues')
我们可以发现较多变量之间是存在强相关的，接下来我们可以对强相关的列进行分析，如horsepower和price：
plt.figure(figsize=(10,10))
plt.scatter(x='horsepower',y='price',data=auto)
plt.xlabel('Horsepower')
plt.ylabel('Price')
类似的，我们还可以对其他强相关列进行类似分析，通过分析可以得到：
两个变量如何相互影响。
变量的笛卡尔积对标签是否有影响。
两个变量是否存在交叉的可能。
欢迎转载、收藏、有所收获点赞支持一下！
目前开通了技术交流群，群友超过2000人，添加方式如下：
如下方式均可，添加时最好方式为：来源+兴趣方向，方便找到志同道合的朋友
- 方式一、发送如下图片至微信，进行长按识别，回复加群；
- 方式二、直接添加小助手微信号：pythoner666，备注：来自CSDN
- 方式三、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
