推荐一个利用 python 生成 pptx 分析报告的工具包：reportgen

数据分析侠

2018-03-29

reportgen v0.1.8 更新介绍

这段时间，我对 reportgen 进行了大工程量的修改和更新。将之前在各个文章中出现的函数进行了封装，同时也对现有工具包的一些逻辑进行了调整。

1、reportgen 简介

reportgen 的底层是 pptx 文件生成接口，它能非常方便的将DataFrame等数据导出为pptx上的图表。你可以自定义图表的类型（条形图、饼图、折线图等），也可以全部交给工具包来自动化。另外不排除后期会增加其他文件形式（如可交互的 html 等）接口的可能性，但短期内估计比较难。

在这些接口上是一些辅助函数，包括特征类型的判断、sklearn中缺少的预处理函数、一些特殊的度量函数、模型评估报告函数、关联分析函数等。工具包的愿景是对数据的自动分析，自动出报告，这期间缺乏的函数我都可能加进去。这次更新，主要就是完善了这一层。

工具包的最外层就是各类数据的分析报告生成。目前已经完成的是问卷型数据和通用性数据。其中问卷型数据已经很完善，基本只需要修bug了,单独作为一个子包放在 reportgen中，大家可以 import reportgen.questionnaire as ques 来使用。至于通用性数据，目前已经完成了第一步，即描述统计型的分析报告，大家可以用rpt.AnalysisReport 来实现。第二步准备实现给定目标变量后的分析，包含交叉分析、各特征的重要性、监督学习模型等。

另外，这次我放了一些案例在github上，用于大家下载后的测试和学习用，网址是 https://github.com/gasongjian/reportgen/tree/master/example

2、通用数据的分析

在这个分析报告中，我会对DataFrame数据的每一个字段进行分析，判断它们的类型，然后画出合适的图表。对于因子变量，自动绘制柱状图或条形图；对于数值型变量，自动绘制出拟合的分布图；对于一般的文本，自动绘制词云。同时也会给出一个统计表格，内含各个变量的场景统计数据，如最大值、最小值、均值、标准差、唯一数个数、缺失率等。下面是一个例子，代码和数据可在我的github中寻找。

import pandas as pd
import reportgen as rpt
# 数据导入
# 数据的网址：https://github.com/gasongjian/reportgen/tree/master/example/datasets/LendingClub_Sample.xlsx
data=pd.read_excel('.\\datasets\\LendingClub_Sample.xlsx')
# 数据预览
rpt.AnalysisReport(data.copy(),filename='LendingClub 数据预览');

它会生成如下 pptx 文件

推荐一个利用 python 生成 pptx 分析报告的工具包：reportgen

另外这里有一些过程函数也推荐给大家

特征统计分析

# 返回各个特征的数据类型
var_type=rpt.type_of_var(data)
#返回一个统计表格，内含数据各个特征的一些统计值
summary=rpt.describe(data)

数据预处理

# 只作工具包测试，所以不区分训练集和测试集
y=data['target']
X=data.drop(['target'],axis=1)
categorical_var=list(set(X.columns[X.apply(pd.Series.nunique)<30])|set(X.select_dtypes(include=['O']).columns))
continuous_var=list(set(X.columns)-set(categorical_var))

# ===========【WOE 编码】=============
woe=rpt.preprocessing.WeightOfEvidence(categorical_features=categorical_var,encoder_na=False)
X=woe.fit_transform(X,y)

# ===========【离散：卡方分箱】=============
dis=rpt.preprocessing.Discretization(continous_features=continuous_var)
X2=dis.fit_transform(X,y)

信息论相关度量函数

# 离散因子变量的熵
rpt.metrics.entropy.entropy(p)
# 连续数值变量的熵（基于k近邻算法的近似估计）
rpt.metrics.entropyc.kl_div(p,q)

机器学习模型辅助建模函数

clfs={'LogisticRegression':LogisticRegressionCV(),\
'RandomForest':RandomForestClassifier(),'GradientBoosting':GradientBoostingClassifier()}
y_preds,y_probas={},{}
for clf in clfs:
    clfs[clf].fit(X, y)
    y_preds[clf] =clfs[clf].predict(X)
    y_probas[clf] = clfs[clf].predict_proba(X)[:,]

# 函数会输出一个或多个二分类模型的性能评估结果，包含ROC曲线、PR曲线、密度函数、auc等统计指标、混淆矩阵等
models_report,conf_matrix=rpt.ClassifierReport(y,y_preds,y_probas)
print(models_report)

3、问卷型数据分析

问卷数据涉及到各种题型，包括单选题、多选题、填空题、矩阵多选题、排序题等等。不管是
频数统计还是交叉分析，单选题都很好处理, 但其他题目就相对复杂的多，比如单选题和多选题
之间的交叉统计，多选题和多选题之间的交叉统计等。

为了能使用统一的函数进行常规分析，本工具包使用专门针对问卷设计的数据类型（或者说编码方式）。在这种类型中，每一份问卷都有两个文件，data 和 code ,它们的含义如下：

1). data：按选项序号编码的数据(csv、xlsx等都可以)。具体的示例如下：

|Q1|Q2|Q3_A1|Q3_A2|Q3_A3|Q3_A4|
|:----:|:---:|:----:|:----:|:---:|:----:|
|1|1|1|0|1|0|
|1|2|0|0|1|0|
|1|1|1|0|0|1|
|2|3|0|1|1|0|
|1|2|1|0|1|0|
|1|4|0|1|0|1|
|2|2|1|0|1|0|
|1|1|0|1|0|1|
|2|2|1|0|1|0|

其中 Q1、Q2是单选题，在Q1中，1代表男，2代表女。Q3是多选题，一共有四个选项，分别代表 Q3_A1:'旅游',Q3_A2:'健身',Q3_A3:'艺术',Q3_A4:'养生'. 多选题常用这种01矩阵存储。

2). code：编码文件（ json格式，就是 python中的字典类型）, 给定每道题的题号、选项编码等信息。

每一个题目都有如下字段：

content: 题目内容
code: 题目对应的编码
code_r: 题目对应的编码(矩阵单选题专有)
qtype: 题目类型，单选题、多选题、矩阵单选题、排序题、填空题等
qlist: 该题的索引，如多选题的 ['Q1_A1','Q1_A2',..]
code_order: 非必须，题目类别的顺序，用于PPT报告的生成[一般后期添加]
name: 非必须，特殊题型的标注
weight: 非必须，dict,每个选项的权重，用于如月收入等的平均数统计

具体示例如下：

code={'Q1':{
      'content':'性别',
      'code':{
          :'男',
          :'女'
      }
      'qtype':'单选题',
      'qlist':['Q1']
  },
  'Q2':{
      'content':'年龄',
      'code':{
          :'17岁以下',
          :'18-25岁',
          :'26-35岁',
          :'36-46岁'
      },
      'qtype':'单选题',
      'qlist':['Q2']
  },
  'Q3':{
      'content':'爱好',
      'code':{
          'Q3_A1':'旅游',
          'Q3_A2':'健身',
          'Q3_A3':'艺术',
          'Q3_A4':'养生'
      },
      'qtype':'多选题',
      'qlist':['Q3_A1','Q3_A2','Q3_A3','Q3_A4']
  }
  }

该工具包包含如下函数：

文件 IO

read_code, 从本地读取code数据，支持excel文件和json文件
save_code, 将code 保存为 xlsx 或json数据
load_data, 支持打开文件窗口来选择问卷数据
read_data, 读取本地的数据,自适应xlsx、csv等
save_data, 将问卷数据（data和code）保存到本地
wenjuanwang, 编码问卷网平台的问卷数据，输入为问卷网上下载的三个文件
wenjuanxing, 编码问卷星平台的问卷数据，输入为问卷星网站上下载的两个xls文件（按选项序号和按选项文本）

数据处理

spec_rcode: 对问卷中的一些特殊题型进行处理，如将城市题分类成省份、城市、城市级别等
dataText_to_code:
dataCode_to_text:
var_combine: 见data_merge
data_merge: 合并两份问卷数据，常见于多个推动渠道的问卷合并
clean_ftime: 根据用户填写时间来筛选问卷，会根据填问卷累计时间曲线的拐点来给出剔除的时间点
data_auto_code:
qdata_flatten: 将问卷数据展平，便于将多份问卷数据存储在同一个数据库中

统计检验等

sample_size_cal: 样本量计算公式
confidence_interval: 置信区间计算公式
gof_test: 拟合优度检验
chi2_test: 卡方检验
fisher_exact: 卡方检验，适用于观察频数过少的情形
anova: 方差分析

数据分析

mca: 对应分析，目前只支持两个变量
cluster: 态度题的聚类分析，会根据轮廓系数自动选择最佳类别数
association_rules: 关联分析，用于多选题的进一步分析

统计

contingency: 列联表分析，统一给出列联表的各种数据，包含fo、fop、TGI等
qtable: 单个题目的统计分析和两个题目的交叉分析，给出频数表和频率表

可视化

summary_chart: 整体统计报告，针对每一道题，选择合适的图表进行展示，并输出为pptx文件
cross_chart: 交叉分析报告，如能将年龄与每一道题目进行交叉分析，并输出为pptx文件
onekey_gen: 综合上两个，一键生成
scorpion: 生成一个表格，内含每个题目的相关统计信息
scatter: 散点图绘制，不同于matplotlib的是，其能给每个点加文字标签
sankey: 桑基图绘制，不画图，只提供 R 需要的数据

python实践

import reportgen.questionnaire as ques
# 导入问卷星数据
datapath=['.\\datasets\\[问卷星数据]800_800_0.xls','.\\datasets\\[问卷星数据]800_800_2.xls']
data,code=ques.wenjuanxing(datapath)

# 导出
ques.save_data(data,filename='data.xlsx')
ques.save_data(data,filename='data.xlsx',code=code)# 会将选项编码替换成文本
ques.save_code(code,filename='code.xlsx')

# 对单变量进行统计分析
result=ques.qtable(data,code,'Q1')
print(result['fo'])

# 两个变量的交叉分析
result=ques.qtable(data,code,'Q1','Q2')
print(result['fop'])

# 聚类分析，会在原数据上添加一列，类别题
#ques.cluster(data,code,'态度题')

# 在.\\out\\下 生成 pptx文件
ques.summary_chart(data,code,filename='整体统计报告');
ques.cross_chart(data,code,cross_class='Q4',filename='交叉分析报告_年龄');
ques.scorpion(data,code,filename='详细分析数据')
ques.onekey_gen(data,code,filename='reportgen 自动生成报告');

最新信息发布见我的个人公众号：

python 数据分析报告