學習關于探索性數據分析(EDA)的一切，這是一種用于分析和總結數據集的方法。這篇文章為大家講解探索性數據分析的目的是什么?美國課程輔導

一、什么是探索性數據分析?

探索性數據分析(EDA)是數據科學家用于分析和調查數據集并總結其主要特征的方法，通常使用數據可視化方法。它有助于確定如何最好地操作數據源以獲得所需的答案，使數據科學家更容易發現模式、發現異常、測試假設或檢查前提條件。

EDA主要用于查看數據在形式建模或假設測試任務之外可以揭示什么，并提供對數據集變量及其之間關系的更好理解。它還可以幫助確定您正在考慮進行數據分析的統計技術是否合適。探索性數據分析最初是由美國數學家約翰·圖基(John Tukey)在1970年代開發的，至今仍然是數據發現過程中廣泛使用的方法。

探索性數據分析在數據科學中為什么重要?

EDA的主要目的是在做任何假設之前查看數據。它有助于識別明顯的錯誤，更好地理解數據中的模式，檢測異常事件或異常事件，找到變量之間的有趣關系。

數據科學家可以使用探索性分析來確保他們產生的結果對任何期望的業務結果和目標都是有效的。EDA還通過確認他們提出了正確的問題，幫助利益相關者。EDA可以回答有關標準偏差、分類變量和置信區間的問題。一旦EDA完成并得出見解，其特征就可以用于更復雜的數據分析或建模，包括機器學習。

二、探索性數據分析工具

使用EDA工具可以執行的特定統計功能和技術包括：

聚類和降維技術，用于創建包含許多變量的高維數據的圖形顯示。

對原始數據集中每個字段進行單變量可視化，同時提供摘要統計信息。

允許您評估數據集中每個變量與目標變量之間關系的雙變量可視化和摘要統計信息。

多變量可視化，用于繪制和理解數據中不同字段之間的相互作用。

K均值聚類是一種無監督學習的聚類方法，根據每個組的中心點與數據點之間的距離將數據點分配到K組，即聚類數。距離最近的數據點將被聚集在同一類別下。K均值聚類通常用于市場分割、模式識別和圖像壓縮。

預測模型，例如線性回歸，使用統計和數據來預測結果。

三、探索性數據分析的類型

有四種主要類型的EDA：

1. 單變量非圖形。這是數據分析的最簡單形式，被分析的數據僅包含一個變量。由于它是單一變量，因此不涉及原因或關系。單變量分析的主要目的是描述數據并找到其中存在的模式。

2. 單變量圖形。非圖形方法不能提供數據的完整圖像，因此需要圖形方法。常見的單變量圖形包括：

- 莖葉圖，顯示所有數據值和分布形狀。

- 直方圖，每個柱代表一定值范圍的頻率(計數)或比例(計數/總計數)。

- 箱線圖，以圖形方式描繪最小、第一四分位、中位數、第三四分位和最大值的五數總結。

3. 多變量非圖形：多變量數據來自多個變量。多變量非圖形EDA技術通常通過列聯表或統計學來顯示數據的兩個或多個變量之間的關系。

4. 多變量圖形：多變量數據使用圖形來顯示兩個或多個數據集之間的關系。最常用的圖形是分組的條形圖或柱狀圖，其中每個組代表一個變量的一個水平，每個組內的每個條形代表另一個變量的水平。

其他常見的多變量圖形包括：

- 散點圖，用于在水平和垂直軸上繪制數據點，以顯示一個變量受另一個變量影響的程度。

- 多變量圖，是因子和響應之間關系的圖形表示。

- 趨勢圖，是隨時間繪制的數據的折線圖。

- 泡沫圖，是在二維圖上顯示多個圓圈(泡沫)的數據可視化。

- 熱力圖，是通過顏色來描繪數據的圖形表示。

四、探索性數據分析工具

用于創建EDA的一些常見數據科學工具包括：

1. Python：一種解釋性的、面向對象的編程語言，具有動態語義。其高級內置數據結構，與動態類型和動態綁定相結合，使其非常適合快速應用程序開發，以及用作腳本或粘合語言將現有組件連接在一起。Python和EDA可以一起使用，以識別數據集中的缺失值，這對于決定如何處理機器學習中的缺失值至關重要。

2. R：一種用于統計計算和圖形的自由軟件環境的開源編程語言，由R基金會支持。在數據科學中，R語言廣泛用于開發統計觀察和數據分析。

海馬課堂專業課程輔導做出以下新改變啦：
?試聽課全面升級，不滿意退50%，
?課程輔導產品升級，贈送考前保障呦
?輔導不滿意可以隨心退！
海馬課堂，3500+嚴選碩博學霸師資，針對學生的薄弱科目和學校教學進度，匹配背景相符的導師，根據學生情況進行1V1專屬備課，上課時間靈活安排，中英雙語詳細講解課程中的考點、 難點問題，并提供多方位的課后輔導，輔助學生掌握全部課程知識，補足短板。