之前在做數(shù)據(jù)分析的時候，用過一個自動化生成數(shù)據(jù)探索報告的Python庫：ydata_profiling

一般我們在做數(shù)據(jù)處理前會進行數(shù)據(jù)探索，包括看統(tǒng)計分布、可視化圖表、數(shù)據(jù)質(zhì)量情況等，這個過程會消耗很多時間，可能需要上百行代碼才能實現(xiàn)。

ydata_profiling能夠直接完成數(shù)據(jù)探索的工作，只需要幾行代碼，它會生成互動網(wǎng)頁形式的報告，里面包含數(shù)據(jù)概覽、字段分布、統(tǒng)計學(xué)特征、相關(guān)性、缺失值、樣本信息等。

# 導(dǎo)入庫
from ydata_profiling import ProfileReport
import pandas as pd
# 讀取數(shù)據(jù)
df = pd.read_csv('housing.csv')
# 自動生成數(shù)據(jù)探索報告
profile = ProfileReport(df, title="Profiling Report")
profile

以上代碼在Jupyter notebook中執(zhí)行，生成數(shù)據(jù)探索報告如下

ydata_profiling文檔提了幾個用途，我覺得還是比較實用的。

• 提供數(shù)據(jù)概覽：包括廣泛的統(tǒng)計數(shù)據(jù)和可視化圖表，提供數(shù)據(jù)的整體視圖。該報告可以作為html文件共享，也可以作為小部件集成在Jupyter筆記本中。
• 數(shù)據(jù)質(zhì)量評估：識別缺失數(shù)據(jù)、重復(fù)數(shù)據(jù)和異常值。這些對于數(shù)據(jù)清理和準(zhǔn)備很重要，確保分析的可靠性，并及早發(fā)現(xiàn)問題。
• 易于與其他流集成：數(shù)據(jù)分析的所有度量都可以以標(biāo)準(zhǔn)JSON格式使用。
• 大型數(shù)據(jù)集的數(shù)據(jù)探索：即使體量很大的數(shù)據(jù)集，ydata_profiling也可以輕松生成報告，它同時支持Pandas數(shù)據(jù)幀和Spark數(shù)據(jù)幀。

數(shù)據(jù)集概覽 Overview

首先可以看到數(shù)據(jù)集的整體信息，包括字段數(shù)、缺失值行、重復(fù)行、占內(nèi)存大小等等

字段詳細(xì)信息 Variables

你可以看到所有字段的統(tǒng)計學(xué)特征以及分布情況，包括均值、分位值、最大最小值

字段分布關(guān)系 Interactions

這是個交互可視化圖，可以選擇任意兩個字段，看他們的散點分布關(guān)系，通過這個你可以很直觀的知道各個字段的關(guān)聯(lián)關(guān)系是什么樣的，正相關(guān)、負(fù)相關(guān)、無相關(guān)等

字段相關(guān)性 Correations

這里通過熱力圖展示每個字段的相關(guān)性，也可以看到具體的值

缺失值 Missing values

通過柱狀圖可以清晰看到每個字段缺失值情況

樣本 Sample

可以展示前10、尾10的樣本數(shù)據(jù)

如果你想加快數(shù)據(jù)分析的速度，可以好好把ydata_profiling利用起來，前期數(shù)據(jù)探索階段可以省很多時間。