一鍵自動化資料分析！快來看看這些寶藏工具庫

ShowMeAI發表於2022-07-12

作者：韓信子@ShowMeAI
資料分析實戰系列：http://www.showmeai.tech/tutorials/40
本文地址：http://www.showmeai.tech/article-detail/284
宣告：版權所有，轉載請聯絡平臺與作者並註明出處
收藏ShowMeAI檢視更多精彩內容

實際工作中，我們往往依託於業務資料分析制定業務策略。這個過程需要頻繁地進行資料分析和挖掘，發現模式規律。對於演算法工程師而言，一個有效的 AI 演算法系統落地，不僅僅是模型這麼簡單——資料才是最底層的驅動。

典型的『機器學習工作流程』包含 6 個關鍵步驟，其中『探索性資料分析（Exploratory Data Analysis, EDA） 』是至關重要的一步。

定義問題
資料採集和 ETL
探索性資料分析
資料準備
建模（模型訓練和選擇）
部署和監控

Wiki: In statistics, exploratory data analysis is an approach of analyzing data sets to summarize their main characteristics, often using statistical graphics and other data visualization methods. A statistical model can be used or not, but primarily EDA is for seeing what the data can tell us beyond the formal modeling and thereby contrasts traditional hypothesis testing.

探索性資料分析，通常使用統計圖形等資料視覺化方法，探索資料的結構和規律，總結資料主要特徵的方法。這一過程通常包含細碎的處理步驟和分析操作。

探索性資料分析 EDA 的常用工具

優秀的工具可以簡化上述過程！甚至可以一鍵生成分析報告。本篇 ShowMeAI 給大家總結了截至 2022年最受歡迎的探索式資料分析工具庫，快一起試起來吧！

通常，我們有以下 3 種方式進行 EDA：

方式1：在 Python/R 中使用庫/框架手動分析
方式2：在 Python/R 中使用自動化 EDA 庫
方式3：使用 Microsoft Power BI 或 Tableau 等工具

3種方式對應的最佳工具庫我們梳理到下文中了，對自動化資料分析感興趣的同學可以直接跳至『自動化EDA工具庫』板塊。

方式1：手動分析工具庫

? Matplotlib

Matplotlib 是一個 Python 進行繪圖與互動式視覺化的工具。大家在Python中用到的絕大多數工具包擴充套件都是構建在 Matplotlib 之上的（包括 Seaborn、HoloViews、ggplot 以及後續提到部分自動化 EDA 工具等）。

基於 Matplotlib 可以藉助簡單的程式碼實現：散點圖、直方圖、條形圖、誤差圖和箱線圖，輔助我們理解資料和進行後續工作。

大家可以從官方 ?使用者指南、?教程和 ?程式碼示例 中學習，或前往B站觀看 ?視訊教程 也推薦下載收藏 ShowMeAI 的 ?Matplotlib速查表，以便快速查詢所需功能。

? Seaborn

另一個流行的 Python 資料視覺化框架是 Seaborn，它相比 Matplotlib 更為簡潔，也擴充了很多分析功能和呈現形式。

大家同樣可以通過 Seaborn 的 ?使用者指南和教程 對其進行學習，或前往觀看 ?視訊教程。也歡迎閱讀 ShowMeAI 總結的 ?Seaborn速查表，以及 Seaborn 視覺化教程 Seaborn工具與資料視覺化。

? Plotly

Plotly 是另外一個用於建立互動式資料視覺化的 Python 開源工具庫。 Plotly 構建在 Plotly JavaScript 庫（plotly.js) 之上，可用於建立基於 Web 的資料視覺化，這些視覺化可以顯示在 Jupyter 筆記本或使用 Dash 的 Web 應用程式中，或儲存為單獨的 HTML 檔案。

它提供了多達40+種圖表型別，包括散點圖、直方圖、折線圖、條形圖、餅圖、誤差線、箱線圖、多軸、迷你圖、樹狀圖和 3-D 圖表（甚至包括等高線圖，這在其他資料視覺化庫中並不常見）。大家可以通過 ?官方使用者指南 進行學習和使用。

? Bokeh

Bokeh 是一個 Python 庫，用於為現代 Web 瀏覽器建立互動式視覺化。它可以構建精美的圖形，從簡單的繪圖到帶有流資料集的複雜儀表板。使用 Bokeh，可以建立基於 JavaScript 的視覺化，而無需自己編寫任何 JavaScript。

大家可以通過 Bokeh 的 ?官方網站 和 ?示例庫 瞭解它的一系列用法。也推薦大家下載收藏 ShowMeAI 的 ?Bokeh速查表，快速查詢所需功能。

? Altair

Altair 是 Python 的宣告性統計視覺化庫，基於 Vega 和 Vega-Lite。 Altair 的 API 簡單、友好，可以用最少的程式碼產生漂亮而有效的視覺化效果。大家可以通過官方的 ?Altair Notebook Examples 學習Altair工具庫的使用。

方式2：自動化EDA工具庫

? pandas-profiling

很多做過 Python 資料分析的同學都很熟悉 Pandas 的 describe 函式，pandas-profiling 通過其低程式碼介面擴充套件了對應的功能，將資訊以報告的形式呈現。 pandas-profiling 庫自動從 pandas DataFrame 生成配置檔案報告，整個過程甚至只需要兩三行程式碼。

pandas-profiling 會對單欄位和關聯欄位進行分析。對於資料集的每一列（欄位），它會分析如下的內容並呈現在互動式 HTML 報告中：

型別推斷：欄位列的型別
要點：型別、唯一值、缺失值
分位數統計：包括最小值、Q1、中位數、Q3、最大值、範圍、四分位間距
描述性統計：包括均值、眾數、標準差、總和、中值絕對差、變異係數、峰度、偏度等
直方圖：分類和數字
相關性：Spearman、Pearson 和 Kendall 矩陣
缺失值：矩陣、計數、熱圖和缺失值的樹狀圖
文字分析：瞭解文字資料的類別（大寫、空格）、指令碼（拉丁文、西里爾文）和塊（ASCII）
檔案和影像分析：提取檔案大小、建立日期和尺寸，並掃描截斷的影像或包含 EXIF 資訊的影像

大家可以在 pandas-profiling 的專案 ?GitHub 頁面獲取詳細使用方法，簡單的資料分析與報告生成過程可以只通過如下1行命令生成（在命令列執行）。

pandas_profiling --title "Example Profiling Report" --config_file default.yaml data.csv report.html

或者在Python中通過如下幾行程式碼完成：

# 讀取資料
df = pd.read_csv(file_name)
# 資料分析
profile = ProfileReport(df, title="Data Report", explorative=True)
# html分析報告生成
profile.to_file(Path("data_report.html"))

? Sweetviz

Sweetviz 的功能與 pandas-profiling 很相似。它是一個開源 Python 庫，可生成精美的高資訊量結果報告，只需兩行程式碼即可啟動探索性資料分析過程。輸出是一個完全獨立的 HTML 報告（而且可以完整互動式操作）。

Sweetviz的特徵：

型別推斷
摘要資訊
目標欄位分析
顯示目標列與其他特徵的關聯分析
視覺化和對比

SweetViz的官方程式碼可以在 ?GitHub 找到。分析與報告生成只需要如下 2 行程式碼：

# 資料分析
my_report = sv.analyze(data)
# 報告生成
my_report.show_html()

下圖為使用 Sweetviz 生成的報告。

? AutoViz

AutoViz 是另外 1 個自動化 EDA 框架。它在功能方面與 Sweetviz 和 pandas-profiling 也比較類似。 AutoViz 只需一行程式碼即可對任何資料集進行自動視覺化，它還可以完成自動欄位選擇，找到最重要的特徵欄位進行分析視覺化，執行速度也非常快。

AutoViz可以結合Bokeh做互動式資料探索分析，詳細教程大家可以在官方 ?AutoViz 示例 Notebook 找到。核心程式碼如下：

AV = AutoViz_Class()
_ = AV . AutoViz(filename)

下圖所示為使用 AutoViz 生成的報告。

方式3：資料分析工具軟體

? Microsoft Power BI

Power BI 是由 Microsoft 開發的互動式資料視覺化軟體，主要關注商業智慧。它是 Microsoft Power Platform 的一部分。 Power BI 是軟體服務、應用程式和聯結器的集合，它們協同工作，將不相關的資料來源轉變為連貫、視覺沉浸式和互動式見解。可以通過直接從資料庫、網頁或電子表格、CSV、XML 和 JSON 等結構化檔案中讀取資料來輸入資料。

不過，Power BI 不是開源的，它是一款付費企業工具，提供免費桌面版本。大家可以從 ?官方學習指南 學習 Power BI。