一看就懂 通俗易懂的EDA的教程！

EDA介绍

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？

什么是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。

1. 深入理解数据
2. 发现数据的内部结构
3. 分析数据集中重要变量
4. 识别数据中的异常值和异常
5. 验证数据假设

为什么做EDA？

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。

1. 特征如何选择
2. 特征如何编码
3. 数据如何划分

如何做EDA？

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。