Python Academy · 课时

探索性数据分析（EDA）

Q: 「探索性数据分析（EDA）」这节课中我会学到什么？

学习使用 Pandas 和 Matplotlib 汇总、可视化并理解数据的技术 你通过在浏览器中直接运行的动手代码来练习 Python Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习使用 Pandas 和 Matplotlib 汇总、可视化并理解数据的技术

探索性数据分析（EDA） 是 CoddyKit 上的免费 Python Academy 课时。这是第 5 节课，共 5 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Python Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Python Academy 课程共包含 5 节课。

EDA 概览

探索性数据分析（EDA）

探索性数据分析（EDA）是数据科学工作流程中的关键步骤。它包括汇总、可视化和理解数据，以发现其中的模式、关系和洞察。

在本课中，您将学习如何使用 Pandas 和 Matplotlib 等 Python 库进行 EDA。

什么是 EDA

EDA 可以帮助您：

了解数据的结构和特征。
识别模式、趋势和异常值。
决定如何对数据进行预处理，以便进一步分析或建模。

使用 Pandas 汇总数据

Pandas 提供了用于生成描述性统计信息和汇总数据集的函数：

# Example: Summarizing data
import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35], 'Salary': [50000, 60000, 70000]}
df = pd.DataFrame(data)
print(df.describe())

使用 Matplotlib 可视化数据

Matplotlib 是一个用于创建可视化图表的强大库。请使用它为 EDA 创建各种图表。

# Example: Plotting data
import matplotlib.pyplot as plt

x = ['Alice', 'Bob', 'Charlie']
y = [50000, 60000, 70000]
plt.bar(x, y)
plt.title('Salaries')
plt.show()

识别缺失数据

Pandas 可以轻松检测数据集中的缺失值：

# Example: Identifying missing data
data = {'Name': ['Alice', 'Bob', None], 'Age': [25, None, 35]}
df = pd.DataFrame(data)
print(df.isnull().sum())

可视化分布

了解数据分布是 EDA 的关键。请使用直方图将分布可视化：

# Example: Visualizing distributions
import seaborn as sns
sns.histplot(df['Salary'])
plt.show()

异常值检测

异常值可能会影响分析。箱线图对于检测异常值很有用：

# Example: Detecting outliers
sns.boxplot(x=df['Salary'])
plt.show()

EDA 中的常见错误

以下是需要避免的一些错误：

跳过可视化，仅依赖数值汇总信息。
忽略缺失数据和异常值。
未能探索变量之间的关系。

我们学到了什么

在本课中，您学习了：

探索性数据分析（EDA）的重要性。
如何使用 Pandas 汇总数据。
如何使用 Matplotlib 和 Seaborn 将数据分布、异常值和相关性可视化。
EDA 中需要避免的常见错误。

做得很好！接下来让我们学习下一个主题。

常见问题解答