不知道如何进行探索性数据分析（EDA）？超详细教程，快来学习吧

利用Python进行探索性数据分析（EDA）

---

• 个人主页：JoJo的数据分析历险记
• 个人介绍：小编大四统计在读，目前保研到统计学top3高校继续攻读统计研究生
• 如果文章对你有帮助，欢迎关注、点赞、收藏、订阅专栏

本文介绍如何利用python进行探索性数据分析
参考资料:
https://www.kaggle.com/competitions/titanic

探索性数据分析

探索性数据分析（EDA） 是我们进行数据分析和很多数据挖掘比赛的第一步。当我们得到一个数据后，我们首先要分析一下这个数据的基本情况，例如哪些变量是分类型的，哪些是连续型的，它们的分布是什么情况，它们之间有什么关系，数据缺失值如何。通过探索性数据分析后，我们能大致了解数据，从而进行相关模型建立以及作为特征工程的基础。
本文通过Kaggle泰坦尼克号数据来进行探索性数据分析实战。当然也有一些简单的方法得到一个简略的探索性数据分析结果，在后续我会分享给大家。

️1. Titanic原始数据解读

泰坦尼克号的沉没是历史上最知名的沉船事故之一。1912年4月15日，泰坦尼克号在与冰山相撞后沉没，2224名乘客和船员中有1502人死亡。这是一场世界上任何人都无法忘记的难以忘怀的灾难。建造泰坦尼克号花费了大约750万美元，但是由于这场意外，它沉到了海底。泰坦尼克号数据集对于初学者来说是一个非常好的数据集，数据包含训练集和测试集，数据集链接我会放在文末。欢迎大家下载学习

其包含的变量如下：

变量	 意义                 取值
survival 是否存活              0 = No, 1 = Yes
pclass   票的种类              1 = 1st, 2 = 2nd, 3 = 3rd
sex		 性别
Age	  	 年龄(岁)	
sibsp	 兄弟姐妹/配偶的同行人数
parch	 父母/孩子的同行人数	
ticket   票号	
fare	 票价	
cabin	 座舱号	
embarked 登船港口             C = Cherbourg, Q = Queenstown, S = Southampton

上述变量的一些说明：

pclass：可以看做是社会经济地位的代表

• 1=上层阶级
• 2=中层阶级
• 3=底层阶级

Age：如果小于1，则年龄为分数。如果年龄是估计的，则以xx.5的形式表示

sibsp:表示如下家庭关系

• Sibling:兄弟姐妹
• Souse:表示配偶（未婚和情人不算）

parch: 表示如下家庭关系：

• Parent：父母
• chile：孩子

好了，根据上述分析，我们对数据有哪些变量有了初步了解了，接下来我们正式进入探索性数据分析

2.数据导入

首先要导入相关库，如果对以下库有不了解的可以看我本专栏之前的文章

导入相关库

import numpy as np 
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
plt.style.use('fivethirtyeight')#图形主题
import warnings
warnings.filterwarnings('ignore')#忽视警告
%matplotlib inline

分别导入训练集和测试集

df_train = pd.read_csv('train.csv')
df_test = pd.read_csv('test.csv')

3.检查数据

上述我们已经导入了数据集，接下来我们来看一下该数据的一些基本情况

总览一下数据

df_train.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

df_test.head()

	PassengerId	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	892	3	Kelly, Mr. James	male	34.5	0	0	330911	7.8292	NaN	Q
1	893	3	Wilkes, Mrs. James (Ellen Needs)	female	47.0	1	0	363272	7.0000	NaN	S
2	894	2	Myles, Mr. Thomas Francis	male	62.0	0	0	240276	9.6875	NaN	Q
3	895	3	Wirz, Mr. Albert	male	27.0	0	0	315154	8.6625	NaN	S
4	896	3	Hirvonen, Mrs. Alexander (Helga E Lindqvist)	female	22.0	1	1	3101298	12.2875	NaN	S

看一下数据的纬度

df_train.shape,df_test.shape

((891, 12), (418, 11))

可以看出训练集数据包含了891行，12列数据,测试集包含418个行11列，其中Survived列是我们要进行预测的变量

df_train.isnull().sum(),df_test.isnull().sum()

(PassengerId      0
 Survived         0
 Pclass           0
 Name             0
 Sex              0
 Age            177
 SibSp            0
 Parch            0
 Ticket           0
 Fare             0
 Cabin          687
 Embarked         2
 dtype: int64,
 PassengerId      0
 Pclass           0
 Name             0
 Sex              0
 Age             86
 SibSp            0
 Parch            0
 Ticket           0
 Fare             1
 Cabin          327
 Embarked         0
 dtype: int64)

从结果来看，训练集中age,cabin,embarked有缺失值，测试集中age,cabin,Cabin有缺失值，我们待会儿对其进行相应处理

接下来我们先看一下训练集中有多少人存活了

f,ax=plt.subplots(1,2,figsize=(18,8))
df_train['Survived'].value_counts().plot.pie(explode=[0,0.1],autopct='%1.1f%%',ax=ax[0],shadow=True)
ax[0].set_title('Survived')
ax[0].set_ylabel('')
sns.countplot('Survived',data=df_train,ax=ax[1])
ax[1].set_title('Survived')
plt.show()

​

​

很明显，幸存率很低。在训练集的891名乘客中，只有大约350人幸存，即只有38.4%幸存，说明响应变量是非平衡的，我们需要进一步挖掘哪些类别的乘客存活了，这在后续的数据挖掘项目实战中会进行相关介绍。在这里我们可以将这个38.4%当做存活率的一个先验概率

4. 特征分析

除去乘客编号和姓名外一共包含十个特征变量，主要可以分为以下四种类型

4.1 分类性变量（名义变量）分析

分类变量是指具有两个或多个类别的变量，该特征中的每个值都可以根据它们进行分类。例如，性别是一个分类变量，有两个类别（男性和女性）。并且我们不能对这些变量没有先后顺序。它们也被称为名义变量。

例如：sex和Embarked

4.1.1 性别变量分析

下面我们以sex为例来分析一下

首先进行按性别分组,分析一下不同性别，存活率是否有差异

df_train.groupby(['Sex','Survived'])['Survived'].count()

Sex     Survived
female  0            81
        1           233
male    0           468
        1           109
Name: Survived, dtype: int64

f,ax=plt.subplots(1,2,figsize=(18,8))
# 绘制不同性别下平均幸存率
df_train[['Sex','Survived']].groupby(['Sex']).mean().plot.bar(ax=ax[0])
ax[0].set_title('Survived vs Sex')
# 绘制不同性别下，存货和死亡的人数
sns.countplot('Sex',hue='Survived',data=df_train,ax=ax[1])
ax[1].set_title('Sex:Survived vs Dead')
plt.show()

​

​

从结果来看发现一个很有趣的现象，船上的男人比女人多得多，不过，女性获救的人数几乎是男性获救人数的两倍。船上女性的存活率约为75%，而男性的存活率约为18-19%。从结果来看，性别似乎是一个很重要的特征，但它是最重要的吗？我们继续分析一下其他变量的情况

4.1.2 登船港口分析

f,ax=plt.subplots(2,2,figsize=(20,15))
df_train[['Embarked','Survived']].groupby(['Embarked']).mean().plot.bar(ax=ax[0,0])
ax[0,0].set_title('Survived vs Embarked')
sns.countplot('Embarked',hue='Survived',data=df_train,ax=ax[0,1])
ax[0,1].set_title('Embarked:Survived vs Dead')


sns.countplot('Embarked',hue='Survived',data=df_train,ax=ax[1,0])
ax[1,0].set_title('Embarked vs Survived')
sns.countplot('Embarked',hue='Pclass',data=df_train,ax=ax[1,1])
ax[1,1].set_title('Embarked vs Pclass')
plt.subplots_adjust(wspace=0.2,hspace=0.5)
plt.show()

​

​

• 从S登船的旅客人数最多
• 来自C的乘客看起来很幸运，因为他们中有很大一部分幸存了下来。原因可能是营救了所有的Pclass1和Pclass2乘客。
• Q港有将近95%的乘客来自Pclass3。

从不同登船港口来看，只有C港口的存活人数比死亡人数多。

sns.factorplot('Pclass','Survived',hue='Sex',col='Embarked',data=df_train)
plt.show()

​

​

• 对于Pclass1和Pclass2的女性来说，她们的存活几率几乎为1。
• S港对于Pclass3乘客来说似乎非常不幸，因为男性和女性的存活率都非常低。
• Q港看起来对男性来说是最不幸运的，因为几乎所有人都来自Pclass3。

还记得我们之前发现该变量存在缺失值，我们看到从S港登机的乘客最多时，因此在这里我们用S代替了NaN。

df_train['Embarked'].fillna('S',inplace=True)

4.2 定序变量分析

有序变量与分类变量类似，但它们之间的区别在于，我们可以对值进行相对排序。例如：如果我们有一个像高度这样的特征，其值为高、中、短，那么高度是一个顺序变量。在这里，我们可以对变量进行相对排序。
例如：PClass

我们之前讲过Pclass可以看做是社会地位的体现

pd.crosstab(df_train.Pclass,df_train.Survived,margins=True).style.background_gradient()

Survived	0	1	All
Pclass
1	80	136	216
2	97	87	184
3	372	119	491
All	549	342	891

f,ax=plt.subplots(1,2,figsize=(18,8))
df_train['Pclass'].value_counts().plot.bar(ax=ax[0])
ax[0].set_title('Number Of Passengers By Pclass')
ax[0].set_ylabel('Count')
sns.countplot('Pclass',hue='Survived',data=df_train,ax=ax[1])
ax[1].set_title('Pclass:Survived vs Dead')
plt.show()

​

​

从结果可以看出一个很现实的问题，我们常说金钱买不到一切。但我们可以清楚地看到，在救援过程中，第一类乘客被给予了非常高的优先级。尽管第三类乘客的数量要高得多，但他们的存活率仍然很低，大约在25%左右。Pclass 1，存活率约为63%，而Pclass 2，存活率约为48%。 在这样一个物质世界，可以看出金钱和地位也很重要。
我们再将性别和票类型一起分析

pd.crosstab([df_train.Sex,df_train.Survived],df_train.Pclass,margins=True).style.background_gradient(cmap='summer_r')

	Pclass	1	2	3	All
Sex	Survived
female	0	3	6	72	81
	1	91	70	72	233
male	0	77	91	300	468
	1	45	17	47	109
All		216	184	491	891

sns.factorplot('Pclass','Survived',hue='Sex',data=df_train)
plt.show()

​

​

在这种情况下，我们使用FactorPlot，因为它使分类值的分离变得容易。
现在我们来看看交叉表和因子图，可以看出，Pclass1组女性的存活率约为95-96%，在94名Pclass1组女性中，只有3人死亡。同样，无论Pclass如何，女性在救援时都被放在第一位。即使是来自Pclass1的男性，存活率也很低。

4.3 连续型变量分析

如果变量可以取变量列中的最小值或最大值之间的值，则称变量为连续的。
例如：age和pare

4.3.1 age

首先我们来看age的分布情况

df_train['Age'].describe()

count    714.000000
mean      29.699118
std       14.526497
min        0.420000
25%       20.125000
50%       28.000000
75%       38.000000
max       80.000000
Name: Age, dtype: float64

最大80岁，最小的才0.42岁（这里是根据天数来划分成分数的），下面我们来看一下不同性别，不同票型年龄的分布

f,ax=plt.subplots(1,2,figsize=(18,8))
sns.violinplot("Pclass","Age", hue="Survived", data=df_train,split=True,ax=ax[0])
ax[0].set_title('Pclass and Age vs Survived')
ax[0].set_yticks(range(0,110,10))
sns.violinplot("Sex","Age", hue="Survived", data=df_train,split=True,ax=ax[1])
ax[1].set_title('Sex and Age vs Survived')
ax[1].set_yticks(range(0,110,10))
plt.show()

​

​

• 1） 孩子的数量随着pclass的增加而增加，但无论哪一类10岁以下的乘客（即儿童）的存活率较高。
• 2） 来自Pclass1的20-50岁乘客的生存机会很高，甚至比女性更高。
• 3） 对于男性来说，随着年龄的增长，存活的几率会降低。

正如我们之前看到的，年龄特征有177个空值。要替换这些NaN值，我们可以为它们指定数据集的平均年龄。但问题是，有很多不同年龄的人。我们不能将一个原本是50岁的人定义为4岁的孩子。有没有办法找出乘客的年龄段？我们再来看一下我们的数据集

df_train.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

注意，有名字这一列，我们可以看到这些名字有一个类似Mr或Mrs的称呼，因此我们可以将Mr和Mrs的平均年龄值分配给相应的组。

首先我们通过正则表达式将这些Miss，Mr，Mrs提取出来,放在Initial列中

df_train['Initial']=0
for i in df_train:
    df_train['Initial']=df_train.Name.str.extract('([A-Za-z]+)\.') 

我们使用了[A-Za-z]+)\ .所以它所做的是，它寻找A-Z或a-z之间的字符串，后面跟着.所以我们成功地从名字中提取了我们想要的信息

df_train.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Initial
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	Mr
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	Mrs
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	Miss
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	Mrs
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	Mr

pd.crosstab(df_train.Initial,df_train.Sex).T.style.background_gradient(cmap='summer_r') #Checking the Initials with the Sex

Initial	Capt	Col	Countess	Don	Dr	Jonkheer	Lady	Major	Master	Miss	Mlle	Mme	Mr	Mrs	Ms	Rev	Sir
Sex
female	0	0	1	0	1	0	1	0	0	182	2	1	0	125	1	0	0
male	1	2	0	1	6	1	0	2	40	0	0	0	517	0	0	6	1

有一些拼写错误的首字母，比如Mlle或Mme，代表Miss。我将用Miss来进行替换，具体如下所示

df_train['Initial'].replace(['Mlle','Mme','Ms','Dr','Major','Lady','Countess','Jonkheer','Col','Rev','Capt','Sir','Don'],['Miss','Miss','Miss','Mr','Mr','Mrs','Mrs','Other','Other','Other','Mr','Mr','Mr'],inplace=True)

此时再计算每一类的平均年龄

df_train.groupby('Initial')['Age'].mean() 

Initial
Master     4.574167
Miss      21.860000
Mr        32.739609
Mrs       35.981818
Other     45.888889
Name: Age, dtype: float64

根据这些平均年龄对每一类的缺失值填充

df_train.loc[(df_train.Age.isnull())&(df_train.Initial=='Mr'),'Age']=33
df_train.loc[(df_train.Age.isnull())&(df_train.Initial=='Mrs'),'Age']=36
df_train.loc[(df_train.Age.isnull())&(df_train.Initial=='Master'),'Age']=5
df_train.loc[(df_train.Age.isnull())&(df_train.Initial=='Miss'),'Age']=22
df_train.loc[(df_train.Age.isnull())&(df_train.Initial=='Other'),'Age']=46

我们再来看看年龄的缺失值情况

df_train.Age.isnull().sum()

0

下面我们再来看一下幸存和死亡人员的年龄分布

f,ax=plt.subplots(1,2,figsize=(20,10))
df_train[df_train['Survived']==0].Age.plot.hist(ax=ax[0],bins=20,edgecolor='black',color='red')
ax[0].set_title('Survived= 0')
x1=list(range(0,85,5))
ax[0].set_xticks(x1)
df_train[df_train['Survived']==1].Age.plot.hist(ax=ax[1],color='green',bins=20,edgecolor='black')
ax[1].set_title('Survived= 1')
x2=list(range(0,85,5))
ax[1].set_xticks(x2)
plt.show()

​

​

• 儿童（年龄<5岁）被大量拯救（妇女和儿童优先策略）。
• 最年长的乘客获救（80岁）。
• 死亡人数最多的是30-40岁的年龄组。

sns.factorplot('Pclass','Survived',col='Initial',data=df_train)
plt.show()

​

​

可以看出，无论在哪一类阶级如何，妇女和儿童优先政策都是正确的。

4.3.2 Fare

下面对票价分析，首先看一下票价的整体分布情况

df_train.Fare.describe()

count    891.000000
mean      32.204208
std       49.693429
min        0.000000
25%        7.910400
50%       14.454200
75%       31.000000
max      512.329200
Name: Fare, dtype: float64

发现最低的居然是0元，可能是用积分或者其他方式兑换的，下面我们看一下每种票类型下的价格分布

f,ax=plt.subplots(1,3,figsize=(20,8))
sns.distplot(df_train[df_train['Pclass']==1].Fare,ax=ax[0])
ax[0].set_title('Fares in Pclass 1')
sns.distplot(df_train[df_train['Pclass']==2].Fare,ax=ax[1])
ax[1].set_title('Fares in Pclass 2')
sns.distplot(df_train[df_train['Pclass']==3].Fare,ax=ax[2])
ax[2].set_title('Fares in Pclass 3')
plt.show()

​

​

4.4 离散型变量分析

离散型变量是指数值型变量但是取值不是连续的，例如sipsip和parch。这两个变量表示一个人是独自一人还是与家人在一起。

4.4.1 SibSp分析

表示配偶和兄弟姐妹的陪同人数

pd.crosstab([df_train.SibSp],df_train.Survived).style.background_gradient()

Survived	0	1
SibSp
0	398	210
1	97	112
2	15	13
3	12	4
4	15	3
5	5	0
8	7	0

df_train.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Initial
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	Mr
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	Mrs
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	Miss
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	Mrs
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	Mr

f,ax=plt.subplots(1,2,figsize=(12,8))
sns.barplot('SibSp','Survived',data=df_train,ax=ax[0])
ax[0].set_title('SibSp vs Survived')
sns.factorplot('SibSp','Survived',data=df_train,ax=ax[1])
ax[1].set_title('SibSp vs Survived')
plt.show()

​
​

pd.crosstab(df_train.SibSp,df_train.Pclass).style.background_gradient()

Pclass	1	2	3
SibSp
0	137	120	351
1	71	55	83
2	5	8	15
3	3	1	12
4	0	0	18
5	0	0	5
8	0	0	7

条形图和折线图显示，如果一名乘客独自一人在船上，没有兄弟姐妹，他有34.5%的存活率。如果兄弟姐妹的数量在1-2个，存活率会上升，但当人太多时，存活率又会下降。这是有道理的。也就是说，如果我有家人在船上，可以相互帮助，但当太多的家人在床上，我会尽力拯救他们，而不是首先拯救自己。5-8人家庭的存活率为0%。 原因可能是Pclass全是3。交叉表显示SibSp>3的人都在Pclass3中。Pclass3中所有大家庭（sibsp>3）的死亡迫在眉睫。

4.4.2 Parch

parch表示同行的孩子或者父母

pd.crosstab(df_train.Parch,df_train.Pclass).style.background_gradient()

Pclass	1	2	3
Parch
0	163	134	381
1	31	32	55
2	21	16	43
3	0	2	3
4	1	0	3
5	0	0	5
6	0	0	1

同样说明当同行人数太多，大部分都在Pclass3中

f,ax=plt.subplots(1,2,figsize=(20,8))
sns.barplot('Parch','Survived',data=df_train,ax=ax[0])
ax[1].set_title('Parch vs Survived')
sns.factorplot('Parch','Survived',data=df_train,ax=ax[1])
ax[1].set_title('Parch vs Survived')
plt.show()

这里的结果也非常相似。父母或孩子在船上的乘客生存的机会更大。然而，随着数量的增加，它会减少。
对于船上有1-3个父母或者孩子的人来说，生存的机会是好的。当船上有超过4个父母时，存活的机会会降低。

4.5 特征分析小结

• 性别：与男性相比，女性的生存几率较高。
• 船票类型：有一个明显的趋势是，成为头等舱的乘客会有更好的生存机会。Pclass3的存活率非常低。对于女性来说，Pclass1的存活几率几乎为1，而对于Pclass2的女性来说，存活几率也很高。
• 年龄：5-10岁以下的儿童存活率很高。15岁至35岁的乘客大量死亡。
• 上船港口：尽管大多数Pclass1乘客在S站出发，但在C站的存活几率比在S站更好。在Q站的乘客都来自Pclass3。
• Parch+SibSp（家人同行数）：船上有1-2个兄弟姐妹、配偶或1-3个父母生存的可能性更高。

☘️5. 相关性分析

sns.heatmap(df_train.corr(),annot=True,cmap='RdYlGn',linewidths=0.5)

fig=plt.gcf()
fig.set_size_inches(10,8)
plt.show()

​

​

注意，我们只比较数值型变量的相关性。现在让我们假设两个特征高度或完全相关，因此一个特征的增加导致另一个特征的增加。这意味着这两个特征都包含高度相似的信息，并且信息几乎没有差异。此时称为具有多重共线性，因为两者包含几乎相同的信息。此时，我们在训练模型时，应该尽量消除多重共线性的影响。
现在，从上面的相关系数热力图中，我们可以看到这些特征变量没有太大的相关性。SibSp和Parch之间的相关性最高，即0.41。 所以我们可以使用所有的特征变量进行后续分析。

数据下载地址

在后续我还会介绍一些如何使用python进行特征工程、数据清洗、模型构建以及一些集成学习方法。你们的支持是我写作最大的动力！！！