作者:韓信子@ShowMeAI
數據分析 ◉ 技能提升系列:http://www.showmeai.tech/tutorials/33
數據分析實戰系列:http://www.showmeai.tech/tutorials/40
本文地址:http://www.showmeai.tech/article-detail/284
聲明:版權所有,轉載請聯系平台與作者並注明出處
收藏ShowMeAI查看
實際工作中,我們往往依托於業務數據分析制定業務策略。這個過程需要頻繁地進行數據分析和挖掘,發現模式規律。對於算法工程師而言,一個有效的 AI 算法系統落地,不僅僅是模型這麼簡單——數據才是最底層的驅動。
典型的『機器學習工作流程』包含 6 個關鍵步驟,其中『探索性數據分析(Exploratory Data Analysis, EDA) 』是至關重要的一步。
Wiki: In statistics, exploratory data analysis is an approach of analyzing data sets to summarize their main characteristics, often using statistical graphics and other data visualization methods. A statistical model can be used or not, but primarily EDA is for seeing what the data can tell us beyond the formal modeling and thereby contrasts traditional hypothesis testing.
探索性數據分析,通常使用統計圖形等數據可視化方法,探索數據的結構和規律,總結數據主要特征的方法。這一過程通常包含細碎的處理步驟和分析操作。
優秀的工具可以簡化上述過程!甚至可以一鍵生成分析報告。本篇 ShowMeAI 給大家總結了截至 2022年 最受歡迎的探索式數據分析工具庫,快一起試起來吧!
通常,我們有以下 3 種方式進行 EDA:
3種方式對應的最佳工具庫我們梳理到下文中了,對自動化數據分析感興趣的同學可以直接跳至『自動化EDA工具庫』板塊。
Matplotlib 是一個 Python 進行繪圖與交互式可視化的工具。 大家在Python中用到的絕大多數工具包擴展都是構建在 Matplotlib 之上的(包括 Seaborn、HoloViews、ggplot 以及後續提到部分自動化 EDA 工具等)。
基於 Matplotlib 可以借助簡單的代碼實現:散點圖、直方圖、條形圖、誤差圖和箱線圖,輔助我們理解數據和進行後續工作。
大家可以從官方 用戶指南、教程 和 代碼示例 中學習,或前往B站觀看 視頻教程 也推薦下載收藏 ShowMeAI 的 Matplotlib速查表,以便快速查找所需功能。
另一個流行的 Python 數據可視化框架是 Seaborn,它相比 Matplotlib 更為簡潔,也拓展了很多分析功能和呈現形式。
大家同樣可以通過 Seaborn 的 用戶指南和教程 對其進行學習,或前往觀看 視頻教程。也歡迎閱讀 ShowMeAI 總結的 Seaborn速查表,以及 Seaborn 可視化教程 Seaborn工具與數據可視化。
Plotly 是另外一個用於創建交互式數據可視化的 Python 開源工具庫。 Plotly 構建在 Plotly JavaScript 庫(plotly.js
) 之上,可用於創建基於 Web 的數據可視化,這些可視化可以顯示在 Jupyter 筆記本或使用 Dash 的 Web 應用程序中,或保存為單獨的 HTML 文件。
它提供了多達40+種圖表類型,包括散點圖、直方圖、折線圖、條形圖、餅圖、誤差線、箱線圖、多軸、迷你圖、樹狀圖和 3-D 圖表(甚至包括等高線圖,這在其他數據可視化庫中並不常見)。大家可以通過 官方用戶指南 進行學習和使用。
Bokeh 是一個 Python 庫,用於為現代 Web 浏覽器創建交互式可視化。 它可以構建精美的圖形,從簡單的繪圖到帶有流數據集的復雜儀表板。 使用 Bokeh,可以創建基於 JavaScript 的可視化,而無需自己編寫任何 JavaScript。
大家可以通過 Bokeh 的 官方網站 和 示例庫 了解它的一系列用法。也推薦大家下載收藏 ShowMeAI 的 Bokeh速查表,快速查找所需功能。
Altair 是 Python 的聲明性統計可視化庫,基於 Vega 和 Vega-Lite。 Altair 的 API 簡單、友好,可以用最少的代碼產生漂亮而有效的可視化效果。大家可以通過官方的 Altair Notebook Examples 學習Altair工具庫的使用。
很多做過 Python 數據分析的同學都很熟悉 Pandas 的 describe 函數,pandas-profiling 通過其低代碼接口擴展了對應的功能,將信息以報告的形式呈現。 pandas-profiling 庫自動從 pandas DataFrame 生成配置文件報告,整個過程甚至只需要兩三行代碼。
pandas-profiling 會對單字段和關聯字段進行分析。對於數據集的每一列(字段),它會分析如下的內容並呈現在交互式 HTML 報告中:
大家可以在 pandas-profiling 的項目 GitHub 頁面獲取詳細使用方法,簡單的數據分析與報告生成過程可以只通過如下1行命令生成(在命令行運行)。
pandas_profiling --title "Example Profiling Report" --config_file default.yaml data.csv report.html
或者在Python中通過如下幾行代碼完成:
# 讀取數據
df = pd.read_csv(file_name)
# 數據分析
profile = ProfileReport(df, title="Data Report", explorative=True)
# html分析報告生成
profile.to_file(Path("data_report.html"))
Sweetviz 的功能與 pandas-profiling 很相似。 它是一個開源 Python 庫,可生成精美的高信息量結果報告,只需兩行代碼即可啟動探索性數據分析過程。 輸出是一個完全獨立的 HTML 報告(而且可以完整交互式操作)。
Sweetviz的特征:
SweetViz的官方代碼可以在 GitHub 找到。分析與報告生成只需要如下 2 行代碼:
# 數據分析
my_report = sv.analyze(data)
# 報告生成
my_report.show_html()
下圖為使用 Sweetviz 生成的報告。
AutoViz 是另外 1 個自動化 EDA 框架。 它在功能方面與 Sweetviz 和 pandas-profiling 也比較類似。 AutoViz 只需一行代碼即可對任何數據集進行自動可視化,它還可以完成自動字段選擇,找到最重要的特征字段進行分析可視化,運行速度也非常快。
AutoViz可以結合Bokeh做交互式數據探索分析,詳細教程大家可以在官方 AutoViz 示例 Notebook 找到。核心代碼如下:
AV = AutoViz_Class()
_ = AV . AutoViz(filename)
下圖所示為使用 AutoViz 生成的報告。
Power BI 是由 Microsoft 開發的交互式數據可視化軟件,主要關注商業智能。 它是 Microsoft Power Platform 的一部分。 Power BI 是軟件服務、應用程序和連接器的集合,它們協同工作,將不相關的數據源轉變為連貫、視覺沉浸式和交互式見解。 可以通過直接從數據庫、網頁或電子表格、CSV、XML 和 JSON 等結構化文件中讀取數據來輸入數據。
不過,Power BI 不是開源的,它是一款付費企業工具,提供免費桌面版本。 大家可以從 官方學習指南 學習 Power BI。
Tableau 是用於數據分析和商業智能的領先數據可視化工具。 Gartner 的魔力象限將 Tableau 列為分析和商業智能領域的領導者。Tableau 是一種工具,它正在改變我們使用數據解決問題的方式——使人們和組織能夠充分利用他們的數據。
下圖所示為使用 Tableau 生成的報告。大家前往B站觀看 1小時速學視頻教程。