CDA數據分析師 出品

作者： tukey

數據科學愛好者知道，在將原始數據輸入到機器學習模型之前，需要對其進行大量數據預處理。為此，需要遵循一系列標準來準備數據，具體取決于手頭問題的類型（回歸或分類）。這個過程的一個主要部分涉及以所有可能的方式評估數據集，以找到有價值的相關性（彼此和目標之間的特征依賴性）并排除噪聲（不一致或異常值，即不合格的數據點）。要探索任何數據集，Python 是可用的最強大的數據分析工具之一，此外，還有同樣強大的 Python 庫可以更好地可視化數據。

因此，為了使數據更有意義或從可用數據中提取更多價值，必須快速解釋和分析它。這是Python數據可視化庫通過生成圖形表示和讓數據說話所擅長的地方。通過這種方式，我們可以發現大量數據背后所有可能的趨勢和模式。

今天，數據科學和機器學習不僅僅適用于具有強大計算機科學背景的人。相反，歡迎來自不同行業的專業人士對數據有著相同的熱情，盡管他們具有一些統計知識，但這種趨勢正在增加。這就是為什么來自不同背景和教育背景的人傾向于嘗試數據科學和人工智能必須提供的東西。

但是對于剛剛開始使用機器學習的初學者來說，理解數據的選擇太多是具有挑戰性的，有時甚至是壓倒性的。我們都希望我們的數據看起來很漂亮并且可以展示，以便更快地做出決策?？傮w而言，EDA可能是一個耗時的過程，因為我們仔細查看多個圖以找出哪些特征是重要的并對結果產生重大影響。此外，我們尋找方法來處理缺失值和/或異常值、修復數據集中的不平衡以 及許多此類具有挑戰性的任務。因此，在選擇滿足 EDA 需求的最佳庫時，這是一個艱難的選擇。因此，對于任何開始機器學習之旅的人來說，從自動化 EDA 庫開始都是一種很好的學習體驗。這些庫提供了良好的數據整體視圖，并且易于使用。只需幾行簡單的 Python 代碼，這些庫就可以節省時間，并使新手能夠更加專注于了解如何使用這些不同的圖來理解數據。但是，初學者肯定需要對這些庫生成的圖有基本的了解。

在本文中，我們將為初學者討論三個有趣的自動EDA Python 庫。對于這個初學者友好的教程，我們將使用來自sklearn 的內置“iris”數據集。

我們將首先導入包和庫

#loading the datasetfrom sklearn import datasets import pandas as pd print("pandas:",pd. version )

?pandas: 1.3.2

data = datasets.load_iris()df = pd.DataFrame(data.data,columns=data.feature_names) df['target'] = pd.Series(data.target)df.head()

如果我們不使用 AutoEDA，這里有一個通常用于 EDA 的命令列表，用于打印有關 DataFrame/數據集的不同信息（不一定按相同的順序）。

• df.head() – 前五行
• df.tail() – 最后五行
• df.describe() – 有關數據集的百分位數、平均值、標準偏差等的基本統計信息
• df.info() – 數據集摘要
• df.shape() – 數據集中的觀察值和變量的數量，即數據的維度
• df.dtypes() – 變量的數據類型（int、?oat、object、datetime）
• df.unique()/df.target.unique() – 數據集/目標列中的唯一值
• df['target'].value_counts() – 分類問題的?標變量分布
• df.isnull().sum()- 計算數據集中的空值
• df.corr() – 相關信息
• 等等...

查看我們必須使用多少命令才能在數據中找到洞察力。AutoEDA 庫可以通過幾行 Python 代碼快速完成所有這些以及更多工作。但在我們開始之前，讓我們先檢查安裝的 Python 版本，因為這些庫需要 Python >=3.6。要獲取版本信息，請在 Colab 中使用以下命令。

# python versionimport sys sys.version

'3.7.6 (default, Jan 8 2020, 19:59:22) n[GCC 7.3.0]'

確認好了符合條件的Python 版本，現在就可以自動進行EDA探索數據分析。

01、Pandas Pro?ling 3.0.0

import pandas_profiling print("pandas_profiling:",pandas_profiling. version )

pandas_profiling: 3.0.0

從報告中，初學者可以很容易地理解 iris 數據集中有 5 個變量——4 個數字變量，結果變量是分類變量。此外，數據集中有 150 個樣本并且沒有缺失值。

#Generating PandasProfiling Reportreport = pandas_profiling.ProfileReport(df) report

02、Sweetviz 2.1.3

這也是一個開源 Python 庫，僅使用兩行代碼即可執行深入空格的 EDA。該庫為數據集生成的報告以 .html 文件形式提供，可以在任何瀏覽器中打開。使用 Sweetviz，我們可以檢查數據集特征如何與目標值相關聯。

可視化測試和訓練數據并比較它們。我們可以使用analyze()、compare() 或compare_intra() 來評估數據并生成報告繪制數值和分類變量的相關性。

總結有關缺失值、重復數據條目和頻繁條目的信息以及數值分析，即解釋統計值與前面的部分類似，我們將首先導入 pandas 來讀取和處理數據集。

接下來，我們只需導入 sweetviz 來探索數據。

import sweetviz as sv print("sweetviz :",sv. version )

sweetviz : 2.1.3

這就是經典的的 Sweetviz 報告的樣式

#Generating Sweetviz reportreport = sv.analyze(df)report.show_html("iris_EDA_report.html") # specify a name for the report

| | [ 0%] 00:00 -> (? left)Report iris_EDA_report.html was generated! NOTEBOOK/COLAB USERS: the web browser MAY not pop

生成的這些 .html 報告您可以在當前目錄下找到，然后可以在瀏覽器中打開報告。

03、AutoViz 0.0.83

另一個開源 Python EDA 庫，只需一行代碼即可快速分析任何數據。

# pip install autoviz# pip install wordcloud

from autoviz.AutoViz_Class import AutoViz_ClassAV = AutoViz_Class()

Imported AutoViz_Class version: 0.0.84. Call using: AV = AutoViz_Class()AV.AutoViz(filename, sep=',', depVar='', dfte=None, header=0, verbose=0,lowess=False,chart_format='svg',max_rows_analyzed=150000,max_cols Note: verbose=0 or 1 generates charts and displays them in your local Jupyter notebook.verbose=2 does not show plot but creates them and saves them in AutoViz_Plots directory

由于我們使用的是庫中的數據集，因此我們使用 'dfte' 選項而不是 EDA 的文件名。

#Generating AutoViz Report #this is the default command when using a file for the datasetfilename = "" sep = ","dft = AV.AutoViz( filename,sep=",",

depVar="", dfte=None, header=0, verbose=0, lowess=False, chart_format="svg",max_rows_analyzed=150000,max_cols_analyzed=30,)

Dataname input must be a filename with path to that file or a Dataframe Not able to read or load file. Please check your inputs and try again...

#Generating AutoViz Reportfilename = "" # empty string ("") as filename since no file is being used for the datasep = ","dft = AV.AutoViz( '',sep=",",depVar="", dfte=df, header=0,verbose=0, lowess=False, chart_format="svg",max_rows_analyzed=150000,max_cols_analyzed=30,

Shape of your Data Set loaded: (150, 5)############## C L A S S I F Y I N G V A R I A B L E S ####################Classifying variables in data set...Number of Numeric Columns = 4Number of Integer-Categorical Columns = 1 Number of String-Categorical Columns = 0 Number of Factor-Categorical Columns = 0 Number of String-Boolean Columns = 0 Number of Numeric-Boolean Columns = 0 Number of Discrete String Columns = 0 Number of NLP String Columns = 0Number of Date Time Columns = 0 Number of ID Columns = 0Number of Columns to Delete = 05 Predictors classified...This does not include the Target column(s)No variables removed since no ID or low-information variables found in data set Number of All Scatter Plots = 10

depVar="", dfte=None, header=0, verbose=0, lowess=False, chart_format="svg",max_rows_analyzed=150000,max_cols_analyzed=30,)

Dataname input must be a filename with path to that file or a Dataframe Not able to read or load file. Please check your inputs and try again...

#Generating AutoViz Reportfilename = "" # empty string ("") as filename since no file is being used for the datasep = ","dft = AV.AutoViz( '',sep=",",depVar="", dfte=df, header=0,verbose=0, lowess=False, chart_format="svg",max_rows_analyzed=150000,max_cols_analyzed=30,

Shape of your Data Set loaded: (150, 5)############## C L A S S I F Y I N G V A R I A B L E S ####################Classifying variables in data set...Number of Numeric Columns = 4Number of Integer-Categorical Columns = 1 Number of String-Categorical Columns = 0 Number of Factor-Categorical Columns = 0 Number of String-Boolean Columns = 0 Number of Numeric-Boolean Columns = 0 Number of Discrete String Columns = 0 Number of NLP String Columns = 0Number of Date Time Columns = 0 Number of ID Columns = 0Number of Columns to Delete = 05 Predictors classified...This does not include the Target column(s)No variables removed since no ID or low-information variables found in data set Number of All Scatter Plots = 10

Number of Columns to Delete = 05 Predictors classified...This does not include the Target column(s)No variables removed since no ID or low-information variables found in data set Number of All Scatter Plots = 10

Time to run AutoViz (in seconds) = 6.979###################### VISUALIZATION Completed ########################

AutoViz 報告包括有關數據集形狀的信息以及所有可能的圖表，包括條形圖、小提琴圖、相關矩陣（熱圖）、配對圖等。所有這些信息與一行代碼肯定對任何初學者都有用。

因此，我們使用三個 AutoEDA 庫以最少的代碼自動化了一個小數據集的數據分析。以上所有代碼都可以在原文鏈接中訪問。

結語

從初學者的?度來看，Pandas Pro?ling、Sweetviz 和 AutoViz 似乎是最簡單的生成報告以及呈現數據集洞察力的工具。在開始做數據探索時，我經常使用這些庫以最少的代碼快速發現有趣的數據規律和趨勢。希望對你有用！