我們做數(shù)據(jù)分析，在第一次拿到數(shù)據(jù)集的時候，一般會用統(tǒng)計學(xué)或可視化方法來了解原始數(shù)據(jù)。

了解列數(shù)、行數(shù)、取值分布、缺失值、列之間的相關(guān)關(guān)系等等，這個過程叫做 EDA（Exploratory Data Analysis，探索性數(shù)據(jù)分析）。

如果你現(xiàn)在做EDA還在用pandas一行行寫代碼，那么福音來了！

目前已經(jīng)有很多EDA工具可以自動產(chǎn)出基礎(chǔ)的統(tǒng)計數(shù)據(jù)和圖表，能為我們節(jié)省大量時間。

本文會對比介紹 4 款常用的EDA工具，最后一款絕了，完全是拋棄代碼的節(jié)奏。

正式介紹這些工具之前，先來加載數(shù)據(jù)集。

import numpy as np
import pandas as pd
iris = pd.read_csv('iris.csv')
iris

iris是下面用到的數(shù)據(jù)集，是一個150行 * 4列的 DataFrame。

1. PandasGUI

PandasGUI提供數(shù)據(jù)預(yù)覽、篩選、統(tǒng)計、多種圖表展示以及數(shù)據(jù)轉(zhuǎn)換。

# 安裝
# pip install pandasgui
from pandasgui import show
show(iris)

PandasGUI操作界面

PandasGUI更側(cè)重數(shù)據(jù)展示，提供了10多種圖表，通過可視的方式配置。

但數(shù)據(jù)統(tǒng)計做的比較簡單，沒有提供缺失值、相關(guān)系數(shù)等指標(biāo)，數(shù)據(jù)轉(zhuǎn)換部分也只開放了一小部分接口。

2. Pandas Profiling

Pandas Profiling 提供了整體數(shù)據(jù)概況、每列的詳情、列之間的關(guān)圖、列之間的相關(guān)系數(shù)。

# 安裝：
# pip install -U pandas-profiling
# jupyter nbextension enable --py widgetsnbextension
from pandas_profiling import ProfileReport
profile = ProfileReport(iris, title='iris Pandas Profiling Report', explorative=True)
profile

Pandas Profiling操作界面

每列的詳情包括：缺失值統(tǒng)計、去重計數(shù)、最值、平均值等統(tǒng)計指標(biāo)和取值分布的柱狀圖。

列之間的相關(guān)系數(shù)支持Spearman、Pearson、Kendall 和 Phik 4 種相關(guān)系數(shù)算法。

與 PandasGUI 相反，Pandas Profiling沒有豐富的圖表，但提供了非常多的統(tǒng)計指標(biāo)以及相關(guān)系數(shù)。

3. Sweetviz

Sweetviz與Pandas Profiling類似，提供了每列詳細(xì)的統(tǒng)計指標(biāo)、取值分布、缺失值統(tǒng)計以及列之間的相關(guān)系數(shù)。

# 安裝
# pip install sweetviz
import sweetviz as sv
sv_report = sv.analyze(iris)
sv_report.show_html()

Sweetviz操作界面

Sweetviz還有有一個非常好的特性是支持不同數(shù)據(jù)集的對比，如：訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的對比。

Sweetviz數(shù)據(jù)集對比

藍(lán)色和橙色代表不同的數(shù)據(jù)集，通過對比可以清晰發(fā)現(xiàn)數(shù)據(jù)集之前的差異。

4. dtale

最后重磅介紹dtale，它不僅提供豐富圖表展示數(shù)據(jù)，還提供了很多交互式的接口，對數(shù)據(jù)進(jìn)行操作、轉(zhuǎn)換。

dtale操作界面

dtale的功能主要分為三部分：數(shù)據(jù)操作、數(shù)據(jù)可視化、高亮顯示。

4.1 數(shù)據(jù)操作（Actions）

dtale將pandas的函數(shù)包裝成可視化接口，可以讓我們通過圖形界面方式來操作數(shù)據(jù)。

# pip install dtale
import dtale
d = dtale.show(iris)
d.open_browser()

Actions

右半部分圖是左邊圖的中文翻譯，用的是 Chrome 自動翻譯，有些不是很準(zhǔn)確。

舉一個數(shù)據(jù)操作的例子。

Summarize Data

上圖是Actions菜單中Summarize Data的功能，它提供了對數(shù)據(jù)集匯總操作的接口。

上圖我們選擇按照species列分組，計算sepal_width列的平均值，同時可以看到左下角dtale已經(jīng)自動為該操作生成了pandas代碼。

4.2 數(shù)據(jù)可視化（Visualize）

提供比較豐富的圖表，對每列數(shù)據(jù)概況、重復(fù)行、缺失值、相關(guān)系數(shù)進(jìn)行統(tǒng)計和展示。

Visualize

舉一個數(shù)據(jù)可視化的例子。

Describe

上圖是Visualize菜單中Describe的功能，它可以統(tǒng)計每列的最值、均值、標(biāo)準(zhǔn)差等指標(biāo)，并提供圖表展示。

右側(cè)的Code Export可以查看生成這些數(shù)據(jù)的代碼。

4.3 高亮顯示（Highlight）

對缺失值、異常值做高亮顯示，方便我們快速定位到異常的數(shù)據(jù)。

Highlight

上圖顯示了將sepal_width字段的異常值。

dtale非常強(qiáng)大，功能也非常多，大家可以多多探索、挖掘。

最后，簡單總結(jié)一下。如果探索的數(shù)據(jù)集側(cè)重數(shù)據(jù)展示，可以選PandasGUI；如果只是簡單了解基本統(tǒng)計指標(biāo)，可以選擇Pandas Profiling和Sweetviz；如果需要做深度的數(shù)據(jù)探索，那就選擇dtale。