我們做數據分析，在第一次拿到數據集的時候，一般會用統計學或可視化方法來了解原始數據。

了解列數、行數、取值分布、缺失值、列之間的相關關系等等，這個過程叫做 EDA（Exploratory Data Analysis，探索性數據分析）。

如果你現在做EDA還在用pandas一行行寫代碼，那么福音來了！

目前已經有很多EDA工具可以自動產出基礎的統計數據和圖表，能為我們節省大量時間。

本文會對比介紹 4 款常用的EDA工具，最后一款絕了，完全是拋棄代碼的節奏。

正式介紹這些工具之前，先來加載數據集。

import numpy as np
import pandas as pd
iris = pd.read_csv('iris.csv')
iris

iris是下面用到的數據集，是一個150行 * 4列的 DataFrame。

1. PandasGUI

PandasGUI提供數據預覽、篩選、統計、多種圖表展示以及數據轉換。

# 安裝
# pip install pandasgui
from pandasgui import show
show(iris)

PandasGUI操作界面

PandasGUI更側重數據展示，提供了10多種圖表，通過可視的方式配置。

但數據統計做的比較簡單，沒有提供缺失值、相關系數等指標，數據轉換部分也只開放了一小部分接口。

2. Pandas Profiling

Pandas Profiling 提供了整體數據概況、每列的詳情、列之間的關圖、列之間的相關系數。

# 安裝：
# pip install -U pandas-profiling
# jupyter nbextension enable --py widgetsnbextension
from pandas_profiling import ProfileReport
profile = ProfileReport(iris, title='iris Pandas Profiling Report', explorative=True)
profile

Pandas Profiling操作界面

每列的詳情包括：缺失值統計、去重計數、最值、平均值等統計指標和取值分布的柱狀圖。

列之間的相關系數支持Spearman、Pearson、Kendall 和 Phik 4 種相關系數算法。

與 PandasGUI 相反，Pandas Profiling沒有豐富的圖表，但提供了非常多的統計指標以及相關系數。

3. Sweetviz

Sweetviz與Pandas Profiling類似，提供了每列詳細的統計指標、取值分布、缺失值統計以及列之間的相關系數。

# 安裝
# pip install sweetviz
import sweetviz as sv
sv_report = sv.analyze(iris)
sv_report.show_html()

Sweetviz操作界面

Sweetviz還有有一個非常好的特性是支持不同數據集的對比，如：訓練數據集和測試數據集的對比。

Sweetviz數據集對比

藍色和橙色代表不同的數據集，通過對比可以清晰發現數據集之前的差異。

4. dtale

最后重磅介紹dtale，它不僅提供豐富圖表展示數據，還提供了很多交互式的接口，對數據進行操作、轉換。

dtale操作界面

dtale的功能主要分為三部分：數據操作、數據可視化、高亮顯示。

4.1 數據操作（Actions）

dtale將pandas的函數包裝成可視化接口，可以讓我們通過圖形界面方式來操作數據。

# pip install dtale
import dtale
d = dtale.show(iris)
d.open_browser()

Actions

右半部分圖是左邊圖的中文翻譯，用的是 Chrome 自動翻譯，有些不是很準確。

舉一個數據操作的例子。

Summarize Data

上圖是Actions菜單中Summarize Data的功能，它提供了對數據集匯總操作的接口。

上圖我們選擇按照species列分組，計算sepal_width列的平均值，同時可以看到左下角dtale已經自動為該操作生成了pandas代碼。

4.2 數據可視化（Visualize）

提供比較豐富的圖表，對每列數據概況、重復行、缺失值、相關系數進行統計和展示。

Visualize

舉一個數據可視化的例子。

Describe

上圖是Visualize菜單中Describe的功能，它可以統計每列的最值、均值、標準差等指標，并提供圖表展示。

右側的Code Export可以查看生成這些數據的代碼。

4.3 高亮顯示（Highlight）

對缺失值、異常值做高亮顯示，方便我們快速定位到異常的數據。

Highlight

上圖顯示了將sepal_width字段的異常值。

dtale非常強大，功能也非常多，大家可以多多探索、挖掘。

最后，簡單總結一下。如果探索的數據集側重數據展示，可以選PandasGUI；如果只是簡單了解基本統計指標，可以選擇Pandas Profiling和Sweetviz；如果需要做深度的數據探索，那就選擇dtale。