我们做数据分析，在第一次拿到数据集的时候，一般会用统计学或可视化方法来了解原始数据。
了解列数、行数、取值分布、缺失值、列之间的相关关系等等，这个过程叫做 EDA（Exploratory Data Analysis，探索性数据分析）。
如果你现在做EDA还在用pandas一行行写代码，那么福音来了！
目前已经有很多EDA工具可以自动产出基础的统计数据和图表，能为我们节省大量时间。
本文会对比介绍 4 款常用的EDA工具，最后一款绝了，完全是抛弃代码的节奏。
正式介绍这些工具之前，先来加载数据集
import numpy as np
import pandas as pd
iris = pd.read_csv('iris.csv')
iris
3c2dcc3afa049fa4e7792b1b0ffdfe63.png
iris是下面用到的数据集，是一个150行 * 4列的 DataFrame。
1. PandasGUI
PandasGUI提供数据预览、筛选、统计、多种图表展示以及数据转换。
# 安装
# pip install pandasgui
from pandasgui import show
show(iris)
34856b1966a7575d7e2e2ca93d0ba914.png
PandasGUI更侧重数据展示，提供了10多种图表，通过可视的方式配置。
但数据统计做的比较简单，没有提供缺失值、相关系数等指标，数据转换部分也只开放了一小部分接口。
2. Pandas Profiling
Pandas Profiling 提供了整体数据概况、每列的详情、列之间的关图、列之间的相关系数。
# 安装：
# pip install -U pandas-profiling
# jupyter nbextension enable --py widgetsnbextension
from pandas_profiling import ProfileReport
profile = ProfileReport(iris, title='iris Pandas Profiling Report', explorative=True)
profile
9e487ec90e97194323a9ef2d732feb65.png
每列的详情包括：缺失值统计、去重计数、最值、平均值等统计指标和取值分布的柱状图。
列之间的相关系数支持Spearman、Pearson、Kendall 和 Phik 4 种相关系数算法。
与 PandasGUI 相反，Pandas Profiling没有丰富的图表，但提供了非常多的统计指标以及相关系数。
3. Sweetviz
Sweetviz与Pandas Profiling类似，提供了每列详细的统计指标、取值分布、缺失值统计以及列之间的相关系数。
# 安装
# pip install sweetviz
import sweetviz as sv
sv_report = sv.analyze(iris)
sv_report.show_html()
d50de24677e32f3c3745b016d4c52d65.png
Sweetviz还有有一个非常好的特性是支持不同数据集的对比，如：训练数据集和测试数据集的对比。
5b0258515a877029859478a1f6a3438c.png
蓝色和橙色代表不同的数据集，通过对比可以清晰发现数据集之前的差异。
4. dtale
最后重磅介绍dtale，它不仅提供丰富图表展示数据，还提供了很多交互式的接口，对数据进行操作、转换。
5a12d978323ec34e1026f3e4b2c6ad8e.png
dtale的功能主要分为三部分：数据操作、数据可视化、高亮显示。
4.1 数据操作（Actions）
dtale将pandas的函数包装成可视化接口，可以让我们通过图形界面方式来操作数据。
# pip install dtale
import dtale
d = dtale.show(iris)
d.open_browser()
010a455af61f4c4095b75cb80c212ac8.png
右半部分图是左边图的中文翻译，用的是 Chrome 自动翻译，有些不是很准确。
举一个数据操作的例子。
183e9b8d476db5f55eb55e9b5690e83b.png
上图是Actions菜单中Summarize Data的功能，它提供了对数据集汇总操作的接口。
上图我们选择按照species列分组，计算sepal_width列的平均值，同时可以看到左下角dtale已经自动为该操作生成了pandas代码。
4.2 数据可视化（Visualize）
提供比较丰富的图表，对每列数据概况、重复行、缺失值、相关系数进行统计和展示。
41e5534ed5f65e6492adbdd40457a94c.png
举一个数据可视化的例子。
acaf9403f8531bb73860d3a05d250949.png
上图是Visualize菜单中Describe的功能，它可以统计每列的最值、均值、标准差等指标，并提供图表展示。
右侧的Code Export可以查看生成这些数据的代码。
4.3 高亮显示（Highlight）
对缺失值、异常值做高亮显示，方便我们快速定位到异常的数据。
378179e6df85306dbf452cbb32400f87.png
d974797a239db1d65f474a5a6ca0f642.png
上图显示了将sepal_width字段的异常值。
dtale非常强大，功能也非常多，大家可以多多探索、挖掘。
最后，简单总结一下。如果探索的数据集侧重数据展示，可以选PandasGUI；如果只是简单了解基本统计指标，可以选择Pandas Profiling和Sweetviz；如果需要做深度的数据探索，那就选择dtale。
网友评论