九道门丨如何执行探索性分析？

科学性数据资料分析（EDA）是了解到数据资料集的关键工序。在EDA之前可以执自为各种工序，以下内容之前会我会简介 4 个主要工序。其之前数据资料集来自帕尔默所罗门群岛小蓝数据资料。

一、仔细测定数据资料

这一步的目的是找出数据资料集的数组和以内。它回答诸如"此数据资料集究竟足够大？"或“它举例来说多少个特点或自为？"等疑问。加载数据资料集后，常用 head（） 表达式测定前易经将是了解到数据资料集骨架的良好开端，具体操作如下附注。

从这里证明了数据资料集的以内为（344，7），这理论上存在7个特点和344自为，这坚称数据资料集过于大。为了图形特点的数据资料类型，可以常用 info（） 表达式，如下附注。结果表明，亚种、的群岛和双性恋是远距离，其余特点是浮动数组。常用 dtypes 也是了解到列于的数据资料类型的一种替代方法。

二、数据资料掩埋

查询不足之处数值、删除多次重复项等是科学性数据资料分析的关键工序。这些数值可能会会导致我们的模型终究证明了错误的假设。数调查 isnull（）是过于的。例如，在举例来说长周期特点的数据资料集之前，该特点的数值不用为 0。在这种情形，0 也是一个不足之处数值，能够处理方式。

有多种方法可以处理方式数据资料的不足之处数值，例如删除举例来说不足之处数值的自为（如果数据资料集足够大并且不足之处数值的数量不是太多，这是一个可选择），绑补方法（特点的平均数值/$）等。

对于小蓝的双性恋，在测定了雌性和雄性数值的除此以外后，将考虑最少用的数值，在这种情形，不足之处数值将用 "MALE" 进自为估测。如上附注，另一个数值为"."，不必将其归因或丢弃。在所有不足之处数值被绑补或删除后，我们再次常用 isna （） 表达式进自为测定，已确定不会遗漏数值。

最后，对于这个以外，能够测定究竟存在任何多次重复自为。

三、人口统计洞察

这也是理解数据资料的一以外。处理方式不足之处数值后，可以常用 describe（） 表达式来赚取数据资料的平均数值、最大数值、最小数值和标准偏差等文档。此方法还可应用于测定不足之处数值，例如，如果特点数值的最小数值在不应为 0 的地方为 0，则 describe（）表达式有助于处理方式不足之处数值。

通过常用 value_counts（） 表达式，可以量度对象的唯一数值。此外，每个亚种的身型平均数值可以通过常用 groupby（）表达式寻觅。 对于年中特点，此表达式在分类学和观察数据资料上都不够加可靠。

四、数据资料图形

为了不够佳地图形数据资料集，可以常用各种绘示意图技术开发，在以下内容之前简单简介几个。有些示意图在图形分类学数据资料上都效果不够佳，有些示意示意图不够适合数数值数据资料的图形。

• 箱形示意图

通过表明数据资料分布来测定诱发数值或理解分类学特点与年中特点密切间的关系间的关系的好方法。

如下示意图附注，由于不会数据资料点分别略低于或低于最大数值和最小数值，因此未测定到诱发数值。此外，可以很容易地寻觅数据资料点的$，因为通过框的直线代表的就是$。

• 缩放

缩放应用于描述频率分布。

此外，kdeplot 是图形数据资料分布的另一种方法。此示意图实际上相似缩放，但不是将数值加到条柱之前，而是手绘一条曲面。

• 条形示意图

在条形示意图之前，x 轴承坚称分类学数组， y 轴承坚称数数值数组。这就是为什么条形示意图再现了这两个数组密切间的关系的间的关系。

通过常用 pandas 表达式交叉表，可以分析两个或多个数组密切间的关系的间的关系。作为说明，示意图的条形示意图忽视了贫困在特定的群岛之前的特定亚种的小蓝数量密切间的关系的间的关系。

• 独奏示意图

独奏示意图描述的是数据资料集的概率密度。由于两个不同的并不一定可能会具有相同的平均数值，在这种情形观察独奏示意图会不够可靠。

在示意图的独奏示意图之前，梦幻岛小蓝身型的平均数值在3000到4000克密切间的关系，而在诺瓦科岛小蓝身型的平均数值差不多在4500到5500克密切间的关系。

一定会完整代码的同学可以留言赚取哦~