Datawhale - 数据挖掘训练营 - Task2 EDA数据探索性分析

最新推荐文章于 2026-04-02 22:23:36 发布

原创最新推荐文章于 2026-04-02 22:23:36 发布 · 538 阅读

2 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#数据挖掘 #数据分析

笔记专栏收录该内容

1 篇文章

订阅专栏

本文介绍了数据挖掘训练营中Task2的EDA过程，包括载入分析库和数据，初步观察数据，排查数据缺失和异常值，理解预测值分布以及特征分析。使用了各种统计和可视化工具，如描述性统计、相关性分析、直方图、箱形图和小提琴图等，以深入洞察数据特性。

开发板推荐：天空星STM32F407VET6开发板

超高性价比 STM32主控 | 超高主频 | 一板兼容百芯 | 比赛神器 | 沉金彩色丝印

点击查看

载入分析库

import warnings
warnings.filterwarnings('ignore')
#导入warnings包，利用过滤器来实现忽略警告语句。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt #2D绘图库
import seaborn as sns #图形可视化library
import missingno as msno #缺失值可视化

载入数据

Train_data = pd.read_csv('train.csv', sep=' ')
Test_data = pd.read_csv('testA.csv', sep=' ')

pd.read_csv(file_name, sep=’ ') 导入csv格式数据，以‘ ’为分隔符

简略观察数据

Train_data.head().append(Train_data.tail())
Train_data.shape

head(), tail()：数据首尾
shape：数据规模

数据总览

Train_data.describe()
Train_data.info()

describe(): 输出每一列的个数、均值、方差、最小值、中位数以及最大值；以此掌握各列值域，发现异常值（ex. 999 9999 - 1表示nan）
info(): 输出各列的type，发现除了nan以外的特殊符号异常

排查数据缺失、数据异常

查看数据缺失

# 输出各列nan的个数
Train_data.isnull().sum()

#nan可视化
missing = Train_data.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)
missing.plot.bar()

sort_values(inplace=True)：将数据按（默认）升序排序，并用排序后的数据替换原数据。
函数详见：https://blog.csdn.net/MsSpark/article/details/83154128
plot.bar()：用pandas画柱状图。

如果处理缺失：如果nan个数较少，一般选择填充；如果nan个数过多，可用考虑删除；如果使用lgb等树模型并nan个数较少，可用直接空缺，让树模型自己进行优化。

查看缺省值

# 查看缺省值
msno.matrix(Train_data.sample(250))
msno.bar(Train_data.sample(1000))

#对特殊缺省值多的列，显示该列的不同值
Train_data['notRepairedDamage'].value_counts()

#将空缺值'-'替换成'nan'
Train_data['notRepairedDamage'].replace('-', np.nan, inplace=True)

sample(sequence_a, n)：从序列中a中随机抽取n个元素，并以list形式返回，参考https://www.cnblogs.com/volcao/p/8727688.html
matrix()：矩阵容器，参考https://blog.csdn.net/weixin_36179862/article/details/84936247
bar()：matplotlib绘制柱状图，参考https://blog.csdn.net/beyond9305/article/details/82958683

处理异常值

#将类别严重倾斜的特征删掉
del Train_data["seller"]
del Train_data["offerType"]
del Test_data["seller"]
del Test_data["offerType"]

value_counts()：查看一列中有多少个不同值，并计算不同值在该列中有多少重复值，参考https://blog.csdn.net/qq_42665335/article/details/81177699
replace(old, new)：将字符串中的old替换成new，参考https://www.runoob.com/python/att-string-replace.html
np.nan：not a number，来自于numpy.nan

了解预测值分布

Train_data['price']
Train_data['price'].value_counts()

观察预测值分布

import scipy.stats as st
y = Train_data['price']
plt.figure(1); plt.title('Johnson SU')
sns.distplot(y, kde=False, fit=st.johnsonsu)
plt.figure(2); plt.title('Normal')
sns.distplot(y, kde=False, fit=st.norm)
plt.figure(3); plt.title('Log Normal')
sns.distplot(y, kde=False, fit=st.lognorm)

sns.distplot()：seaborn画图，参考https://www.cnblogs.com/yudanqu/p/9031869.html
scipy.stats：统计推断包，参考http://blog.chinaunix.net/uid-31404425-id-5763774.html
**johnsonsu：无界约翰逊分布
**norm：正态分布
**lognorm：对数正态分布

线性回归的基本假设之一就是随机变量服从正态分布。加入不符合正态分布，考虑用非线性模型，或数据进行转换。

查看skewness and kurtosis

#查看数据偏度和峰度
sns.distplot(Train_data['price']);
print("Skewness: %f" % Train_data['price'].skew())
print("Kurtosis: %f" % Train_data['price'].kurt())

Train_data.skew(), Train_data.kurt()
sns.distplot(Train_data.skew(),color='blue',axlabel ='Skewness')
sns.distplot(Train_data.kurt(),color='orange',axlabel ='Kurtness')

关于数据偏度和峰度，参考https://www.cnblogs.com/wyy1480/p/10474046.html

查看预测值频数

#绘制预测值的直方图，
plt.hist(Train_data['price'], orientation = 'vertical',histtype = 'bar', color ='red')
plt.show()

# log变换之后的分布较均匀，可以进行log变换进行预测，这也是预测问题常用的trick
plt.hist(np.log(Train_data['price']), orientation = 'vertical',histtype = 'bar', color ='red') 
plt.show()

hist()：绘制直方图，参考https://www.cnblogs.com/czz0508/p/10452490.html
对于频数较少的值当作异常处理，可以填充或删掉
有时数据进行log变换之后的分布较均匀，则可以进行log变换进行预测

特征分析

手动分割特征

numeric_features = ['power', 'kilometer', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13','v_14' ]

categorical_features = ['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode',]

数字特征分析

特征的偏度和峰值

del price_numeric['price']
for col in numeric_features:
    print('{:15}'.format(col), 
          'Skewness: {:05.2f}'.format(Train_data[col].skew()) , 
          '   ' ,
          'Kurtosis: {:06.2f}'.format(Train_data[col].kurt())  
         )

特征的分布可视化

f = pd.melt(Train_data, value_vars=numeric_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False)
g = g.map(sns.distplot, "value")

melt()：用来进行数据格式转换，可以输出f查看，参考https://blog.csdn.net/mingkoukou/article/details/82867218
FacetGrid()，map()：seaborn可视化，先用facegrid画出轮廓，再用map填充，参考https://blog.csdn.net/acbattle/article/details/86490395
displot()：集合了matplotlib的hist()与核函数估计kdeplot的功能，增加了rugplot分布观测条显示与利用scipy库fit拟合参数分布的新颖用途，参考https://www.jianshu.com/p/844f66d00ac1

特征相互之间的关系可视化

sns.set()
columns = ['price', 'v_12', 'v_8' , 'v_0', 'power', 'v_5',  'v_2', 'v_6', 'v_1', 'v_14']
sns.pairplot(Train_data[columns],size = 2 ,kind ='scatter',diag_kind='kde')
plt.show()

sns.set()：切换到seaborn的默认运行配置
pairplot()：seaborn的散点图矩阵可视化，参考https://blog.csdn.net/qq_36142114/article/details/80559949

类别特征分析

以下分析用到的可视化方法包括箱型图、小提琴图和柱形图。其中：

箱型图：显示一组数据分散情况资料的统计图。
小提琴图：展示多组数据的分布状态以及概率密度，结合了箱形图和密度图的特征，主要用来显示数据的分布形状。跟箱形图类似，但是在密度层面展示更好。在数据量非常大不方便一个一个展示的时候小提琴图特别适用。
柱形图：用于对比两个或多个变量的值域分布。

查看unique分布

for cat_fea in categorical_features:
    print(cat_fea + "的特征分布如下：")
    print("{}特征有个{}不同的值".format(cat_fea, Train_data[cat_fea].nunique()))
    print(Train_data[cat_fea].value_counts())

特征箱形图可视化

#对不稀疏的特征有意义
categorical_features = ['model',
 'brand',
 'bodyType',
 'fuelType',
 'gearbox',
 'notRepairedDamage']
for c in categorical_features:
    Train_data[c] = Train_data[c].astype('category')
    if Train_data[c].isnull().any():
        Train_data[c] = Train_data[c].cat.add_categories(['MISSING'])
        Train_data[c] = Train_data[c].fillna('MISSING')

def boxplot(x, y, **kwargs):
    sns.boxplot(x=x, y=y)
    x=plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(boxplot, "value", "price")

小提琴图可视化

catg_list = categorical_features
target = 'price'
for catg in catg_list :
    sns.violinplot(x=catg, y=target, data=Train_data)
    plt.show()

柱形图可视化

def bar_plot(x, y, **kwargs):
    sns.barplot(x=x, y=y)
    x=plt.xticks(rotation=90)

f = pd.melt(Train_data, id_vars=['price'], value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(bar_plot, "value", "price")

各个类别频数可视化

def count_plot(x,  **kwargs):
    sns.countplot(x=x)
    x=plt.xticks(rotation=90)

f = pd.melt(Train_data,  value_vars=categorical_features)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(count_plot, "value")

生成数据报告 - pandas_profiling

import pandas_profiling
pfr = pandas_profiling.ProfileReport(Train_data)
pfr.to_file("./example.html")

pandas_profiling可以简单快速地进行探索性数据分析，适合前期数据探索阶段以及数据报告批量化生产。
安装方式：pip install pandas-profiling
使用方法：导入相关库（ex. seaborn, pandas, pandas_profiling, matplotlib）；导入数据集；使用pandas_profiling生成报告；导出html文件
参考：https://zhuanlan.zhihu.com/p/85967505

开发板推荐：天空星STM32F407VET6开发板

超高性价比 STM32主控 | 超高主频 | 一板兼容百芯 | 比赛神器 | 沉金彩色丝印

点击查看