3款EDA（ 数据探索分析）神器！

eda是数据分析必须的过程，用来查看变量统计特征，可以此为基础尝试做特征工程。东哥这次分享3个eda神器，其实之前每一个都分享过，这次把这三个工具包汇总到一起来介绍。

1. pandas_profiling

这个属于三个中最轻便、简单的了。它可以快速生成报告，一览变量概况。首先，我们需要安装该软件包。

# 安装jupyter扩展widget 
jupyter nbextension enable --py widgetsnbextension
# 或者通过conda安装
conda env create -n pandas-profiling
conda activate pandas-profiling
conda install -c conda-forge pandas-profiling
# 或者直接从源地址安装
pip install https://github.com/pandas-profiling/pandas-profiling/archive/master.zip

安装成功后即可导入数据直接生成报告了。

import pandas as pd
import seaborn as sns
mpg = sns.load_dataset('mpg')
mpg.head()

from pandas_profiling import profilereport
profile = profilereport(mpg, title='mpg pandas profiling report', explorative = true)
profile

使用pandas profiling生成了一个快速的报告，具有很好的可视化效果。报告结果直接显示在notebook中，而不是在单独的文件中打开。

总共提供了六个部分：概述、变量、交互、相关性，缺失值和样本。

pandas profiling的变量部分是完整的，它为每个变量都生成了详细的报告。

从上图可以看出，仅一个变量就有太多信息，比如可以获得描述性信息和分位数信息。

交互

交互部分我们可以获取两个数值变量之间的散点图。

相关性

可以获得两个变量之间的关系信息。

缺失值

可以获取每个变量的缺失值计数信息。

样本

可以显示了数据集中的样本行，用于了解数据。

2. sweetviz

sweetviz是另一个python的开源代码包，仅用一行代码即可生成漂亮的eda报告。与pandas profiling的区别在于它输出的是一个完全独立的html应用程序。

使用pip安装该软件包

pip install sweetviz

安装完成后，我们可以使用sweetviz生成报告，下面尝试一下。

import sweetviz as sv
# 可以选择目标特征
my_report = sv.analyze(mpg, target_feat ='mpg')
my_report.show_html()

从上图可以看到，sweetviz报告生成的内容与之前的pandas profiling类似，但具有不同的ui。

sweetviz不仅可以查看单变量的分布、统计特性，它还可以设置目标标量，将变量和目标变量进行关联分析。如上面报告最右侧，它获得了所有现有变量的数值关联和类别关联的相关性信息。

sweetviz的优势不在于单个数据集上的eda报告，而在于数据集的比较。

可以通过两种方式比较数据集：将其拆分（例如训练和测试数据集），或者使用一些过滤器对总体进行细分。

比如下面这个例子，有usa和not-usa两个数据集。

# 设置需要分析的变量
my_report = sv.compare_intra（mpg，mpg [“ origin”] ==“ usa”，[“ usa”，“ not-usa”]，target_feat ='mpg'）
my_report.show_html（）

不需要敲太多的代码就可以让我们快速分析这些变量，这在eda环节会减少很多工作量，而把时间留给变量的分析和筛选上。

sweetviz的一些优势在于：分析有关目标值的数据集的能力两个数据集之间的比较能力

但也有一些缺点：变量之间没有可视化，例如散点图报告在另一个标签中打开。

个人是比较喜欢sweetviz的。

3. pandasgui

pandasgui与前面的两个不同，pandasgui不会生成报告，而是生成一个gui（图形用户界面）的数据框，我们可以使用它来更详细地分析我们的dataframe。

首先，安装pandasgui。

# pip安装
pip install pandasgui
# 或者通过源下载
pip install git+https://github.com/adamerose/pandasgui.git

然后，运行几行代码试一下。

from pandasgui import show
# 部署gui的数据集
gui = show(mpg)

在此gui中，可以做很多事情，比如过滤、统计信息、在变量之间创建图表、以及重塑数据。这些操作可以根据需求拖动选项卡来完成。

比如像下面这个统计信息。最牛x的就是绘图器功能了。用它进行拖拽操作简直和excel没有啥区别了，操作难度和门槛几乎为零。还可以通过创建新的数据透视表或者融合数据集来进行重塑。然后，处理好的数据集可以直接导出成csv。

pandasgui的一些优势在于：可以拖拽快速过滤数据快速绘图

缺点在于：没有完整的统计信息不能生成报告

4. 结论

pandas profiling、sweetviz和pandasgui都很不错，旨在简化我们的eda处理。在不同的工作流程中，每个都有自己的优势和适用性，三个工具具体优势如下：

pandas profiling 适用于快速生成单个变量的分析。sweetviz 适用于数据集之间和目标变量之间的分析。pandasgui适用于具有手动拖放功能的深度分析。

参考：

https://github.com/adamerose/pandasgui

https://github.com/pandas-profiling/pandas-profiling

https://github.com/fbdesignpro/sweetviz

https://towardsdatascience.com/