前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

EDA是数据分析必须的过程，用来查看变量统计特征，可以此为基础尝试做特征工程。这次分享3个EDA神器。

1. Pandas_Profiling

这个属于三个中最轻便、简单的了。它可以快速生成报告，一览变量概况。首先，我们需要安装该软件包。

# 安装Jupyter扩展widget 
jupyter nbextension enable --py widgetsnbextension
# 或者通过conda安装
conda env create -n pandas-profiling
conda activate pandas-profiling
conda install -c conda-forge pandas-profiling
# 或者直接从源地址安装
pip install https://github.com/pandas-profiling/pandas-profiling/archive/master.zip

安装成功后即可导入数据直接生成报告了。

import pandas as pd
import seaborn as sns
mpg = sns.load_dataset('mpg')
mpg.head()

from pandas_profiling import ProfileReport
profile = ProfileReport(mpg, title='MPG Pandas Profiling Report', explorative = True)
profile

使用Pandas Profiling生成了一个快速的报告，具有很好的可视化效果。报告结果直接显示在notebook中，而不是在单独的文件中打开。

总共提供了六个部分：概述、变量、交互、相关性，缺失值和样本。

Pandas profiling的变量部分是完整的，它为每个变量都生成了详细的报告。

从上图可以看出，仅一个变量就有太多信息，比如可以获得描述性信息和分位数信息。

交互

交互部分我们可以获取两个数值变量之间的散点图。

相关性

可以获得两个变量之间的关系信息。

缺失值

可以获取每个变量的缺失值计数信息。

样本

可以显示了数据集中的样本行，用于了解数据。

2. Sweetviz

Sweetviz是另一个Python的开源代码包，仅用一行代码即可生成漂亮的EDA报告。与Pandas Profiling的区别在于它输出的是一个完全独立的HTML应用程序。

使用pip安装该软件包

pip install sweetviz

安装完成后，我们可以使用Sweetviz生成报告，下面尝试一下。

import sweetviz as sv
# 可以选择目标特征
my_report = sv.analyze(mpg, target_feat ='mpg')
my_report.show_html()

从上图可以看到，Sweetviz报告生成的内容与之前的Pandas Profiling类似，但具有不同的UI。

Sweetviz不仅可以查看单变量的分布、统计特性，它还可以设置目标标量，将变量和目标变量进行关联分析。如上面报告最右侧，它获得了所有现有变量的数值关联和类别关联的相关性信息。

Sweetviz的优势不在于单个数据集上的EDA报告，而在于数据集的比较。

可以通过两种方式比较数据集：将其拆分（例如训练和测试数据集），或者使用一些过滤器对总体进行细分。

比如下面这个例子，有USA和NOT-USA两个数据集。

# 设置需要分析的变量
my_report = sv.compare_intra（mpg，mpg [“ origin”] ==“ usa”，[“ USA”，“ NOT-USA”]，target_feat ='mpg'）
my_report.show_html（）

不需要敲太多的代码就可以让我们快速分析这些变量，这在EDA环节会减少很多工作量，而把时间留给变量的分析和筛选上。

Sweetviz的一些优势在于：

• 分析有关目标值的数据集的能力
• 两个数据集之间的比较能力

但也有一些缺点：

• 变量之间没有可视化，例如散点图
• 报告在另一个标签中打开

个人是比较喜欢Sweetviz的。

3. pandasGUI

PandasGUI与前面的两个不同，PandasGUI不会生成报告，而是生成一个GUI（图形用户界面）的数据框，我们可以使用它来更详细地分析我们的Dataframe。

首先，安装PandasGUI。

# pip安装
pip install pandasgui
# 或者通过源下载
pip install git+https://github.com/adamerose/pandasgui.git

然后，运行几行代码试一下。

from pandasgui import show
# 部署GUI的数据集
gui = show(mpg)

然后，处理好的数据集可以直接导出成csv。

pandasGUI的一些优势在于：

• 可以拖拽
• 快速过滤数据
• 快速绘图

缺点在于：

• 没有完整的统计信息
• 不能生成报告

4. 结论

Pandas Profiling、Sweetviz和PandasGUI都很不错，旨在简化我们的EDA处理。在不同的工作流程中，每个都有自己的优势和适用性，三个工具具体优势如下：

• Pandas Profiling 适用于快速生成单个变量的分析。
• Sweetviz 适用于数据集之间和目标变量之间的分析。
• PandasGUI适用于具有手动拖放功能的深度分析。
  参考：
  https://github.com/adamerose/pandasgui
  https://github.com/pandas-profiling/pandas-profiling
  https://github.com/fbdesignpro/sweetviz
  https://towardsdatascience.com/