探索性數(shù)據(jù)分析是數(shù)據(jù)科學(xué)模型開發(fā)和數(shù)據(jù)集研究的重要組成部分之一。在拿到一個新數(shù)據(jù)集時首先就需要花費大量時間進(jìn)行EDA來研究數(shù)據(jù)集中內(nèi)在的信息。自動化的EDA Python包可以用幾行Python代碼執(zhí)行EDA。

在本文中整理了10個可以自動執(zhí)行EDA并生成有關(guān)數(shù)據(jù)的見解的Python包，看看他們都有什么功能，能在多大程度上幫我們自動化解決EDA的需求。

DTale

Pandas-profiling

sweetviz

autoviz

dataprep

KLib

dabl

speedML

datatile

edaviz

1、D-Tale

D-Tale使用Flask作為后端、React前端并且可以與ipython notebook和終端無縫集成。D-Tale可以支持Pandas的DataFrame, Series, MultiIndex, DatetimeIndex和RangeIndex。

importdtale importpandasaspd dtale.show(pd.read_csv("titanic.csv"))

D-Tale庫用一行代碼就可以生成一個報告，其中包含數(shù)據(jù)集、相關(guān)性、圖表和熱圖的總體總結(jié)，并突出顯示缺失的值等。D-Tale還可以為報告中的每個圖表進(jìn)行分析，上面截圖中我們可以看到圖表是可以進(jìn)行交互操作的。 2、Pandas-Profiling Pandas-Profiling可以生成Pandas DataFrame的概要報告。panda-profiling擴(kuò)展了pandas DataFrame df.profile_report()，并且在大型數(shù)據(jù)集上工作得非常好，它可以在幾秒鐘內(nèi)創(chuàng)建報告。#Installthebelowlibariesbeforeimporting importpandasaspd frompandas_profilingimportProfileReport #EDAusingpandas-profiling profile=ProfileReport(pd.read_csv('titanic.csv'),explorative=True) #SavingresultstoaHTMLfile profile.to_file("output.html")

3、Sweetviz Sweetviz是一個開源的Python庫，只需要兩行Python代碼就可以生成漂亮的可視化圖，將EDA(探索性數(shù)據(jù)分析)作為一個HTML應(yīng)用程序啟動。Sweetviz包是圍繞快速可視化目標(biāo)值和比較數(shù)據(jù)集構(gòu)建的。

importpandasaspd importsweetvizassv #EDAusingAutoviz sweet_report=sv.analyze(pd.read_csv("titanic.csv")) #SavingresultstoHTMLfile sweet_report.show_html('sweet_report.html') Sweetviz庫生成的報告包含數(shù)據(jù)集、相關(guān)性、分類和數(shù)字特征關(guān)聯(lián)等的總體總結(jié)。

4、AutoViz

Autoviz包可以用一行代碼自動可視化任何大小的數(shù)據(jù)集，并自動生成HTML、bokeh等報告。用戶可以與AutoViz包生成的HTML報告進(jìn)行交互。importpandasaspd fromautoviz.AutoViz_ClassimportAutoViz_Class #EDAusingAutoviz autoviz=AutoViz_Class().AutoViz('train.csv')

5、Dataprep Dataprep是一個用于分析、準(zhǔn)備和處理數(shù)據(jù)的開源Python包。DataPrep構(gòu)建在Pandas和Dask DataFrame之上，可以很容易地與其他Python庫集成。 DataPrep的運行速度這10個包中最快的，他在幾秒鐘內(nèi)就可以為Pandas/Dask DataFrame生成報告。

fromdataprep.datasetsimportload_dataset fromdataprep.edaimportcreate_report df=load_dataset("titanic.csv") create_report(df).show_browser()

6、Klib

klib是一個用于導(dǎo)入、清理、分析和預(yù)處理數(shù)據(jù)的Python庫。importklib importpandasaspd df=pd.read_csv('DATASET.csv') klib.missingval_plot(df)

klib.corr_plot(df_cleaned,annot=False)

klib.dist_plot(df_cleaned['Win_Prob'])

klib.cat_plot(df,figsize=(50,15))

klibe雖然提供了很多的分析函數(shù)，但是對于每一個分析需要我們手動的編寫代碼，所以只能說是半自動化的操作，但是如果我們需要更定制化的分析，他是非常方便的。

7、Dabl

Dabl不太關(guān)注單個列的統(tǒng)計度量，而是更多地關(guān)注通過可視化提供快速概述，以及方便的機(jī)器學(xué)習(xí)預(yù)處理和模型搜索。

dabl中的Plot()函數(shù)可以通過繪制各種圖來實現(xiàn)可視化，包括:

目標(biāo)分布圖

散點圖

線性判別分析

importpandasaspd importdabl df=pd.read_csv("titanic.csv") dabl.plot(df,target_col="Survived")

8、Speedml

SpeedML是用于快速啟動機(jī)器學(xué)習(xí)管道的Python包。SpeedML整合了一些常用的ML包，包括 Pandas，Numpy，Sklearn，Xgboost 和 Matplotlib，所以說其實SpeedML不僅僅包含自動化EDA的功能。 SpeedML官方說，使用它可以基于迭代進(jìn)行開發(fā)，將編碼時間縮短了70％。

fromspeedmlimportSpeedml sml=Speedml('../input/train.csv','../input/test.csv', target='Survived',uid='PassengerId') sml.train.head()

sml.plot.correlate()

sml.plot.distribute()

sml.plot.ordinal('Parch')

sml.plot.ordinal('SibSp')

sml.plot.continuous('Age')

9、DataTile

DataTile（以前稱為Pandas-Summary）是一個開源的Python軟件包，負(fù)責(zé)管理，匯總和可視化數(shù)據(jù)。DataTile基本上是PANDAS DataFrame describe（）函數(shù)的擴(kuò)展。

importpandasaspd fromdatatile.summary.dfimportDataFrameSummary df=pd.read_csv('titanic.csv') dfs=DataFrameSummary(df) dfs.summary()

10、edaviz

edaviz是一個可以在Jupyter Notebook和Jupyter Lab中進(jìn)行數(shù)據(jù)探索和可視化的python庫，他本來是非常好用的，但是后來被磚廠(Databricks)收購并且整合到bamboolib 中，所以這里就簡單的給個演示。

總結(jié) 在本文中，我們介紹了10個自動探索性數(shù)據(jù)分析Python軟件包，這些軟件包可以在幾行Python代碼中生成數(shù)據(jù)摘要并進(jìn)行可視化。通過自動化的工作可以節(jié)省我們的很多時間。 Dataprep是我最常用的EDA包，AutoViz和D-table也是不錯的選擇，如果你需要定制化分析可以使用Klib，SpeedML整合的東西比較多，單獨使用它啊進(jìn)行EDA分析不是特別的適用，其他的包可以根據(jù)個人喜好選擇，其實都還是很好用的，最后edaviz就不要考慮了，因為已經(jīng)不開源了。