只需几行代码，用python进行数据分析并生成精美的report - Pandas Profiling

简介

Pandas Profiling包是python里面又一个神奇的工具，它能对数据集（csv或者数据库）进行多个维度的分析，生成html格式的report，配以专业的图表，漂亮又炫酷。最关键的是，这个分析和生成report的过程是自动的，我们只需要简单的几行代码即可搞定。

如果小伙伴们已经熟悉Pandas Profiling包，那么这篇文章对您可能没太大用处，就没有必要再往下面读了。

但是。。。如果您从未听说过Pandas Profiling，或者只是听说过但没有具体见识过它的功能。那么这篇文章可能会对您有些用处。

Pandas Profiling是什么鬼

Pandas Profiling是一个python包，可让您以最少的代码创建探索性分析数据报告。

因此，如果您是手动进行探索性数据分析的数据科学家或分析师，那么使用pandas分析将为您节省大量时间，精力和键入时间。 您还记得进行数据分析时使用的所有重复代码，比如下面这些函数，是不是都已经用得想吐了：

info()
describe()
isnull()
corr()
etc.

您将不再需要再这样做。 Pandas Profiling包将为您完成此任务，并将创建数据的完整摘要报告。

安装Pandas Profiling

在DOS命令行或者Linux shell里面执行

pip install pandas-profiling

或者

pip3 install pandas-profiling

如果需要为pip设置代理，可以执行下面的语句：

pip3 --proxy http://proxyhost:8080 install pandas-profiling

或者还可以使用国内源，下载速度快很多。比如下面使用阿里云的pip源来安装：

pip3 install pandas-profiling -i https://mirrors.aliyun.com/pypi/simple/

安装该软件包需要一两分钟，您应该可以在python中使用pandas配置文件了。

创建分析报告

为了创建报告，您可以使用标准的read_csv()函数加载数据集，该函数将数据存储在Pandas Data Frame中。

然后使用ProfileReport初始化程序并将其刚刚创建的data frame作为参数传递给它。

您可以使用to_file()函数导出报告，以便对其进行检查。

import pandas as pd
from pandas_profiling import ProfileReport
df = pd.read_csv(data_file_name)
report = ProfileReport(df)
report.to_file(output_file='output.html')

让我们来看一个有真实数据的例子

我们将为真实数据集创建一个报告。 我们选择了可以从这里下载的美国新冠疫情数据集。 该数据集的大小为10MB，具有20多万行数据和6列。

让我们使用Pandas Profiling为该数据集创建一个报告。

>>> import pandas as pd
>>> from pandas_profiling import ProfileReport
>>> df = pd.read_csv('us_counties_covid19_daily.csv')
>>> report = ProfileReport(df)
>>> report.to_file(output_file='output.html')

运行此代码后，您应该会在几秒钟内看到生成报告的进度条，并且应该能够通过在浏览器中打开output.html文件来查看完整的报告。

这样就可以在新生成的output.html文件里面查看这个report了（注意output.html放在和heart.csv同一个目录下面）

Report的结构

让我们看看Pandas Profiling生成的Report中包含的内容。

• 概述
  在概述部分，我们应该看到三个选项卡：Overview，Reproduction和Warnings。
  Overview tab页提供有关数据的基本信息，例如列和行数，数据大小，缺失值的百分比，数据类型等。
  Reproduction(复制) tab页包含有关报表创建的信息。
  Warnings tab页包括在生成报告时已触发的警告。
  

• 变量
  本节着重于每个变量的详细分析。
  如果变量是连续变量，它将显示直方图，如果是分类变量，则将显示具有值分布的条形图。
  您还可以查看每个变量缺失值的百分比。
  下图显示了来自心脏病数据集的年龄和性别变量分析。
  

• 互动
  交互部分重点讨论数值变量之间的双变量关系。 您可以使用选项卡选择要检查的关系对。 下图显示了年龄与胆固醇之间的关系。
  

• Correlations(相关性)
  本节显示了不同类型的相关性。
  

• 缺失值
  这一部分显示随着列分解而导致数据集中缺少值的部分。
  我们可以看到在我的列中我们的数据集没有缺失值。
  

• Sample(采样)
  本节代替了手动数据分析中的head（）和tail（）函数。 您可以看到数据集的前10行和后10行。
  

• 重复数据
  本节向您显示数据集中是否有重复的值。 心脏病数据集中实际上有一个重复的条目，其详细信息显示在下面的截图中。
  

Pandas Profiling的优缺点

在本文中，我们讨论了Pandas Profiling包的优点，但是有什么缺点吗？ 是的，我们来谈谈一些。
如果您的数据集很大，则创建报告将花费很长时间（在极端情况下可能需要数小时）。
我们有一些使用配置文件包的基本EDA，这是进行数据分析的良好起点，但绝对不是一个完整的探索。 通常，我们会看到更多的图形类型，例如箱线图，更详细的条形图，以及一些其他类型的可视化和探索技术，它们将揭示特定数据集的怪癖。
此外，如果您刚刚开始数据科学之旅，则值得学习如何使用熊猫本身来收集报告中包含的信息。 这样，您就可以练习编码和处理数据！

总结

在本文中，我们向您展示了如何安装和使用Pandas Profiling包。 我们甚至向您展示了对结果的快速解释。
下载美国新冠疫情数据集并自己尝试。