Python如何快速创建强大的探索性数据分析可视化？
转自：https://www.wukong.com/answer/6542422582006644999/?iid=39055545733&app=news_article&share_ansid=6542422582006644999&app_id=13&tt_from=mobile_qq&utm_source=mobile_qq&utm_medium=toutiao_ios&utm_campaign=client_share
可以采用Python 数据分析库，如 matplotlib，或者Pandas等进行探索性数据分析可视化。
数据可视化是数据科学家工作中的重要组成部分。在项目的早期阶段，你通常会进行探索性数据分析(Exploratory Data Analysis，EDA)以获取对数据的一些理解。创建可视化方法确实有助于使事情变得更加清晰易懂，特别是对于大型、高维数据集。在项目结束时，以清晰、简洁和引人注目的方式展现最终结果是非常重要的，因为你的受众往往是非技术型客户，只有这样他们才可以理解。
或者使用Pandas 库
尽管 Pandas 功能强大，但它并不为整个数据科学流程提供完整功能。Pandas 通常是被用在数据采集和存储以及数据建模和预测中间的工具，作用是数据挖掘和清理。
数据科学管道
对于典型的数据科学家而言，Pandas 在数据管道传输过程中扮演着非常重要的角色。其中一个量化指标是通过社区讨论频率趋势(Stack Overflow trends app (https://insights.stackoverflow.com/trends))。
快速创建，当然是用库啰。
主流的库：pandas、seaborn、matplotlib。
另外plotlib和bokeh也可以了解下。
pandas
pandas是基础，数据分析可视化，首先要分析，然后才谈得上可视化。
（图片来源：pandas官网）
pandas的主要概念是DataFrame和Serie。其中用的最多的是DataFrame。DataFrame你可以简单理解为一张表格，每行是一个观测（observation）/实例（instance），每列是一个特征（feature）/属性（property）。理解了DataFrame，Serie也就不难理解，DataFrame的每行你都可以把它看成是一个Serie.
然后pandas提供了各种数据分析的方法，处理DataFrame和Serie.
绘图库
然后，seaborn、matplotlib、plotly、bokeh都是绘图库，用来绘制各种可视化的图形。（当然，其实pandas也可以用来绘图，但是pandas的绘图能力比较孱弱，一般不用。）
seaborn是基于matplotlib的，后出转精，API用起来比matplotlib简洁舒服。不过seaborn并不能完全替代matplotlib，有的时候还是需要使用matplotlib。
（图片来源：seaborn官网）
seaborn和matplotlib都是绘制图片，而plotly和bokeh可以做出可交互的图片。当然，这也就意味着，为了实现交互功能，你需要自己搭一个服务（bokeh），或者是找平台host（plotly提供收费host）。
我就分享一下我的一些认识，先从探索性分析开始。
什么是探索性数据分析
探索性数据分析是我们数据分析中的第一步，假设我们已经拥有了数据，我们需要弄清楚如何构建数据，确定如何操纵可用的数据以获得所需的答案。
我们可以通过对数据中的模式、趋势、异常值和意外结果等进行广泛的分析，使用可视化和定量的方法来了解。
20世纪70年代由约翰图基开发的探索性数据分析通常被描述为一种哲学，可以帮助我们解决如下相关问题：
-
发现错误和丢失的数据；
-
绘制数据的底层结构；
-
确定最重要的变量；
-
列出异常和异常值；
-
测试与具体模型相差的假设/检查假设；
-
建立一个简约的模型；
-
估计参数并计算相差的置信区间或误差范围。
数据可视化
Python和R一样都具有可视化模块，R比较有名的有ggplot2，python也有相应的模块ggplot
还有seaborn，matplotlib，都是我们在做数据可视化中使用的。详细的可以到相应的官网上去学习。
快速构建探索性可视化，应该必要的步骤或者说代码是必须的。
