Python 教程之数据分析（2）—— 探索性数据分析

2022 年 8 月 27 日
安徽
本文字数：1540 字
阅读完需：约 5 分钟

什么是探索性数据分析（EDA）？

EDA 是数据分析下的一种现象，用于更好地理解数据方面，例如： – 数据的主要特征 – 变量和它们之间的关系 – 确定哪些变量对我们的问题很重要我们将研究各种探索性数据分析方法，例如：

描述性统计，这是一种简要概述我们正在处理的数据集的方法，包括样本的一些度量和特征
分组数据 [使用 group by 进行基本分组]
ANOVA，方差分析，这是一种计算方法，可将观察集中的变化划分为不同的分量。
相关和相关方法

我们将使用的数据集是子投票数据集，您可以在 python 中将其导入为：

import pandas as pdDf = pd.read_csv("https://vincentarelbundock.github.io / Rdatasets / csv / car / Child.csv")

复制代码

描述性统计

描述性统计是了解数据特征和快速总结数据的有用方法。python 中的 Pandas 提供了一个有趣的方法 describe() 。describe 函数对数据集应用基本统计计算，如极值、数据点计数标准差等。任何缺失值或 NaN 值都会被自动跳过。describe() 函数很好地描绘了数据的分布情况。

DF.describe()

复制代码

这是您在运行上述代码时将获得的输出：

另一种有用的方法是 value_counts()，它可以获取分类属性值系列中每个类别的计数。例如，假设您正在处理一个客户数据集，这些客户在列名 age 下分为青年、中年和老年类别，并且您的数据框是“DF”。您可以运行此语句以了解有多少人属于各个类别。在我们的数据集示例中可以使用教育列 \

DF["education"].value_counts()

复制代码

上述代码的输出将是：

另一个有用的工具是 boxplot，您可以通过 matplotlib 模块使用它。箱线图是数据分布的图形表示，显示极值、中位数和四分位数。我们可以使用箱线图轻松找出异常值。现在再次考虑我们一直在处理的数据集，让我们在属性总体上绘制一个箱线图 \

import pandas as pdimport matplotlib.pyplot as pltDF = pd.read_csv("https://raw.githubusercontent.com / fivethirtyeight / data / master / airline-safety / airline-safety.csv")y = list(DF.population)plt.boxplot(y)plt.show()

复制代码

发现异常值后，输出图将如下所示：

分组数据

Group by 是 pandas 中可用的一个有趣的度量，它可以帮助我们找出不同分类属性对其他数据变量的影响。让我们看一个在同一数据集上的示例，我们想找出人们的年龄和教育对投票数据集的影响。

DF.groupby(['education', 'vote']).mean()

复制代码

输出会有点像这样：

如果按输出表进行分组难以理解，则进一步的分析师使用数据透视表和热图对其进行可视化。

方差分析

ANOVA 代表方差分析。执行它是为了找出不同类别数据组之间的关系。在 ANOVA 下，我们有两个测量结果： – F-testscore：显示组均值相对于变化的变化 – p 值：显示结果的重要性这可以使用 python 模块 scipy 方法名称 f_oneway() \

这些样本是每组的样本测量值。作为结论，如果 ANOVA 检验给我们一个大的 F 检验值和一个小的 p 值，我们可以说其他变量和分类变量之间存在很强的相关性。

相关性和相关性计算

相关性是上下文中两个变量之间的简单关系，使得一个变量影响另一个变量。相关性不同于引起的行为。计算变量之间相关性的一种方法是找到 Pearson 相关性。在这里，我们找到两个参数，即皮尔逊系数和 p 值。当 Pearson 相关系数接近 1 或 -1 且 p 值小于 0.0001 时，我们可以说两个变量之间存在很强的相关性。 Scipy 模块还提供了一种执行 pearson 相关性分析的方法，

这里的示例是您要比较的属性。这是 python 中 EDA 的简要概述，我们可以做更多！快乐挖掘！

本篇文章到此就结束了，相关文章：