💡 作者： 韩信子@ ShowMeAI
📘 数据分析◉技能提升系列： https://www.showmeai.tech/tutorials/33
📘 数据分析实战系列： https://www.showmeai.tech/tutorials/40
📘 本文地址： https://www.showmeai.tech/article-detail/284
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏 ShowMeAI查看更多精彩内容

实际工作中，我们往往依托于业务数据分析制定业务策略。这个过程需要频繁地进行数据分析和挖掘，发现模式规律。对于算法工程师而言，一个有效的 AI 算法系统落地，不仅仅是模型这么简单——数据才是最底层的驱动。

典型的『机器学习工作流程』包含 6 个关键步骤，其中『探索性数据分析（Exploratory Data Analysis, EDA） 』是至关重要的一步。

• 定义问题
• 数据采集和 ETL
• 探索性数据分析
• 数据准备
• 建模（模型训练和选择）
• 部署和监控

Wiki: In statistics, exploratory data analysis is an approach of analyzing data sets to summarize their main characteristics, often using statistical graphics and other data visualization methods. A statistical model can be used or not, but primarily EDA is for seeing what the data can tell us beyond the formal modeling and thereby contrasts traditional hypothesis testing.

探索性数据分析，通常使用统计图形等数据可视化方法，探索数据的结构和规律，总结数据主要特征的方法。这一过程通常包含细碎的处理步骤和分析操作。

探索性数据分析 EDA 的常用工具

优秀的工具可以简化上述过程！甚至可以一键生成分析报告。本篇 ShowMeAI 给大家总结了截至 2022年 最受欢迎的探索式数据分析工具库，快一起试起来吧！

通常，我们有以下 3 种方式进行 EDA：

• 方式1：在 Python/R 中使用库/框架手动分析
• 方式2：在 Python/R 中使用自动化 EDA 库
• 方式3：使用 Microsoft Power BI 或 Tableau 等工具

3种方式对应的最佳工具库我们梳理到下文中了，对自动化数据分析感兴趣的同学可以直接跳至『自动化EDA工具库』板块。

方式1：手动分析工具库

💡 Matplotlib

Matplotlib 是一个 Python 进行绘图与交互式可视化的工具。 大家在Python中用到的绝大多数工具包扩展都是构建在 Matplotlib 之上的（包括 Seaborn、HoloViews、ggplot 以及后续提到部分自动化 EDA 工具等）。

基于 Matplotlib 可以借助简单的代码实现：散点图、直方图、条形图、误差图和箱线图，辅助我们理解数据和进行后续工作。

大家可以从官方 📘 用户指南、📘 教程 和 📘 代码示例 中学习，或前往B站观看 📘 视频教程 也推荐下载收藏 ShowMeAI 的 📘 Matplotlib速查表，以便快速查找所需功能。

💡 Seaborn

另一个流行的 Python 数据可视化框架是 Seaborn，它相比 Matplotlib 更为简洁，也拓展了很多分析功能和呈现形式。

大家同样可以通过 Seaborn 的 📘 用户指南和教程 对其进行学习，或前往观看 📘 视频教程。也欢迎阅读 ShowMeAI 总结的 📘 Seaborn速查表，以及 Seaborn 可视化教程 Seaborn工具与数据可视化。

💡 Plotly

Plotly 是另外一个用于创建交互式数据可视化的 Python 开源工具库。 Plotly 构建在 Plotly JavaScript 库（plotly.js) 之上，可用于创建基于 Web 的数据可视化，这些可视化可以显示在 Jupyter 笔记本或使用 Dash 的 Web 应用程序中，或保存为单独的 HTML 文件。

它提供了多达40+种图表类型，包括散点图、直方图、折线图、条形图、饼图、误差线、箱线图、多轴、迷你图、树状图和 3-D 图表（甚至包括等高线图，这在其他数据可视化库中并不常见）。大家可以通过 📘 官方用户指南 进行学习和使用。

💡 Bokeh

Bokeh 是一个 Python 库，用于为现代 Web 浏览器创建交互式可视化。 它可以构建精美的图形，从简单的绘图到带有流数据集的复杂仪表板。 使用 Bokeh，可以创建基于 JavaScript 的可视化，而无需自己编写任何 JavaScript。

大家可以通过 Bokeh 的 📘 官方网站 和 📘 示例库 了解它的一系列用法。也推荐大家下载收藏 ShowMeAI 的 📘 Bokeh速查表，快速查找所需功能。

💡 Altair

Altair 是 Python 的声明性统计可视化库，基于 Vega 和 Vega-Lite。 Altair 的 API 简单、友好，可以用最少的代码产生漂亮而有效的可视化效果。大家可以通过官方的 📘 Altair Notebook Examples 学习Altair工具库的使用。

方式2：自动化EDA工具库

💡 pandas-profiling

很多做过 Python 数据分析的同学都很熟悉 Pandas 的 describe 函数，pandas-profiling 通过其低代码接口扩展了对应的功能，将信息以报告的形式呈现。 pandas-profiling 库自动从 pandas DataFrame 生成配置文件报告，整个过程甚至只需要两三行代码。

pandas-profiling 会对单字段和关联字段进行分析。对于数据集的每一列（字段），它会分析如下的内容并呈现在交互式 HTML 报告中：

• 类型推断：字段列的类型
• 要点：类型、唯一值、缺失值
• 分位数统计：包括最小值、Q1、中位数、Q3、最大值、范围、四分位间距
• 描述性统计：包括均值、众数、标准差、总和、中值绝对差、变异系数、峰度、偏度等
• 直方图：分类和数字
• 相关性：Spearman、Pearson 和 Kendall 矩阵
• 缺失值：矩阵、计数、热图和缺失值的树状图
• 文本分析：了解文本数据的类别（大写、空格）、脚本（拉丁文、西里尔文）和块（ASCII）
• 文件和图像分析：提取文件大小、创建日期和尺寸，并扫描截断的图像或包含 EXIF 信息的图像

大家可以在 pandas-profiling 的项目 📘 GitHub 页面获取详细使用方法，简单的数据分析与报告生成过程可以只通过如下1行命令生成（在命令行运行）。

pandas_profiling --title "Example Profiling Report" --config_file default.yaml data.csv report.html

或者在Python中通过如下几行代码完成：

# 读取数据
df = pd.read_csv(file_name)
# 数据分析
profile = ProfileReport(df, title="Data Report", explorative=True)
# html分析报告生成
profile.to_file(Path("data_report.html"))

💡 Sweetviz

Sweetviz 的功能与 pandas-profiling 很相似。 它是一个开源 Python 库，可生成精美的高信息量结果报告，只需两行代码即可启动探索性数据分析过程。 输出是一个完全独立的 HTML 报告（而且可以完整交互式操作）。

Sweetviz的特征：

• 类型推断
• 摘要信息
• 目标字段分析
• 显示目标列与其他特征的关联分析
• 可视化和对比

SweetViz的官方代码可以在 📘 GitHub 找到。分析与报告生成只需要如下 2 行代码：

# 数据分析
my_report = sv.analyze(data)
# 报告生成
my_report.show_html()

下图为使用 Sweetviz 生成的报告。

💡 AutoViz

AutoViz 是另外 1 个自动化 EDA 框架。 它在功能方面与 Sweetviz 和 pandas-profiling 也比较类似。 AutoViz 只需一行代码即可对任何数据集进行自动可视化，它还可以完成自动字段选择，找到最重要的特征字段进行分析可视化，运行速度也非常快。

AutoViz可以结合Bokeh做交互式数据探索分析，详细教程大家可以在官方 📘 AutoViz 示例 Notebook 找到。核心代码如下：

AV = AutoViz_Class()
_ = AV . AutoViz(filename)

下图所示为使用 AutoViz 生成的报告。

方式3：数据分析工具软件

💡 Microsoft Power BI

Power BI 是由 Microsoft 开发的交互式数据可视化软件，主要关注商业智能。 它是 Microsoft Power Platform 的一部分。 Power BI 是软件服务、应用程序和连接器的集合，它们协同工作，将不相关的数据源转变为连贯、视觉沉浸式和交互式见解。 可以通过直接从数据库、网页或电子表格、CSV、XML 和 JSON 等结构化文件中读取数据来输入数据。

不过，Power BI 不是开源的，它是一款付费企业工具，提供免费桌面版本。

💡 Tableau

Tableau 是用于数据分析和商业智能的领先数据可视化工具。 Gartner 的魔力象限将 Tableau 列为分析和商业智能领域的领导者。Tableau 是一种工具，它正在改变我们使用数据解决问题的方式——使人们和组织能够充分利用他们的数据。

下图所示为使用 Tableau 生成的报告。大家前往B站观看 📘 1小时速学视频教程。

参考资料

• 📘 Matplotlib 官方教程: https://matplotlib.org/stable/tutorials/index.html
• 📘 Matplotlib 知识速查表: https://www.showmeai.tech/article-detail/103
• 📘 Seaborn 数据可视化教程: https://www.showmeai.tech/article-detail/151
• 📘 Seaborn 知识速查表: https://www.showmeai.tech/article-detail/105
• 📘 Plotly 官方教程: https://plotly.com/python/getting-started/
• 📘 Bokeh 官方教程: http://docs.bokeh.org/en/latest/
• 📘 Bokeh 知识速查表: https://www.showmeai.tech/article-detail/104
• 📘 Altair Notebook Examples: https://github.com/altair-viz/altair_notebooks
• 📘 pandas-profilling 详细教程: https://github.com/ydataai/pandas-profiling
• 📘 SweetViz 官方代码: https://github.com/fbdesignpro/sweetviz
• 📘 AutoViz 示例: https://github.com/AutoViML/AutoViz/tree/master/Examples