EDA分析

Posted 2021-01-24 xiaodongsuibi

EDA分析是做数据建模的第一步，主要是作用是用于熟悉数据，看各个特征的一些数据分布情况。  这里主要使用sns做一些可视化展示数据分布，使用corr，describe，info等熟悉数据特征的情况。

#coding:utf-8
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

from scipy import stats
from scipy.stats import norm

train = pd.read_csv(‘train.csv‘)
test = pd.read_csv(‘test.csv‘)

# 区分类别型变量（qualitative）和数值型变量（quantiative）

quantitative = [f for f in train.columns if train.dtypes[f] != ‘object‘]
quantitative.remove(‘SalePrice‘)
quantitative.remove(‘Id‘)
qualitative = [f for f in train.columns if train.dtypes[f] == ‘object‘]

 

一、整体分析（overview）

1）使用 describe 进行查看数据特征的count，mean，std，min，四分位数等。

print("train.describe:",‘
‘，train.describe())

　　

2）查看数据的整体缺失情况，可以使用isnull()，missingno包查看；

missing = train.isnull().sum()
missing = missing[missing > 0]
missing.sort_values(inplace=True)
missing.plot.bar()

 使用missingno包（没有包的需要pip install一下包）

import pandas_profiling
pandas_profiling.ProfileReport(train_agg)

能够看到每个特征的缺失值情况，相关性大小，特征类别，偏斜情况等。

 

3）数据分布情况 scipy.stats

通用方法

rvs	随机变量
pdf	概率密度函
cdf	累计分布函数
sf	残差函数（1-CDF）
ppf	分位点函数（CDF的逆）
isf	逆残存函数（sf的逆）
stats	返回均值，方差，（费舍尔）偏态，（费舍尔）峰度
moment	分布的非中心距

import scipy.stats as st
y = train[‘SalePrice‘]
plt.figure(1); plt.title(‘Johnson SU‘)
sns.distplot(y, kde=False, fit=st.johnsonsu)   # kde核密度估计，kde=true，表示显示核密度估计
plt.figure(2); plt.title(‘Normal‘)
sns.distplot(y, kde=True, fit=st.norm)
plt.figure(3); plt.title(‘Log Normal‘)
sns.distplot(y, kde=False, fit=st.lognorm)

目标值SalePrice不遵循正态分布，根据后续算法需要可以进行相应的转换。 虽然log转换可以解决，但效果最好的是 johnsonsu 分布。

scipy.stats.shapiro    shapiro是用来专门做正态性检验的模块，shapiro不合适做样本数 > 5000的正态性检验，检验结果的P值可能不准确

scipy.stats.shapiro(x,a=None,reta=False)   x为待检验数据，一般只只使用x就行

>>> from scipy import stats
>>> np.random.seed(12345678)
>>> x = stats.norm.rvs(loc=5, scale=3, size=100)
>>> stats.shapiro(x)
(0.9772805571556091, 0.08144091814756393)  # 输出结果的第一个数为统计数，第二个为P值

test_normality = lambda x: stats.shapiro(x.fillna(0))[1] < 0.01
normal = pd.DataFrame(train[quantitative])
normal = normal.apply(test_normality)
print(not normal.any())
>> False    # 说明所有的数值型变量分布均不属于正态分布，需要进行数据转换

 

pandas.melt（frame，id_vars=None，value_vars=None，var_name=‘value’，col_level=None）

frame：要处理的数据集；id_vars：不需要被转换的列名，value_vars需要转换的列名，如果剩下的列全部要转换，就不用写了，

var_name和value_name是自定义设置对应的列名，col_level：如果列是MultiIndex，则使用此级别。

f = pd.melt(train, value_vars=quantitative)   
g = sns.FacetGrid(f, col="variable",  col_wrap=4, sharex=False, sharey=False)
g = g.map(sns.distplot, "value")

 

二、相关性（连续型变量）

相关性可以用sns包中heatmap、barplot实现数据之间的相关性；可以使用 sns.pairplot观察成对变量之间的分布情况。

# 相关性协方差表,corr()函数,返回结果接近0说明无相关性,大于0说明是正相关,小于0是负相关.

train_corr = train.drop(‘Id‘,axis=1).corr()
print(train_corr)
a = plt.subplots(figsize = (20,12)) #调整画布大小
a=sns.heatmap(train_corr,vmax=.8,square=True) #画热力图 annot = True 显示系数
a.set_yticklabels(a.get_yticklabels(), rotation=360)
a.set_xticklabels(train_corr.index, rotation=‘vertical‘)
plt.show()

　　

有时候可能特征比较多，可能我们只需要观察部分特征，比如那些和目标特征相关系数比较大的前10个，可以用如下程序。

#SalePrice 相关度特征排序
# 寻找K个最相关的特征信息
k = 10 #number of varables for heatmap
cols = train_corr.nlargest(k,‘SalePrice‘)[‘SalePrice‘].index
cm = np.corrcoef(train[cols].values.T)
sns.set(font_scale=1.5)
hm = plt.subplots(figsize = (20,12))
hm = sns.heatmap(cm, cmap=‘RdBu‘, linewidths=0.05, cbar=True, annot=True, square=True, fmt=‘.2f‘, annot_kws={‘size‘: 10}, yticklabels=cols.values, xticklabels=cols.values)
hm.set_yticklabels(hm.get_yticklabels(), rotation=360)
hm.set_xticklabels(train_corr.index, rotation=‘vertical‘)
plt.show()

　　

 

sns.set()   #设置主题，调色板等
cols = [‘SalePrice‘,‘OverallQual‘,‘GrLivArea‘,‘TotalBsmtSF‘,‘FullBath‘,‘YearBuilt‘]
sns.pairplot(train[cols],size=2.0)
plt.show()
print(train[[‘SalePrice‘,‘OverallQual‘,‘GrLivArea‘,‘GarageCars‘,‘TotalBsmtSF‘,‘FullBath‘,‘YearBuilt‘]].info())

 

def spearman(frame, features):
    spr = pd.DataFrame()
    spr[‘feature‘] = features
    spr[‘spearman‘] = [frame[f].corr(frame[‘SalePrice‘], ‘spearman‘) for f in features]
    spr = spr.sort_values(‘spearman‘)
    plt.figure(figsize=(6, 0.25*len(features)))
    sns.barplot(data=spr, y=‘feature‘, x=‘spearman‘, orient=‘h‘)
    
features = quantitative
spearman(train, features)

 

features = quantitative

standard = train[train[‘SalePrice‘] < 200000]
pricey = train[train[‘SalePrice‘] >= 200000]

diff = pd.DataFrame()
diff[‘feature‘] = features
diff[‘difference‘] = [(pricey[f].fillna(0.).mean() - standard[f].fillna(0.).mean())/(standard[f].fillna(0.).mean())
                      for f in features]
sns.barplot(data=diff, x=‘feature‘, y=‘difference‘)
x=plt.xticks(rotation=90)

 

pairplots查看特征与目标之间的变化关系

def pairplot(x, y, **kwargs):
    ax = plt.gca()
    ts = pd.DataFrame({‘time‘: x, ‘val‘: y})
    ts = ts.groupby(‘time‘).mean()
    ts.plot(ax=ax)
    plt.xticks(rotation=90)
    
f = pd.melt(train, id_vars=[‘SalePrice‘], value_vars=quantitative+qual_encoded)
g = sns.FacetGrid(f, col="variable",  col_wrap=2, sharex=False, sharey=False, size=5)
g = g.map(pairplot, "value", "SalePrice")

 

三、异常值检测

箱线图可以看出数据的集中程度，异常值，平均值等情况，可以将其作为异常值的一种检测手段。

def boxplot(x, y, **kwargs):
    sns.boxplot(x=x, y=y)
    x=plt.xticks(rotation=90)
f = pd.melt(train, id_vars=[‘SalePrice‘], value_vars=qualitative)
g = sns.FacetGrid(f, col="variable",  col_wrap=4, sharex=False, sharey=False, size=5)
g = g.map(boxplot, "value", "SalePrice")