一行Python命令搞定前期数据探索性分析
对于每个从事和数据科学有关的人来说，前期的数据清洗和探索一定是个花费时间的工作。毫不夸张的说，80%的时间我们都花在了前期的数据工作中，包括清洗、处理、EDA（Exploratory Data Analysis，探索性数据分析）等。前期的工作不仅关乎数据的质量，也关乎最终模型预测效果的好坏。
每当我们手上出现一份新的数据时，我们都需要事先通过人为地观察、字段释义等方式预先对数据进行熟悉与理解。在清洗、处理完数据之后才会开始真正的 EDA 过程。
这个过程最通用的操作无非就是对现有的数据做基本性的统计、描述，包括平均值、方差、最大值与最小值、频数、分位数、分布等。实际上往往都是比较固定且机械的。
在 R 语言中 skimr 包提供了丰富的数据探索性统计信息，比 Pandas 中的 describe() 基本统计信息更为丰富一些。
01-skmir
但在 Python 社区中，我们同样也可以实现 skmir 的功能，甚至比 skmir 有过之而无不及。那就是使用 pandas-profiling 库来帮助我们搞定前期的数据探索工作。
快速使用
通过 pip install pandas-profiling 之后我们就可以直接导入并使用了。我们只需要通过其一行核心代码 ProfileReport(df, **kwargs) 即可实现：
import pandas as pd
import seaborn as sns
from pandas_profiling import ProfileReport
titanic = sns.load_dataset("Titanic")
ProfileReport(titanic, title = "The EDA of Titanic Dataset") 如果我们是在 Jupyter Notebook 中使用，则会在 Jupyter Notebook 中渲染最后直接输出到单元格中。
02-profile
pandas-profiling 库也扩展了 DataFrame 对象方法，这意味着我们也可以通过像调用方法一样使用 DataFrame.profile_report() 来实现和上述一样的效果。
无论使用哪种方式，最后都是生成一个 ProfileReport 对象；如果要进一步贴合 Jupyter Notebook，可以直接调用 to_widgets() 和 to_notebook_iframe() 来分别生成挂架或对应的组件，在展示效果上会更加美观，而不是在输出栏进行展示。
03-widgets
如果不在 Jupyter Notebook 中直接使用，而是使用其他 IDE，那么我们可以通过 to_file() 方法来直接将报告输出，需要注意的是最后保存的文件名需要加上扩展名 .html。
另外，Pandas-profiling 还和多个框架、云上平台等进行了集成，能够让我们方便的进行调用，详情见官网（https://pandas-profiling.github.io/pandas-profiling/docs/master/rtd/pages/integrations.html）。
进一步定制报告信息
虽然生成的探索性报告基本上已经能满足我们了解数据的简单需求，但是当中输出的信息也有些不足或是冗余。好在 pandas-profiling 也给我们提供了自己定制的可能。这些定制的配置最终会写入到 yaml 文件中。
在官方文档中列出了几个我们能够进一步调整的部分，分别对应了报告 Tab 栏的各部分标签：
- vars：主要用于调整数据中字段或变量在报告中的呈现的统计指标
- missing_diagrams：主要涉及到关于缺失值字段的可视化展示
- correlations：顾名思义即调整有关各字段或变量之间相关关系的部分，包括是否计算相关系数、以及相关的阈值等
- interactions：主要涉及两两字段或变量之前的相关关系图呈现
- samples：分别对应了 Pandas 中 head() 和 tail() 方法，即预览前后多少条数据
这些部分还有许多可以指定的参数，感兴趣的朋友可以直接参考官方文档（https://pandas-profiling.github.io/pandas-profiling/docs/master/rtd/pages/advanced_usage.html），本文就不多加赘述了。
于是我们可以直接在代码中手动写入并进行调整，就像这样：
profile_config = {
"progress_bar": False,
"sort": "ascending",
"vars": {
"num": {"chi_squared_threshold": 0.95},
"cat": {"n_obs": 10}
},
"missing_diagrams": {
'heatmap': False,
'dendrogram': False,
}
}
profile = titanic.profile_report(**profile_config)
profile.to_file("titanic-EDA-report.html") 将所有配置的信息写在一个字典变量中，再通过 **variable 的形式将键值对进行解包使其能够根据键来对应到相应的参数中。
除了代码中的配置写法外，如果你稍微了解一点 yaml 配置文件的写法，那么我们也无需在代码中逐个写入，而是可以通过在 yaml 文件中修改。修改的不仅官方文档中所列出的配置选项，还能修改未列出的参数。由于配置文件过长，这里我只放出基于官方默认配置文件 config_default.yaml 自己做出修改的部分：
# profile_config.yml vars: num: quantiles: - 0.25 - 0.5 - 0.75 skewness_threshold: 10 low_categorical_threshold: 5 chi_squared_threshold: 0.95 cat: length: True unicode: True cardinality_threshold: 50 n_obs: 5 chi_squared_threshold: 0.95 coerce_str_to_date: False bool: n_obs: 3 file: active: False image: active: False exif: True hash: True sort: "desceding"
修改完 yaml 文件之后，我们只需在生成报告时通过 config_file 参数指定配置文件所在的路径即可，就像这样：
df.profile_report(config_file = "你的文件路径.yml")
通过将配置文件与核心代码相分离，以提高我们代码的简洁性与可读性。
最后
pandas-profiling 库为我们提供了一种方便、快捷的数据探索方式，提供了比基本统计信息更为丰富的一些信息（如缺失值相关图、相关关系图等），能够为我们前期的数据探索工作节省出大量的时间。