Python 索性数据分析

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 pd
Df = pd.read_csv("https://vincentarelbundock.github.io / Rdatasets / csv / car / Child.csv")

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()

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()

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

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()

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。