软件
产品
探索性数据分析（Exploratory Data Analysis，简称EDA），摘抄网上的一个 中文 解释，是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。特别是当我们对面对大数据时代到来的时候，各种杂乱的“脏数据”，往往不知所措，不知道从哪里开始了解目前拿到手上的数据时候，探索性数据分析就非常有效。探索性数据分析是上世纪六十年代提出，其方法有美国统计学家John Tukey提出的。
训练集：Train_data
Train_data.head().append(Train_data.tail())
测试集：Test_data
Test_data.head().append(Test_data.tail())
通过describe()来熟悉数据的相关统计量
训练集：Train_data
Train_data.describe().T
测试集：Test_data
Test_data.describe().T
从describe()可以看出训练集和测试集的数据分布差距不是很大，比较友好
1.查看每列的存在nan情况
训练集：Train_data
Train_data.isnull().sum().sort_values(ascending = False)
测试集：Test_data
Test_data.isnull().sum().sort_values(ascending = False)
以上可以看出确实值基本都在在fuelType（燃油类型），gearbox（变速箱），bodyType（车身类型），训练集和测试集保持一致，其中训练集中有一个样本model（车型编码）有缺失，因为样本只有一个，可以考虑直接删除此样本
2.查看异常值
Train_data.info()
可以看到notRepairedDamage（汽车有尚未修复的损坏）为object类型，可能存了不同基础类型的数据
用Train_data['notRepairedDamage'].value_counts()查看一下
可以看出‘ - ’也为空缺值，可以先将此类异常数据替换为nan
Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)
查看seller（销售方），offerType（报价类型）的value_counts()可以看出数据倾斜很严重，可以删除
Train_data["seller"].value_counts()
Train_data["offerType"].value_counts()
1.总体分布概况（无界约翰逊分布等）
import scipy.stats as sty = Train_data['price']plt.figure(1); plt.title('Johnson SU')sns.distplot(y, kde=False, fit=st.johnsonsu)plt.figure(2); plt.title('Normal')sns.distplot(y, kde=False, fit=st.norm)plt.figure(3); plt.title('Log Normal')sns.distplot(y, kde=False, fit=st.lognorm)
价格不服从 正态分布 ，所以在进行回归之前，它必须进行转换。虽然对数变换做得很好，但最佳拟合是无界约翰逊分布
2.查看skewness and kurtosis，偏度是数据的不对称程度，峰度表示分布的尾部与正态分布的区别（关于峰度和偏度的参考链接）
sns.distplot(Train_data['price']);print("Skewness: %f" % Train_data['price'].skew())print("Kurtosis: %f" % Train_data['price'].kurt())
3.查看预测值的具体频数
plt.hist(Train_data['price'], orientation = 'vertical',histtype = 'bar', color ='red')plt.show()
查看频数, 大于20000的值极少，可以把这些当作特殊得值（异常值）直接填充或者删掉，如果测试集也有少量大于20000的值，直接剔除可能不太好，则可以考虑对price进行log变换
4.log变换 z之后的分布较均匀，可以进行log变换进行预测,在回归预测中，这是应对数据分布不均匀比较常用的手段
plt.hist(np.log(Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') plt.show()
1.特征分为类别特征和数字特征，并对类别特征查看nunique，value_counts分布
for cat_fea in categorical_features: print(cat_fea + "的特征分布如下：") print("{}特征有个{}不同的值".format(cat_fea, Train_data[cat_fea].nunique())) print(Train_data[cat_fea].value_counts())
2.数字特征分析
相关性分析numeric_features.append('price')price_numeric = Train_data[numeric_features]correlation = price_numeric.corr()print(correlation['price'].sort_values(ascending = False),'\n')
查看数值特征跟price的相关性热力图f , ax = plt.subplots(figsize = (7, 7)) plt.title('Correlation of Numeric Features with Price',y=1,size=16) sns.heatmap(correlation,square = True, vmax=0.8)
可以看出kilometer（汽车已行驶公里）和v_3(匿名特征)跟price想关性比较强
每个数字特征得分布可视化f = pd.melt(Train_data, value_vars=numeric_features)g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False)g = g.map(sns.distplot, "value")
数字特征相互之间的关系可视化sns.set()columns = ['price', 'v_12', 'v_8' , 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14']sns.pairplot(Train_data[columns],size = 2 ,kind ='scatter',diag_kind='kde')plt.show()
上图对角线的小图可以看出每个变量的分布，不同变量交叉的小图可以看出特征两两之间是否有明显的关系（比如正比，反比，分簇情况接近）
多变量互相回归关系可视化fig, ((ax1, ax2), (ax3, ax4), (ax5, ax6), (ax7, ax8), (ax9, ax10)) = plt.subplots(nrows=5, ncols=2, figsize=(24, 20))# ['v_12', 'v_8' , 'v_0', 'power', 'v_5', 'v_2', 'v_6', 'v_1', 'v_14']v_12_scatter_plot = pd.concat([Y_train,Train_data['v_12']],axis = 1)sns.regplot(x='v_12',y = 'price', data = v_12_scatter_plot,scatter= True, fit_reg=True, ax=ax1) v_8_scatter_plot = pd.concat([Y_train,Train_data['v_8']],axis = 1)sns.regplot(x='v_8',y = 'price',data = v_8_scatter_plot,scatter= True, fit_reg=True, ax=ax2) v_0_scatter_plot = pd.concat([Y_train,Train_data['v_0']],axis = 1)sns.regplot(x='v_0',y = 'price',data = v_0_scatter_plot,scatter= True, fit_reg=True, ax=ax3) power_scatter_plot = pd.concat([Y_train,Train_data['power']],axis = 1)sns.regplot(x='power',y = 'price',data = power_scatter_plot,scatter= True, fit_reg=True, ax=ax4) v_5_scatter_plot = pd.concat([Y_train,Train_data['v_5']],axis = 1)sns.regplot(x='v_5',y = 'price',data = v_5_scatter_plot,scatter= True, fit_reg=True, ax=ax5) v_2_scatter_plot = pd.concat([Y_train,Train_data['v_2']],axis = 1)sns.regplot(x='v_2',y = 'price',data = v_2_scatter_plot,scatter= True, fit_reg=True, ax=ax6) v_6_scatter_plot = pd.concat([Y_train,Train_data['v_6']],axis = 1)sns.regplot(x='v_6',y = 'price',data = v_6_scatter_plot,scatter= True, fit_reg=True, ax=ax7) v_1_scatter_plot = pd.concat([Y_train,Train_data['v_1']],axis = 1)sns.regplot(x='v_1',y = 'price',data = v_1_scatter_plot,scatter= True, fit_reg=True, ax=ax8) v_14_scatter_plot = pd.concat([Y_train,Train_data['v_14']],axis = 1)sns.regplot(x='v_14',y = 'price',data = v_14_scatter_plot,scatter= True, fit_reg=True, ax=ax9) v_13_scatter_plot = pd.concat([Y_train,Train_data['v_13']],axis = 1)sns.regplot(x='v_13',y = 'price',data = v_13_scatter_plot,scatter= True, fit_reg=True, ax=ax10)
sns.pairplot（）跟sns.regplot（）很相似，都能通过图形看出两两变量之间的关系，sns.regplot（）把拟合出来的回归线也画出来了
查看类别变量print(categorical_features)['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode']unique分布for fea in categorical_features: print(Train_data[fea].nunique())
上图可以看出name（汽车交易名称）有99662个，regionCode（地区编码）有7905个，估计地区编码分到很细的地区了，可以考虑截取部分位数获取省/市编码，省/市可以和其他类别变量做交叉，生成新变量
类别特征箱形图可视化 # 因为 name和 regionCode的类别太稀疏了，这里我们把不稀疏的几类画一下categorical_features = ['model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage']for c in categorical_features: Train_data[c] = Train_data[c].astype('category') if Train_data[c].isnull().any(): Train_data[c] = Train_data[c].cat.add_categories(['MISSING']) Train_data[c] = Train_data[c].fillna('MISSING') def boxplot(x, y, **kwargs): sns.boxplot(x=x, y=y) x=plt.xticks(rotation=90) f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)g = g.map(boxplot, "value", "price")
类别特征的小提琴图可视化catg_list = categorical_featurestarget = 'price'for catg in catg_list : sns.violinplot(x=catg, y=target, data=Train_data) plt.show()
类别特征的柱形图可视化def bar_plot(x, y, **kwargs): sns.barplot(x=x, y=y) x=plt.xticks(rotation=90) f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)g = g.map(bar_plot, "value", "price")
类别特征的每个类别频数可视化(count_plot)def count_plot(x, **kwargs): sns.countplot(x=x) x=plt.xticks(rotation=90) f = pd.melt(Train_data, value_vars=categorical_features)g = sns.FacetGrid(f, col="variable", col_wrap=2, sharex=False, sharey=False, size=5)g = g.map(count_plot, "value")
箱形图，小提琴图，柱形图，频数图均比较适合观察类别变量的分布
用pandas_profiling生成一个较为全面的可视化和数据报告(较为简单、方便) 最终打开html文件即可
import pandas_profilingpfr = pandas_profiling.ProfileReport(Train_data)pfr.to_file("./example.html")本次比赛为学习赛，Datawhale在天池开源了EDA的notebok，我下载到本地都运行了一遍，第一遍其实有点迷茫，感觉都是别人写好的东西，虽然自己运行起来行云流水，看到一幅幅炫酷的图片，却没有因为EDA对数据有更深的理解，然后开始跑了一个baseline，在跑模型的过程中发现有些数据只是一把梭放模型里了。其实有些数据可以通过EDA深究一下的，然后开始写此篇学习笔记，在边跑notebook边写笔记的过程中发现了一些之前没用的技巧，找出了一些trick，比如给出的regionCode （看车地区编码）粒度很细，可以提取部分位数找到省/市级的地区代码，和其他类别变量做交叉，regDate （汽车注册时间）与与 creatDate（广告发布时间）可以计算出车龄，还可以根据特征想关性分析筛选特征。 特征工程 在建模中很重要，而特征工程的灵感又通常来源于EDA，在做模型没有思路的时候，不妨来一波EDA挖挖矿，往往能取得不错的收获！
参考链接：
https://tianchi.aliyun.com/notebook-ai/detail?postId=95457
https://support.minitab.com/zh-cn/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-topics/data-concepts/how-skewness-and-kurtosis-affect-your-distribution/
https://www.jianshu.com/p/6e18d21a4cad
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删
技术文档
推荐好文
155-2731-8020
