[[338350]]

對(duì)于每個(gè)從事和數(shù)據(jù)科學(xué)有關(guān)的人來(lái)說(shuō)，前期的數(shù)據(jù)清洗和探索一定是個(gè)花費(fèi)時(shí)間的工作。毫不夸張的說(shuō)，80%的時(shí)間我們都花在了前期的數(shù)據(jù)工作中，包括清洗、處理、EDA（Exploratory Data Analysis，探索性數(shù)據(jù)分析）等。前期的工作不僅關(guān)乎數(shù)據(jù)的質(zhì)量，也關(guān)乎最終模型預(yù)測(cè)效果的好壞。

每當(dāng)我們手上出現(xiàn)一份新的數(shù)據(jù)時(shí)，我們都需要事先通過(guò)人為地觀察、字段釋義等方式預(yù)先對(duì)數(shù)據(jù)進(jìn)行熟悉與理解。在清洗、處理完數(shù)據(jù)之后才會(huì)開(kāi)始真正的 EDA 過(guò)程。

這個(gè)過(guò)程最通用的操作無(wú)非就是對(duì)現(xiàn)有的數(shù)據(jù)做基本性的統(tǒng)計(jì)、描述，包括平均值、方差、最大值與最小值、頻數(shù)、分位數(shù)、分布等。實(shí)際上往往都是比較固定且機(jī)械的。

在 R 語(yǔ)言中 skimr 包提供了豐富的數(shù)據(jù)探索性統(tǒng)計(jì)信息，比 Pandas 中的 describe() 基本統(tǒng)計(jì)信息更為豐富一些。

01-skmir

但在 Python 社區(qū)中，我們同樣也可以實(shí)現(xiàn) skmir 的功能，甚至比 skmir 有過(guò)之而無(wú)不及。那就是使用 pandas-profiling 庫(kù)來(lái)幫助我們搞定前期的數(shù)據(jù)探索工作。

快速使用

通過(guò) pip install pandas-profiling 之后我們就可以直接導(dǎo)入并使用了。我們只需要通過(guò)其一行核心代碼 ProfileReport(df, **kwargs) 即可實(shí)現(xiàn)： 

import pandas as pd  
import seaborn as sns  
from pandas_profiling import ProfileReport  
titanic = sns.load_dataset("Titanic")  
ProfileReport(titanic, title = "The EDA of Titanic Dataset") 

如果我們是在 Jupyter Notebook 中使用，則會(huì)在 Jupyter Notebook 中渲染最后直接輸出到單元格中。

02-profile

pandas-profiling 庫(kù)也擴(kuò)展了 DataFrame 對(duì)象方法，這意味著我們也可以通過(guò)像調(diào)用方法一樣使用 DataFrame.profile_report() 來(lái)實(shí)現(xiàn)和上述一樣的效果。

無(wú)論使用哪種方式，最后都是生成一個(gè) ProfileReport 對(duì)象；如果要進(jìn)一步貼合 Jupyter Notebook，可以直接調(diào)用 to_widgets() 和 to_notebook_iframe() 來(lái)分別生成掛架或?qū)?yīng)的組件，在展示效果上會(huì)更加美觀，而不是在輸出欄進(jìn)行展示。

03-widgets

如果不在 Jupyter Notebook 中直接使用，而是使用其他 IDE，那么我們可以通過(guò) to_file() 方法來(lái)直接將報(bào)告輸出，需要注意的是最后保存的文件名需要加上擴(kuò)展名 .html。

另外，Pandas-profiling 還和多個(gè)框架、云上平臺(tái)等進(jìn)行了集成，能夠讓我們方便的進(jìn)行調(diào)用，詳情見(jiàn)官網(wǎng)（https://pandas-profiling.github.io/pandas-profiling/docs/master/rtd/pages/integrations.html）。

進(jìn)一步定制報(bào)告信息

雖然生成的探索性報(bào)告基本上已經(jīng)能滿足我們了解數(shù)據(jù)的簡(jiǎn)單需求，但是當(dāng)中輸出的信息也有些不足或是冗余。好在 pandas-profiling 也給我們提供了自己定制的可能。這些定制的配置最終會(huì)寫(xiě)入到 yaml 文件中。

在官方文檔中列出了幾個(gè)我們能夠進(jìn)一步調(diào)整的部分，分別對(duì)應(yīng)了報(bào)告 Tab 欄的各部分標(biāo)簽：

•  vars：主要用于調(diào)整數(shù)據(jù)中字段或變量在報(bào)告中的呈現(xiàn)的統(tǒng)計(jì)指標(biāo)
•  missing_diagrams：主要涉及到關(guān)于缺失值字段的可視化展示
•  correlations：顧名思義即調(diào)整有關(guān)各字段或變量之間相關(guān)關(guān)系的部分，包括是否計(jì)算相關(guān)系數(shù)、以及相關(guān)的閾值等
•  interactions：主要涉及兩兩字段或變量之前的相關(guān)關(guān)系圖呈現(xiàn)
•  samples：分別對(duì)應(yīng)了 Pandas 中 head() 和 tail() 方法，即預(yù)覽前后多少條數(shù)據(jù)

這些部分還有許多可以指定的參數(shù)，感興趣的朋友可以直接參考官方文檔（https://pandas-profiling.github.io/pandas-profiling/docs/master/rtd/pages/advanced_usage.html），本文就不多加贅述了。

于是我們可以直接在代碼中手動(dòng)寫(xiě)入并進(jìn)行調(diào)整，就像這樣： 

profile_config = {  
    "progress_bar": False,   
    "sort": "ascending",  
    "vars": {  
        "num": {"chi_squared_threshold": 0.95},  
        "cat": {"n_obs": 10}  
    },   
    "missing_diagrams": {  
        'heatmap': False,  
        'dendrogram': False,  
    }  
}  
profile = titanic.profile_report(**profile_config)  
profile.to_file("titanic-EDA-report.html") 

將所有配置的信息寫(xiě)在一個(gè)字典變量中，再通過(guò) **variable 的形式將鍵值對(duì)進(jìn)行解包使其能夠根據(jù)鍵來(lái)對(duì)應(yīng)到相應(yīng)的參數(shù)中。

除了代碼中的配置寫(xiě)法外，如果你稍微了解一點(diǎn) yaml 配置文件的寫(xiě)法，那么我們也無(wú)需在代碼中逐個(gè)寫(xiě)入，而是可以通過(guò)在 yaml 文件中修改。修改的不僅官方文檔中所列出的配置選項(xiàng)，還能修改未列出的參數(shù)。由于配置文件過(guò)長(zhǎng)，這里我只放出基于官方默認(rèn)配置文件 config_default.yaml 自己做出修改的部分： 

# profile_config.yml  
vars:  
    num:  
        quantiles:  
              - 0.25  
              - 0.5  
              - 0.75  
        skewness_threshold: 10  
        low_categorical_threshold: 5  
        chi_squared_threshold: 0.95  
    cat:  
        length: True  
        unicode: True  
        cardinality_threshold: 50  
        n_obs: 5  
        chi_squared_threshold: 0.95  
        coerce_str_to_date: False  
    bool:  
        n_obs: 3 
     file:  
        active: False  
    image:  
        active: False  
        exif: True  
        hash: True  
sort: "desceding" 

修改完 yaml 文件之后，我們只需在生成報(bào)告時(shí)通過(guò) config_file 參數(shù)指定配置文件所在的路徑即可，就像這樣： 

df.profile_report(config_file = "你的文件路徑.yml") 

通過(guò)將配置文件與核心代碼相分離，以提高我們代碼的簡(jiǎn)潔性與可讀性。

最后

pandas-profiling 庫(kù)為我們提供了一種方便、快捷的數(shù)據(jù)探索方式，提供了比基本統(tǒng)計(jì)信息更為豐富的一些信息（如缺失值相關(guān)圖、相關(guān)關(guān)系圖等），能夠?yàn)槲覀兦捌诘臄?shù)據(jù)探索工作節(jié)省出大量的時(shí)間。

不過(guò)由于 pandas-profiling 生成的報(bào)告維度相對(duì)來(lái)說(shuō)比較固定和模板化，所以對(duì)于想讓報(bào)告更加豐富的朋友來(lái)說(shuō)你可能需要自己再去做一些額外的工作了；同時(shí)，需要注意的是，pandas-profiling 比較適合在中小數(shù)據(jù)集中使用。隨著數(shù)據(jù)量的增加，報(bào)告渲染的速度會(huì)大幅度變慢且生成報(bào)告會(huì)耗時(shí)更多。

如果你仍有對(duì)大數(shù)據(jù)集進(jìn)行 EDA 的需要，那么像官方文檔說(shuō)的那樣你最好是通過(guò)抽樣或者采樣的方式來(lái)在不影響數(shù)據(jù)分布的情況下減少樣本量。官方也有表示會(huì)在以后的版本中使用 modin、spark 和 dask 等高性能的庫(kù)或框架作為可擴(kuò)展的后端，到那時(shí)也許生成大數(shù)據(jù)集的 EDA 報(bào)告時(shí)可能就不是問(wèn)題了。