在这篇文章中，我将使用流行的Python软件包在Titanic机器学习数据集（https://www.kaggle.com/francksylla/titanic-machine-learning-from-disaster）上执行EDA ：pandas，matplotlib，seaborn和scikit-learn。

大纲：

• 什么是数据
• 分类分析
• 定量分析
• 聚类
• 基于树的估算器的特征重要性
• 仪表板技术

1.什么是数据

首先是一些理论。“数据”一词于1946年首次用于表示“可传输和存储的计算机信息”。在最高层次上，数据可以大致分为两大类:结构化和非结构化。结构化数据是预先定义的数据模型，通常驻留在具有固定模式的关系数据库或数据仓库中。常见的示例包括事务信息、客户信息和日期等。非结构化数据没有预先定义的数据模型，并且存在于NoSQL数据库和数据湖中。示例包括图像、视频文件和音频文件。

在这篇文章中，我们将专注于结构化数据，我将提出一种系统的方法来快速显示您数据中的潜在统计数据。在结构化数据的框架下，我们可以进一步将它们分类为分类和定量。对于分类数据，算术规则不适用。在分类中，我们有定类数据和定序数据，而在定量中，我们有区间和比率。重要的是，我们需要花一些时间来清楚地定义和理解每个术语之间的细微差别，因为这将影响我们以后的分析和预处理技术。

4种不同类型的数据

定类数据（Nominal data）

“nominal”这个名字来自拉丁语nomen，意思是名字。定类数据是通过一个简单的命名系统进行区分的对象。需要注意的一件重要事情是，定类数据可能也有分配给它们的数字。这可能看起来是有序，但它们不是。编号仅用于捕获和引用。一些例子包括:

• 一个国家集。
• 运动员编号

定序数据（Ordinal data）

定序数据是顺序重要的项。更正式地说，它们在序号上的相对位置为我们提供了意义。默认情况下，定序数据的顺序是通过给它们分配数字来定义的。但是，字母或其他顺序符号也可使用。一些例子包括:

• 比赛的比赛排名（第1名，第2名，第3名）
• 组织中的工资等级（Associate，AVP，VP，SVP）。

定距数据（Interval data）

与定序数据类似，定距数据沿着每个对象的位置彼此等距的标度来测量。这个独特的属性允许算术应用于它们。一个例子是

• 以华氏度为单位的温度，其中78度和79度之间的差值与45度和46度之间的差值相同。

定比数据（Ratio data）

与Interval数据一样，Ratio数据的差异也很有意义。定比数据具有附加功能，使得对象的比率也有意义，即它们具有真正的零点。零表示缺少某种财产。因此，当我们说某些东西是零重量时，我们的意思是那个东西没有质量。一些例子包括：

• 一个人在体重秤上的重量

定距与定比

定距和定比之间的区别就是一个没有真正的零点，而另一个有。这个例子很好地说明了这一点:当我们说某物是华氏0度时，它并不意味着它没有热量。这种独特的特性使得“华氏80度是华氏40度的两倍”等比率的说法不成立。

在我们深入研究其他部分之前，我想对一些概念进行形式化，以便您在思考过程中明确我们为什么要执行下面所示的操作。

首先我要说的是，快速显示数据摘要的最佳方法是通过2D图。尽管我们生活在3D空间世界中，但发现难以感知第三维度，例如深度，3D绘图在2D屏幕上的投影。因此，在随后的章节中，您会看到我们只使用定类数据的条形图和定量数据的箱形图，因为它们分别简洁地表达了数据分布。我们只关注单变量分析和双变量分析与目标变量。

我们主要使用seaborn和pandas来实现这一目标。众所周知，统计数据是任何数据科学家工具包的重要组成部分，而seaborn可以快速方便地使用matplotlib来精确地显示数据的统计数据。matplotlib功能强大，但有时会变得复杂。Seaborn提供了matplotlib的高级抽象，使我们能够轻松地绘制有吸引力的统计图。为了充分利用seaborn，我们还需要pandas，因为seaborn最适合使用pandas的DataFrames。

2.定类分析

我们可以开始使用pd.read_csv()读取数据。通过在数据框架上执行.head()，我们可以快速查看数据的前5行。其他有用的方法是 .desribe()， .info()：

后者会显示：

我们现在看到，

定类数据：

• PassengerId,
• Survived,
• Pclass,
• Name,
• Sex,
• Ticket,
• Cabin,
• Embarked

而定量数据：

• Age,
• SibSp,
• Parch,
• Fare

现在，凭借这些知识以及我们在第1部分中学到的知识，让我们编写一个自定义辅助函数，可以用来处理大多数类别的定类数据，并快速总结它们。我们将借助panda方法和seaborn .countplot()方法来完成这些工作 。调用辅助函数categorical_summarized，Python实现如下所示。

def categorical_summarized(dataframe, x=None, y=None, hue=None, palette='Set1', verbose=True):
 '''
 Helper function that gives a quick summary of a given column of categorical data
 Arguments
 =========
 dataframe: pandas dataframe
 x: str. horizontal axis to plot the labels of categorical data, y would be the count
 y: str. vertical axis to plot the labels of categorical data, x would be the count
 hue: str. if you want to compare it another variable (usually the target variable)
 palette: array-like. Colour of the plot
 Returns
 =======
 Quick Stats of the data and also the count plot
 '''
 if x == None:
 column_interested = y
 else:
 column_interested = x
 series = dataframe[column_interested]
 print(series.describe())
 print('mode: ', series.mode())
 if verbose:
 print('='*80)
 print(series.value_counts())
 sns.countplot(x=x, y=y, hue=hue, data=dataframe, palette=palette)
 plt.show()

categorical_summary的作用是它接受一个data frame，一些输入参数和输出如下:

• 数值数据的计数，平均值，std，最小值，最大值和四分位数，或非数值数据的顶级类别的计数，唯一，顶级类和非数值数据的顶级类的频率。
• 感兴趣列的类频率，如果verbose设置为True
• 感兴趣的列的每个类的计数的条形图

我们来谈谈输入参数。x和y采用str类型，它对应于我们想要研究的感兴趣的列。将列的名称设置为x将创建一个条形图，其中x轴显示不同的类及其在y轴上的计数。将感兴趣的列的名称设置为y将翻转先前图的轴，其中不同的类将在y轴上，x轴显示该计数。通过将色相设置为目标变量(在本例中Survived )，该函数将显示目标变量w.r.t.对感兴趣列的依赖关系。显示categorical_summary用法的一些示例代码如下:

单变量分析

# Target Variable: Survival
c_palette = ['tab:blue', 'tab:orange']
categorical_summarized(train_df, y = 'Survived', palette=c_palette)

会给出以下内容：

双变量分析

# Feature Variable: Gender
categorical_summarized(train_df, y = 'Sex', hue='Survived', palette=c_palette)

会给出以下内容：

在性别变量上输出categorical_summarized，其中hue设置为Survived

3.定量分析

现在，从技术上讲，我们可以使用条形图进行定量数据处理，但它通常会相当混乱(您可以尝试在Age列上使用categorical_summary)。一个更整洁的方法是使用一个箱型图，它会根据一个5个数字的摘要来显示分布，最小，Q1，中位数，Q3，和最大值。

下一个调用的辅助函数quantitative_summarized 定义如下：

def quantitative_summarized(dataframe, x=None, y=None, hue=None, palette='Set1', ax=None, verbose=True, swarm=False):
 '''
 Helper function that gives a quick summary of quantattive data
 Arguments
 =========
 dataframe: pandas dataframe
 x: str. horizontal axis to plot the labels of categorical data (usually the target variable)
 y: str. vertical axis to plot the quantitative data
 hue: str. if you want to compare it another categorical variable (usually the target variable if x is another variable)
 palette: array-like. Colour of the plot
 swarm: if swarm is set to True, a swarm plot would be overlayed
 Returns
 =======
 Quick Stats of the data and also the box plot of the distribution
 '''
 series = dataframe[y]
 print(series.describe())
 print('mode: ', series.mode())
 if verbose:
 print('='*80)
 print(series.value_counts())
 sns.boxplot(x=x, y=y, hue=hue, data=dataframe, palette=palette, ax=ax)
 if swarm:
 sns.swarmplot(x=x, y=y, hue=hue, data=dataframe,
 palette=palette, ax=ax)
 plt.show()

类似于categorical_summarized ，quantitative_summarized输入data frame和一些输入参数来输出潜在统计数据，以及一个box plot和swarm plot(如果swarm被设置为true)。

quantitative_summary可以接受一个定量变量和两个定类变量，其中定量变量必须分配给y，其他两个定类变量可以分别分配给x和hue。下面是一些示例代码，展示了它的用法:

单变量分析

# univariate analysis
quantitative_summarized(dataframe= train_df, y = 'Age', palette=c_palette, verbose=False, swarm=True)

会给出以下内容：

双变量分析

# bivariate analysis with target variable
quantitative_summarized(dataframe= train_df, y = 'Age', x = 'Survived', palette=c_palette, verbose=False, swarm=True)

会给出以下内容：

多变量分析

# multivariate analysis with Embarked variable and Pclass variable
quantitative_summarized(dataframe= train_df, y = 'Age', x = 'Embarked', hue = 'Pclass', palette=c_palette3, verbose=False, swarm=False)

会给出以下内容：

在Age变量上输出quant_summarized，其中x设置为Survived，hue设置为Pclass

4.聚类

k-Means聚类

k-means聚类属于划分聚类。在划分群集中，我们必须指定我们想要的聚类数k。这可以通过选择下图的“below”点来完成。

由于K Means计算特征之间的距离以确定以下观察是否属于某个质心，我们必须通过编码定类变量并填充缺失值来预处理我们的数据。一个简单的预处理函数如下所示。

def simple_preprocessing(dataframe, train=True):
 le = LabelEncoder()
 X = dataframe.drop(['PassengerId', 'Cabin', 'Name', 'Ticket'], axis=1)
 X['Age'] = X['Age'].fillna(value=X['Age'].mode()[0])
 X['Embarked'] = le.fit_transform(X['Embarked'].fillna(value=X['Embarked'].mode()[0]))
 X['Sex'] = np.where(X['Sex'] == 'male', 1, 0)
 
 if train:
 X = X.drop(['Survived'], axis=1)
 y = np.where(dataframe['Survived'] == 1, 'Alive', 'Dead')
 y = pd.get_dummies(y, columns=['Survived'])
 return X, y
 else:
 return X

现在我们已经处理了数据，我们必须执行特征缩放，以便可以比较特征之间的距离。这可以通过sklearn.preprocessing库轻松完成。。运行k-means算法后，我们设置k = 2，我们可以绘制变量，Python如下所示。

import matplotlib as mpl
fig = plt.figure(figsize = (8,10))
mpl.rcParams['image.cmap'] = 'jet'
labels = pipeline.predict(sample_train)
x_label = 'Survived'
y_label = 'Age'
plt.scatter(sample_train[x_label], sample_train[y_label], c = labels, alpha = 0.3)
plt.xlabel(x_label)
plt.xticks(sample_train[x_label])
plt.ylabel(y_label)
plt.show()

凝聚层次聚类

对于本小节，我将介绍另一种通过聚类执行EDA的快速方法。凝聚聚类使用自下而上的方法，其中个体观察基于它们的距离迭代地连接在一起。我们将使用该scipy.cluster.hierarchy包来执行链接并使用树形图显示我们的结果。两个聚类之间的距离通过最近邻方法计算。

from scipy.cluster.hierarchy import linkage
from scipy.cluster.hierarchy import dendrogram
sample_train,sample_val, gt_train, gt_val = train_test_split(train_df,
 train_df['Survived'],
 test_size=0.05,
 random_state=99)
sample_val_processed = simple_preprocessing(sample_val, train = False)
sample_val_processed = scaler.fit_transform(sample_val_processed)
mergings = linkage(sample_val_processed, method='complete')
fig = plt.figure(figsize = (16,10))
dendrogram(mergings,
 labels=np.array(sample_val['Name']),
 leaf_rotation=90,
 leaf_font_size=10)
plt.show()

5.基于树的估算器的特征重要性

另一种执行EDA的快速方法是通过基于树的估算器。决策树在最终输出预测的叶节点之前学习如何“最佳”地将机器学习数据集拆分成较小的子集。拆分通常由诸如基尼或信息增益熵的杂质标准定义。由于这是关于EDA而不是决策树的帖子，我不会详细解释它们背后的数学，但我将向您展示如何使用它们更好地理解您的特征。

基于杂质标准，可以通过greedily picking有助于获得最多信息增益的特征来构建树。为了说明这一点，我将使用该scikit-learn库。

构建随机森林分类器

我们首先构建一个随机森林分类器。默认情况下，杂质标准设置为Gini。使用以下Python代码，我们可以看到我们的Titanic机器学习数据集的相应特征重要性。

from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(n_estimators = 500, max_depth=12)
rf_clf.fit(X_train, y_train)
rf_y_pred = rf_clf.predict(X_val)
pd.Series(rf_clf.feature_importances_, index = X_train.columns).nlargest(12).plot(kind = 'barh',
 figsize = (10, 10),
 title = 'Feature importance from RandomForest').invert_yaxis();

XGBoost

另一种创建决策树集合的方法是通过XGBoost，它是梯度提升框架系列的一部分。使用以下Python代码，我们可以看到哪个相应的特征对我们的XGBoost很重要。同样，默认情况下，杂质标准设置为Gini。

from xgboost import XGBClassifier
xgb_clf = XGBClassifier(max_depth=12, learning_rate=1e-4,n_estimators=500)
xgb_clf.fit(X_train, np.argmax(np.array(y_train), axis = 1))
xgb_y_pred = xgb_clf.predict(X_val)
pd.Series(xgb_clf.feature_importances_, index = X_train.columns).nlargest(12).plot(kind = 'barh',
 figsize = (10, 10),
 title = 'Feature importance from XGBoost').invert_yaxis();

6.Dashboarding 技术

与图表不同，Dashboarding 的创建是为了在一个屏幕上以干净，简洁的方式客观地显示重要信息，目的是告知并不误导其读者。通常，Dashboarding 是利用我们的视觉感知能力以扩大认知的数据的表示。他们展示的信息具有很高的图形优势，所有人都能理解，不需要补充信息进行解释。

要实现图形卓越，必须遵循以下两个关键方面：

• 最大化数据：Ink 和最小化Chartjunk
• 具有高图形完整性

数据：Ink 和Chartjunk

数据：Ink 定义为用于表示数据的墨水，而Chartjunk就是图中垃圾元素，这些元素不单让阅读者分心失去数据要表达的重点。

图像显示了一个男人的脸的侧面，同时也能可看到他的正面。

实现图形完整性

有六个原则来确保图形完整性：

• 使数字的表示与数量成比例
• 使用清晰，详细和完整的标签
• 显示数据变化，而不是设计变化
• 使用标准化单位，而不是标称值
• 用小于或等于'n'个可变维度描述'n'数据维度
• 引用完整上下文中的数据

因此，我们避免使用饼状图或3D图形或区域尺寸。条形图和箱形图是实现图形完整性的良好示例，因为它们简单(每个人都可以理解而没有歧义)且强大。同样重要的是不要忽略上下文，比如让轴将定量数据显示为0。

图形完整性差的误导图形示例

到目前为止，Tableau在仪表板方面可能是行业领导者。他们采用最佳的仪表板实践，并且通过拖放操作完成为您绘制图表的繁重工作。我强烈建议任何对此领域感兴趣的人来看看Tableau。另一个与Tableau类似的开源项目叫做Apache Superset。

结论

总而言之，有许多方法可以进行EDA。EDA是整个数据科学过程的一部分，这是一个高度迭代的过程。